【摘要】 中科院南京土壤所联合科学指南针环境检测，基于土壤氨基糖(GC-MS)等数据，利用机器学习将全球微生物衍生碳(MDC)估算误差降低71%。了解MDC占全球土壤碳库40%（758 Pg）的研究成果，及高精度环境检测服务如何助力科研。

本研究由中国科学院南京土壤研究所梁玉婷研究员团队主导，发表于顶级期刊《PNAS》（一区TOP，IF=9.4）。研究聚焦于减少估算土壤微生物残体碳（MDC）固存的不确定性。科学指南针-环境检测为本研究提供了关键的土壤氨基糖（GC-MS）​​ 检测服务支持。

 

研究背景与摘要

全球土壤有机碳（SOC）库中的微生物衍生碳（MDC）​​ 定量评估一直存在显著不确定性。本研究通过汇编一个大规模的全球数据库，涵盖了细菌氨基糖、真菌氨基糖、微生物生物量（MBC/MBN）、SOC、总氮（TN）、总磷（TP）、pH及土壤质地等关键指标。

  • 研究首次整合了全球范围的细菌与真菌氨基糖含量及群落组成数据。

  • 采用先进的机器学习方法​（如ResNet, FT-Transformer, Deep Forest）结合贝叶斯优化进行建模预测。

  • 重点对厚壁菌门（Firmicutes）​、放线菌门（Actinobacteria）​、革兰氏阴性菌（GN）​​ 等细菌组分及土壤MurA​（胞壁酸）、GlcN​（氨基葡萄糖）等指标进行了分析。

  • 最终成功将MDC估算的相对标准误降低了71%​，显著提升了估算精度。

 

核心创新点

本研究的主要创新性成果体现在以下三个方面：

创新点一：机器学习优化细菌类群比例，提升MDC估算精度

  • 传统MDC估算采用固定的GP:GN（革兰氏阳性菌:革兰氏阴性菌）比例（0.65:0.35），忽略了实际群落组成的变异，导致误差。

  • 本研究利用机器学习模型，系统性确定了全球尺度下最优的细菌类群比例：​Firmicutes:Actinobacteria:GN = 0.48:0.12:0.40。

  • 此优化使MDC估算的平均误差从12.5%降至7.5%​，高误差区域的面积减半，为全球MDC定量研究提供了更可靠的基础。

创新点二：构建多模型机器学习池，提出高精度MDC定量公式

  • 研究基于超过1600组MurA和GlcN的全球数据（其中氨基糖检测由科学指南针-环境检测等平台提供技术支持），结合SOC、气候、土壤质地等多变量。

  • 通过集成多种先进机器学习算法，构建了稳健的预测模型，大幅提升了MDC估算公式的准确性和稳健性。

  • 最终提出了简明、实用且高精度的MDC定量新公式，为全球土壤碳循环建模提供了关键参数依据。

创新点三：建立标准化全球数据库与高分辨率MDC分布图

  • 作者首次整合了六大类全球数据库，涵盖了MurA、GlcN、细菌株比例、环境变量等高质量数据。

  • 显著扩展了以往数据的覆盖范围和质量，并在此基础上绘制出10公里空间分辨率的全球MDC浓度、贡献率及储量分布图。

  • 这项工作中，​土壤氨基糖（GC-MS）​​ 等精密检测数据是绘制高精度图谱的关键，为后续的微生物碳循环精细建模及区域管理奠定了坚实数据基础。

 

关键研究结果与图示

图1: 不同细菌类群中MurA与GlcN的浓度差异

  • ​结果A​：革兰氏阳性菌（GP）菌株的MurA平均浓度（24.1 mg/g）显著高于革兰氏阴性菌（GN）菌株（3.3 mg/g）。

  • ​结果B​：放线菌门（28.4 mg/g）的MurA浓度明显高于厚壁菌门（20.9 mg/g）。

  • ​结论​：估算细菌源碳（BDC）时，需分别加权考虑不同细菌类群的MurA浓度，不能使用统一值。

图2: 优化细菌类群比例以最小化全球估算误差

  • 结果A​：确定了最优的Firmicutes:Actinobacteria:GN比例（0.48:0.12:0.40），在该比例下全球BDC估算误差最小（平均误差7.5%）。

  • ​结果B​：给出了优化后的细菌源碳（BDC）​​ 和真菌源碳（FDC）​​ 的计算公式，明确了不同细菌类群的权重。

图3: 全球微生物衍生碳（MDC）的分布、贡献与储量

  • 结果A（浓度）​​：高纬度寒带和极地地区（如北亚和北美）的MDC浓度最高。

  • ​结果B（贡献）​​：​MDC约占全球SOC的40%。其中，地表土（0-30 cm）中MDC占SOC的43.3%（细菌贡献12.5%，真菌贡献30.9%）；深层土（30-100 cm）中占57.6%（细菌贡献24.5%，真菌贡献33.1%）。

  • ​结果C（储量）​​：全球MDC总储量约为758 Pg​（十亿吨），其中约65%（490 Pg）分布在高纬度寒冷和极地气候区。

 

研究结论与启示

本研究通过机器学习优化，将MDC估算的相对标准误差平均降低了71%，全球预测误差从12.5%降至7.5%。

  • 全球MDC储量约为758 Pg，占SOC的40%，其中真菌源碳的贡献显著高于细菌源碳。

  • 高纬度地区储存了全球最多的微生物源碳，但其周转对气候变化极为敏感。快速升温可能加速这部分碳库的分解，对大气碳平衡产生长期影响。

  • ​MDC一旦损失，需数十年甚至更长时间才能恢复，因此精准评估MDC对于全球气候政策制定至关重要。

  • 本研究展示了AI技术在土壤科学和气候变化研究中的巨大潜力，其中精准的环境检测数据（如土壤氨基糖（GC-MS）​）是一切模型成功的基石。


​感谢您关注科学指南针-环境检测！

本研究中关键的土壤氨基糖（GC-MS）​​ 检测由科学指南针提供支持。我们致力于为科研人员提供精准、可靠的环境检测服务。

  • 立即咨询​：添加下方微信，即可直接联系我们的工程师，一对一沟通土壤氨基糖、MBC/MBN、SOC、TN、TP、pH、土壤质地等检测方案，让您的样品更快送检、结果更精准、使用更安心。

  • 互动激励​：您的每一次关注、留言或点赞，都是我们持续分享环境检测干货与科研案例的动力。

【科学指南针·环境检测·2025】