Blog

May 30, 2023

El análisis longitudinal de las aguas termales Five Sisters en el Parque Nacional de Yellowstone revela un ambiente termoalcalino dinámico

Scientific Reports volumen 12, Número de artículo: 18707 (2022) Citar este artículo 1369 Accesos 2 Detalles de Altmetric Metrics Se han realizado investigaciones centradas en poblaciones microbianas de manantiales termoalcalinos.

Scientific Reports volumen 12, número de artículo: 18707 (2022) Citar este artículo

1369 Accesos

2 altmétrico

Detalles de métricas

La investigación centrada en poblaciones microbianas de manantiales termoalcalinos ha sido impulsada en gran parte por el atractivo de descubrir enzimas funcionales con aplicaciones industriales en entornos de alto pH y alta temperatura. Si bien varios estudios se han centrado en comprender la ecología fundamental de estos manantiales, los perfiles de moléculas pequeñas de los manantiales termoalcalinos se han pasado por alto en gran medida. Para comprender mejor cómo están conectadas la geoquímica, la composición de moléculas pequeñas y las comunidades microbianas, llevamos a cabo un estudio de tres años de los manantiales Five Sisters (FS) que incluyó mediciones geoquímicas de alta resolución, secuenciación del ARNr 16S de la comunidad bacteriana y arqueal, y Caracterización de metabolitos y moléculas pequeñas extracelulares basada en espectrometría de masas. La integración de los cuatro conjuntos de datos facilitó un análisis exhaustivo del sistema de resortes termoalcalinos entrelazados. A lo largo del estudio, la población microbiana respondió a las condiciones ambientales cambiantes, y las poblaciones de arqueas disminuyeron tanto en abundancia relativa como en diversidad en comparación con las poblaciones bacterianas. Las disminuciones en la abundancia relativa de Archaea se asociaron con cambios ambientales que incluyeron una menor disponibilidad de pequeñas moléculas extracelulares específicas que contienen nitrógeno y azufre y fluctuaciones en las vías metabólicas asociadas con el ciclo del nitrógeno. Este análisis multifactorial demuestra que la composición de la comunidad microbiana está más estrechamente correlacionada con grupos de pequeñas moléculas extracelulares que con la geoquímica de las fuentes termales. Este es un hallazgo novedoso y sugiere que un componente de las fuentes termales que antes se pasaba por alto puede tener un impacto significativo en la composición de la comunidad microbiana.

Los manantiales termoalcalinos son entornos únicos de importancia biológica e industrial. Las aplicaciones comerciales de estos sistemas están bien documentadas y los esfuerzos actuales de bioprospección termoalcalina son amplios1. Un ejemplo exitoso es la comercialización de un conjunto de enzimas termoestables que incluyen enzimas lipolíticas e hidrolíticas2,3. De particular interés es el desarrollo de enzimas celulolíticas termoestables capaces de convertir biomasa lignocelulósica en azúcares y, en última instancia, etanol en condiciones industriales4. El potencial para desarrollar enzimas termoestables y estables en pH para aplicaciones comerciales y el interés en la ecología de estos sistemas ha llevado a una acumulación de datos filogenéticos geoquímicos y microbianos5,6,7,8.

Junto con los esfuerzos de bioprospección, la ecología termoalcalina también ha impulsado la investigación. A través de este trabajo, se ha demostrado que la temperatura es un gran impulsor de la diversidad microbiana y el aumento de las temperaturas primaverales se traduce en una disminución de la diversidad microbiana9,10,11. Los aumentos de temperatura también se han asociado con aumentos en la abundancia y diversidad de arqueas11,12. Se ha demostrado que los termófilos toleran un amplio rango de pH10,13. También se ha demostrado que el pH es un factor importante en la abundancia y diversidad en ambientes térmicos, con manantiales circunneutrales y alcalinos que sustentan poblaciones microbianas más diversas13,14. Sin embargo, estos dos factores por sí solos no explican completamente el ensamblaje de poblaciones microbianas en los sistemas térmicos15. Se ha demostrado que los manantiales termoalcalinos contienen una amplia gama de bacterias y arqueas, con varios clados comunes que residen en manantiales con geoquímica y ubicación geográfica variables9,16. Los microbios predominantes en los manantiales descritos incluyen Chloroflexi, Deinococcus, Nitrospiral, Cyanobacteria, Proteobacteria, Thermodesulfobacteria, Aquificae, Thermotague, Thermococcales y Crenarchaeota9,14,16,17.

A pesar del aumento del interés y la investigación en estos sistemas, persisten lagunas en el conocimiento2. Por ejemplo, la dinámica temporal de las poblaciones microbianas termoalcalinas a lo largo de varios años rara vez se ha investigado17,18,19 y, hasta donde sabemos, no se han realizado análisis que combinen la composición microbiana con el metaboloma intracelular y la composición de moléculas pequeñas extracelulares. Esto es especialmente cierto en el caso del muestreo invernal de aguas termales en el YNP, donde el acceso es limitado. Los desafíos asociados con el aumento del conocimiento sobre manantiales termoalcalinos incluyen el cultivo microbiano. Para confirmar el potencial metabólico específico y las contribuciones ecológicas de los microbios individuales, a menudo se requieren aislados cultivados. Los ambientes extremos, como los manantiales termoalcalinos, han presentado desafíos para los esfuerzos de aislamiento cuando se utilizan prácticas de cultivo tradicionales, especialmente con respecto a Archaea16,20. Obtener una comprensión extracelular e intracelular de los entornos termoalcalinos tiene amplias implicaciones, incluida la mejora de los esfuerzos de cultivo al proporcionar información sobre las pequeñas moléculas ambientales y las redes metabólicas.

Los manantiales termoalcalinos se pueden encontrar en varios lugares del mundo, incluido el Parque Nacional de Yellowstone (YNP), donde prevalecen1,21,22. Uno de esos grupos de manantiales en YNP incluye las aguas termales Five Sisters (FS), ubicadas en White Creek Drainage (WCD). WCD es parte de Lower Geyser Basin, la cuenca termal más grande de YNP. Las características térmicas en WCD han sido identificadas previamente como áreas que probablemente contengan ambientes distintos y dinámicos23,24. El sistema FS alberga una variedad de actividad metabólica con la fotosíntesis que ocurre en los bordes de las piscinas más frías en la primavera y el verano y una actividad heterotrófica impulsada por la degradación de la lignocelulosa6. En este estudio, se examinaron los manantiales termoalcalinos de FS a lo largo de tres años y se realizó un análisis extenso utilizando mediciones geoquímicas de alta resolución, secuenciación de la comunidad microbiana de ARNr 16S y espectrometría de masas por cromatografía líquida (LCMS) basada en la caracterización de moléculas pequeñas que permitió establecimiento de tendencias microbianas temporales y una mejor comprensión de los factores impulsores que subyacen a los cambios en la composición y el metabolismo de la población microbiana en este entorno único.

Para documentar completamente la ecología de los manantiales termoalcalinos, realizamos un análisis extenso del sistema de manantiales FS ubicado en el Parque Nacional de Yellowstone (Fig. 1a). Este sitio único consta de cinco piscinas termoalcalinas etiquetadas del 1 al 5 de este a oeste, con interconectividad variable (Fig. 1b). Se recolectaron muestras en la misma época del año durante tres años y se recolectaron datos geoquímicos, de ARNr 16S y de moléculas pequeñas. Comenzamos nuestro análisis investigando la comunidad microbiana, centrándonos en poblaciones que mostraban variación temporal. Esto reveló varios patrones microbianos, incluidas dos tendencias sorprendentes en la abundancia relativa (Fig. 2a). En primer lugar, se observó una disminución constante en la abundancia relativa de ZOTU microbianas del superfilo TACK de 2017 a 2018 y de 2018 a 2019. El segundo fue un aumento en la abundancia relativa de ZOTU de los filos bacterianos Proteobacteria y Deinococcota. Durante el transcurso del estudio, FS1 y FS5 tuvieron un marcado aumento en la abundancia relativa de Deinococcota, mientras que FS2, FS3 y FS4 tuvieron aumentos relativos en la población de Proteobacteria en 2019 (Fig. 2b). También fueron evidentes otras tendencias, como una disminución relativa de las poblaciones de Acidobacteriota en FS3, FS4 y FS5 de 2017 a 2019. Junto con una disminución pronunciada en la abundancia, la diversidad alfa de las arqueas disminuyó en cada primavera entre 2017 y 2019 utilizando un índice de Shannon (Fig. 3). La excepción a este patrón fue FS5, que mostró un aumento en la diversidad alfa en 2019. Aunque ligeramente baja, ~ 1,2 para los manantiales FS, la diversidad alfa de las arqueas fue similar a estudios anteriores11,25. El análisis del ARNr 16S indicó una comunidad microbiana diversa y elástica, junto con una disminución constante en la diversidad de arqueas de 2017 a 2019.

El muestreo se realizó en el sistema de manantial Five Sisters en White Creek Drainage en YNP. (a) Mapa de YNP que indica la ubicación de los manantiales Five Sisters al norte de Old Faithful generado con Adobe Illustrator vCC, adobe.com. (b) Imagen de los manantiales Five Sisters con las cinco piscinas etiquetadas.

Se determinaron las abundancias microbianas relativas para cada primavera de 2017 a 2019. (a) Abundancia relativa a nivel de filo de cada primavera anualmente. La composición de la población microbiana cambia durante el período de tres años. Cada panel representa un año de 2017 a 2019 con niveles de abundancia relativa de manantiales FS1-FS5. (b) Abundancia a nivel de filo a lo largo de los años para cada uno de los manantiales de las Cinco Hermanas.

La diversidad alfa microbiana se calculó utilizando un índice de Shannon para todas las primaveras de cada año. (a) Diversidad alfa bacteriana de 2017 a 2019. (b) Diversidad alfa de arqueas de 2017 a 2019. El análisis del índice de Shannon tiene en cuenta tanto la uniformidad como la riqueza de un sistema.

Luego se examinaron los conjuntos de datos geoquímicos y de moléculas pequeñas para determinar posibles impulsores de la disminución temporal y lineal de la población de arqueas. Primero exploramos los datos geoquímicos y un análisis inicial demostró qué tan consistente fue cada manantial a lo largo del estudio (Tabla 1). La temperatura y el pH no fueron significativamente diferentes entre años y otras variables geoquímicas comúnmente recolectadas, como el carbono total, mostraron pocos cambios. El análisis mediante un gráfico de puntuaciones de análisis de componentes principales bidimensional (2D-PCA) destacó la tendencia de una geoquímica similar en 2017, 2018 y 2019 (Fig. 4a). Las fluctuaciones geoquímicas anuales parecieron ser moderadas, aunque cuatro mediciones geoquímicas, incluidas las concentraciones de nitrógeno, sodio, sulfato y zinc, fueron significativamente diferentes entre los tres años utilizando un análisis ANOVA (p <0,05) (Fig. 4b). Sin embargo, los patrones de cambios de concentración entre 2017 y 2019 para estas variables no fueron lineales. Las concentraciones de nitrógeno total disminuyeron en 2018 y luego aumentaron a los niveles de 2017 en 2019 (Fig. 4b). Tanto el sodio como el zinc aumentaron en 2019 en relación con 2017, pero se mantuvieron constantes entre 2017 y 2018 para el sodio y entre 2018 y 2019 para el zinc. Las concentraciones de sulfato indicaron otro patrón separado, aumentando en 2018 y luego disminuyendo en 2019 por debajo de los niveles de 2017. Aunque no se incluye en el análisis PCA o ANOVA, la Tabla 1 también indica que la capa de nieve, que finalmente se convierte en escorrentía primaveral, fue variable entre años. Los equivalentes de agua de nieve (SWE) en 2016 fueron ligeramente inferiores al promedio, mientras que 2017 y 2018 fueron más altos de lo normal y 2018 tuvo un SWE mayor que el de 2017. La cantidad de SWE dicta la cantidad de escorrentía del año siguiente, es decir, el SWE de 2016 afectaría la primavera. escorrentía y muestras tomadas en el invierno de 2017. El análisis geoquímico del ambiente térmico indicó un sistema bastante homogéneo en el transcurso de los tres años, sin que surgiera ningún patrón claro, excepto por un aumento lineal constante en la capa de nieve anual de 2016 a 2018.

En cada evento de muestreo se completó un análisis geoquímico. (a) Gráfico de puntuaciones 2D-PCA de los cinco manantiales por año. Las regiones sombreadas indican intervalos de confianza del 95%. (b) Análisis ANOVA paramétrico unidireccional que indica características geoquímicas cuyos niveles son significativamente diferentes (valor p <0,05) entre los tres años.

Como los resultados geoquímicos no arrojaron factores probables que expliquen la disminución de la abundancia relativa de las arqueas observada en los datos del ARNr 16S, nuestro siguiente paso fue caracterizar pequeñas moléculas microbianas intracelulares utilizando LC-MS. Un análisis de pequeñas moléculas intracelulares extraídas de sedimentos celulares sugirió que se había producido una transición metabólica. Un gráfico de puntuación 2D-PCA de los perfiles metabólicos globales de moléculas pequeñas para cada año indicó un contraste en la actividad metabólica entre 2017 y 2018 y 2019 (Fig. 5a). Las moléculas pequeñas intracelulares de 2018 y 2019 mostraron algunas diferencias, pero estaban más estrechamente relacionadas que las de 2017. Un examen funcional de los perfiles metabolómicos comenzó con la identificación de metabolitos utilizando una combinación de estándares auténticos y técnicas MSMS. Luego se utilizó un análisis ANOVA para seleccionar los metabolitos identificados, lo que condujo a una lista de 77 metabolitos específicos que, según su abundancia, podrían discriminar entre 2017, 2018 y 2019 (p <0,05) (Tabla complementaria 1). Para explorar más a fondo los metabolitos identificados, se generó un mapa de calor que indicaba perfiles similares entre 2018 y 2019 en relación con 2017 (Fig. 5b). Finalmente, se realizó un análisis de ruta utilizando los metabolitos significativos y sus concentraciones relativas. Esto produjo 16 vías con un valor de p corregido por Holms <0,05 (Tabla 2). El impacto de los metabolitos identificados en cada vía también se determinó utilizando MetPA (Fig. 5c). Este análisis objetivo de las vías resaltadas reveló cinco vías significativas (p < 0,05) e impactantes (puntuación de impacto > 0,1): metabolismo de la pirimidina, metabolismo del glutamato y glutamina, metabolismo de la arginina y la prolina, metabolismo de la riboflavina y el ciclo del citrato (TCA).

Se aislaron pequeñas moléculas intracelulares y se analizaron los perfiles metabólicos. (a) PCA de las moléculas pequeñas intracelulares. Los metabolitos de 2017 se agrupan por separado de los de 2018 y 2019. Los metabolitos de 2018 y 2019 se agrupan de forma independiente, pero se superponen en los intervalos de confianza del 95 % para varias primaveras, más fuertemente en FS4 y FS5. (b) Mapa de calor de los metabolitos identificados significativos entre años determinado mediante un ANOVA (p <0,05). El año de muestreo se indica en la parte superior de la figura; cada columna representa una muestra y cada fila representa un metabolito identificado. El dendrograma en la parte superior agrupa 2018 y 2019 por separado de 2017 según la abundancia relativa de los metabolitos identificados. La figura se generó utilizando MetaboAnalyst v4.0 (c) Vías metabólicas derivadas de los metabolitos identificados con el eje y que muestra el valor p de un ANOVA de los grupos y el eje x que muestra el impacto metabólico basado en los metabolitos identificados y su papel en la ruta metabólica específica.

Las pequeñas moléculas extracelulares extraídas del sedimento mostraron una tendencia similar en la que 2017 fue marcadamente diferente a 2018 y 2019 (Fig. 6a). La variación entre años fue más pronunciada en los ambientes sedimentarios FS1 y FS5 de 2017. Debido a la composición molecular única del perfil de molécula pequeña extracelular, se determinaron fórmulas químicas en lugar de identificaciones. La exploración de fórmulas químicas para las 50 moléculas pequeñas principales que diferencian mejor los años a través de un mapa de calor indicó cambios de abundancia en especies elementales específicas que contienen nitrógeno y azufre en los sedimentos de primavera desde 2017 en relación con 2018 y 2019 (Fig. 6b). De las 50 moléculas pequeñas más discriminantes según un ANOVA, sólo dos no contenían nitrógeno ni azufre. Esto llevó a una investigación sobre las especies que contienen nitrógeno y azufre en los perfiles de moléculas pequeñas y a una tendencia general que indica una disminución en el número de compuestos únicos que contienen nitrógeno, azufre y compuestos combinados de nitrógeno y azufre en los sedimentos térmicos cada año. del estudio (Fig. 6c). Los compuestos que contienen nitrógeno mostraron una disminución del 15 % entre 2017 y 2019, mientras que los compuestos que contienen azufre mostraron una disminución del 30 % durante el mismo período. Los datos de moléculas pequeñas generados por espectrometría de masas contenían una gran cantidad de información, de la cual surgió una tendencia constante en la que el número de moléculas pequeñas extracelulares únicas que contienen nitrógeno y azufre disminuía cada año en el sistema FS.

Se aislaron moléculas pequeñas extracelulares y se analizaron los perfiles de moléculas pequeñas. (a) PCA para pequeñas moléculas extracelulares en el sedimento. 2018 y 2019 se agrupan muy estrechamente en relación con 2017. FS2-4 de 2017 se agrupan y están más cerca de 2018 y 2019 que FS1 y FS5 de 2017. (b) Mapa de calor de las 50 moléculas pequeñas más discriminantes entre 2017, 2018 y 2019. La parte superior de la figura muestra el año de cada muestra con un dendrograma que indica que 2017 se agrupa independientemente de 2018 y 2019. La figura se generó utilizando MetaboAnalyst v4.0 (c) Gráfico que muestra moléculas únicas de azufre, nitrógeno y azufre y nitrógeno. Las moléculas específicas de los elementos se muestran cada año desde 2017 hasta 2019. Las fórmulas se determinaron a partir de los conjuntos de datos de espectrometría de masas con un error de 15 ppm.

Se construyeron correlogramas para establecer si las variables estadísticamente importantes dentro de los datos del ARNr 16S se correlacionaban con las variables de los tres conjuntos de datos temporales correspondientes. Se utilizaron correlogramas para proporcionar una justificación de los posibles mecanismos de disminución de las arqueas en los manantiales de FS a lo largo del tiempo. Las 10 variables más discriminantes entre año y primavera se seleccionaron del conjunto de datos geoquímicos y se correlacionaron con la información de secuenciación del ARNr 16S (Figura 1 complementaria). Esta figura fue creada usando ZOTU pero se muestra por orden filogenético. Siete de 10 ZOTU bacterianas y arqueales exhibieron una correlación positiva significativa con las concentraciones de sulfato (Figura complementaria 1). Las concentraciones de zinc se asociaron de manera similar con un aumento en las 10 principales variables microbianas, aunque esta tendencia no fue tan pronunciada como con el sulfato. El sodio, el arsénico y el oxígeno disuelto mostraron una tendencia opuesta, con una correlación negativa con la mayoría de las ZOTU seleccionadas.

Un análisis correlativo adicional de los conjuntos de datos de moléculas pequeñas reveló fuertes relaciones entre compuestos específicos que contienen nitrógeno y azufre y Archaea, la mayoría de las cuales fueron abrumadoramente positivas (Fig. 7). No sólo casi todas las correlaciones fueron positivas, es decir, se observaron disminuciones en moléculas pequeñas específicas con disminuciones en la abundancia relativa de arqueas, sino que la mayoría de las correlaciones fueron significativas con un valor de p <0,05. Un árbol filogenético de arqueas con los 25 ZOTU principales que discriminaban entre años y que tenían correlaciones positivas con las concentraciones anuales de compuestos que contienen nitrógeno y/o azufre indicó que los ZOTU con correlaciones significativas pertenecían a dos clados separados de Archaea, los filos Aigarchaeota y Crenarchaeota, ambos en el superfilo TACK (Fig. 8)22. Este análisis indicó una relación entre pequeñas moléculas extracelulares específicas que contienen nitrógeno y azufre y distintos clados de Aigarchaeota y Crenarchaeota.

Se examinaron datos de todos los conjuntos de datos disponibles para determinar características correlativas. ( a ) Correlograma como se describe en la sección de métodos que investiga las ZOTU de arqueas y las moléculas pequeñas extracelulares que contienen azufre. ( b ) Correlograma de ZOTU de arqueas y moléculas pequeñas extracelulares que contienen nitrógeno. La intensidad del color indica la fuerza de la correlación, siendo el azul una correlación positiva y el rojo una correlación negativa. Un asterisco indica un valor p de <0,05 para la correlación. Los correlogramas se crearon utilizando el paquete mixOmics en R.

Se generó un árbol filogenético de secuencias de arqueas y en el árbol se identificaron ZOTU que se correlacionaban fuertemente con los conjuntos de datos de moléculas pequeñas extracelulares. El anillo interior está poblado por Archaea que se encuentran en el sitio Five Sisters utilizando datos metagenómicos. Las formas coloreadas en el anillo interior indican filos de especies de arqueas previamente cultivadas y caracterizadas correspondientes a las clasificaciones taxonómicas mostradas. Las secuencias de arqueas aisladas en el análisis del correlograma se indican mediante guiones rojos en el anillo exterior. La figura fue creada usando Interactive Tree of Life v6.

Este estudio se llevó a cabo para explorar las aguas termales termoalcalinas y la vida microbiana que las habita para comprender mejor la ecología y la biología de moléculas pequeñas de estos entornos únicos. El análisis descrito permitió obtener la visión más completa hasta la fecha de la vida microbiana en el sistema de manantiales FS. Nuestros datos indican que probablemente ocurrió un cambio sistémico entre 2017 y 2018 que afectó significativamente el medio ambiente y la ecología microbiana de los manantiales de FS. Las muestras de 2017 a 2018 mostraron cambios coordinados de moléculas pequeñas extracelulares, microbianas e intracelulares de moléculas pequeñas. Sin embargo, estas tendencias generales no explican completamente el patrón de disminución de las arqueas en relación con el de las poblaciones bacterianas. Este fenómeno de respuestas diferenciales entre bacterias y arqueas a un estímulo ambiental compartido ha sido observado por Pala, et al., donde los cambios contrastantes en la abundancia de arqueas y bacterias fueron el resultado de diferentes factores geoquímicos en el mismo ambiente acuoso26.

Sin embargo, las variables geoquímicas con diferencias significativas a lo largo del estudio no mostraron un patrón característico que reflejara los datos de la población de arqueas. Para descubrir un patrón correlativo para el deterioro de las arqueas, luego examinamos los perfiles de moléculas pequeñas intracelulares y extracelulares. Un examen inicial reveló un cambio global entre 2017 y 2018, lo que sugiere cambios ambientales y metabólicos en las comunidades microbianas del sistema de manantiales durante este período. Una investigación más detallada de los datos intracelulares reveló alteraciones en varias vías específicas del ciclo del nitrógeno y el azufre. Las vías que se consideraron impactantes y significativas incluyeron el metabolismo de la pirimidina, el metabolismo del glutamato y la glutamina, el metabolismo de la arginina y la prolina, el metabolismo de la riboflavina y el ciclo del citrato. Todas estas vías tienen conexiones tanto con el metabolismo energético como con el ciclo del nitrógeno, así como con otros impactos metabólicos27,28. La alteración en la abundancia de metabolitos en estas vías podría deberse o causar cambios en la abundancia de arqueas, especialmente en las vías que afectan el ciclo del nitrógeno, donde se ha demostrado que las arqueas desempeñan funciones clave29. Específicamente, Archaea tiene enzimas y vías únicas en la síntesis de riboflavina, así como en la asimilación y disimilación de nitrógeno, que podrían modular el metabolismo de los aminoácidos, así como el metabolismo de las pirimidinas y el ciclo del citrato30,31. Aunque no está clasificado como impactante en nuestro MetPA, también se encontró que el metabolismo del sulfato estaba significativamente (p < 0,05) desregulado entre años y se sabe que tiene diferentes enzimas y vías entre el metabolismo bacteriano y el de arqueas32.

Si bien el análisis inicial de moléculas pequeñas intracelulares y extracelulares demostró un cambio en el metabolismo y el ambiente primaveral entre 2017 y 2018, no explicó completamente la pérdida constante de Archaea entre 2017 y 2019. Nuestro análisis muestra que las correlaciones más fuertes con la disminución de las arqueas son a pequeñas moléculas específicas que contienen nitrógeno y azufre. Estas pequeñas moléculas disminuyeron constantemente de 2017 a 2019 y coincidieron con una disminución general en la abundancia relativa y diversidad de Archaea. Esta observación llevó a la hipótesis de que los cambios ambientales pueden inducir perfiles dispares de moléculas pequeñas con composición y estructura elemental contrastantes, lo que podría dar lugar a que los termófilos en el sistema FS adapten estrategias metabólicas a los cambios ambientales. La disponibilidad de pequeñas moléculas bioactivas conduciría entonces a un éxito diferencial de organismos específicos en el sistema FS, lo que podría explicar el cambio en la composición de la población que se produjo entre 2017 y 2019, definido por la observación de una disminución en la abundancia relativa de Archaea.

Aunque se observó una disminución general en Archaea, dos clados de Archaea exhibieron una fuerte correlación positiva con la cantidad de compuestos de nitrógeno y azufre detectados. Estas Archaea pertenecían a Aigarchaeota o Crenarchaeota, ambos miembros del superfilo TACK33. La Archaea con mayor correlación no incluía ningún miembro de los otros superphyla DPANN, Euryarchaeota o Asgard34. Muchos miembros del clado TACK han demostrado importantes funciones funcionales en los ciclos del nitrógeno y el azufre, como la oxidación de amoníaco (Thaumarchaeota), la oxidación de azufre (Crenarchaeota), el metabolismo diferente del azufre (Korarchaeota) y la reducción facultativa de nitratos (Geoarchaeota)1,29,35. 36. Las correlaciones con compuestos que contienen nitrógeno y azufre junto con rasgos metabólicos previamente descubiertos del superfilo TACK demuestran la necesidad de explorar más a fondo la relación que puede existir entre las especies de Aigarchaeota y Crenarchaeota en el sistema FS con respecto al metabolismo del nitrógeno y el azufre. En particular, Aigarchaeota37, distribuida globalmente pero aún no cultivada, se ha encontrado consistentemente en altas abundancias relativas dentro de sitios termoalcalinos dentro de Yellowstone17,38. Basado en metagenómica y ensamblajes unicelulares, este grupo tiene una alta versatilidad metabólica, incluidas vías de autotrofia, reducción de sulfitos por disimilitud y oxidación de monóxido de carbono39, así como diversidad en la utilización de sustratos de carbono, incluidos acetato, ácidos grasos y aminoácidos40, que podrían desempeñar un papel importante. papel en el ciclo de nutrientes en estos sistemas.

Si bien la disminución de las moléculas pequeñas extracelulares que contienen nitrógeno y azufre podría deberse a influencias abióticas o bióticas, Gonisor et al. concluyó que la quimiodiversidad observada en el cercano Octopus Spring probablemente no fue impulsada por microbios41. Su interpretación se basó en la baja biodiversidad de los manantiales termoalcalinos y el alto nivel de pequeñas moléculas extracelulares únicas. Una posible explicación para la pérdida de compuestos de nitrógeno y azufre es la mezcla anual diferencial de agua subterránea y superficial en los manantiales, donde la escorrentía, el agua subterránea y la capa de nieve pueden afectar la geoquímica de los manantiales y la composición de las moléculas pequeñas extracelulares41,42. En nuestro estudio, las muestras se recolectaron a finales de febrero y principios de marzo. Nuestro muestreo coincide con un escurrimiento superficial muy bajo que ocurre a finales de primavera en este sitio. La temperatura ambiente promedio durante nuestros períodos de muestreo todavía estaba muy por debajo del punto de congelación, por lo que no debería haber ocurrido un derretimiento apreciable, de modo que el ambiente del sistema de manantial debería ser estable en el momento de la recolección. Sin embargo, la cantidad de recarga de agua subterránea del año anterior puede tener un impacto significativo en la composición resultante del agua de manantial del invierno siguiente. El área alrededor de WCD tuvo una capa de nieve inusualmente alta en 2017 y 2018 (lo que afectó los datos de 2018 y 2019) en relación con los años anteriores y siguientes, según el Sistema de datos de recursos hídricos y la Oficina climática estatal de Wyoming (www.wrds.uwyo.edu). El 1 de marzo de 2017 y 2018, el equivalente en agua de nieve ascendió al 110% y al 124% de la media para la época del año, respectivamente. El equivalente de agua de nieve en 2016 fue el 88% de la mediana, lo que podría afectar los datos de 2017. Esta tendencia del SWE que indica un aumento de la capa de nieve de 2016 a 2018 se correlaciona con la pérdida de compuestos únicos que contienen nitrógeno y azufre y la disminución de las arqueas. Un análisis de correlación de Pearson encontró una fuerte correlación negativa de −0,99 entre SWE y la diversidad alfa de arqueas con un valor de p de 0,0031. Durante el aumento de las escorrentías en las temporadas 2017 y 2018 debido a la gran capa de nieve, la composición del agua termal probablemente experimentó un cambio significativo que condujo a diferencias claras en las composiciones ambientales de moléculas pequeñas. Anteriormente se había teorizado que la escorrentía de la capa de nieve modula poblaciones específicas de Archaea en aguas termales. Campbell y cols. observaron cambios temporales en las poblaciones de Sulfolobus islandicus dentro de diferentes fuentes termales en YNP que no se correlacionaron con los cambios geoquímicos medidos observados en los manantiales43. Se planteó la hipótesis de que estos cambios surgieron de la escorrentía u otras perturbaciones hidrogeoquímicas.

En conclusión, nuestro análisis ha caracterizado parte de la complejidad y el dinamismo de la ecología de los manantiales termoalcalinos. También reveló que las Archaea termófilas pueden ser sensibles a pequeñas perturbaciones ambientales. La combinación de técnicas geoquímicas estándar con un novedoso análisis de moléculas pequeñas por espectrometría de masas expuso las limitaciones de utilizar únicamente la composición elemental y mediciones geoquímicas estándar, como el oxígeno disuelto, para evaluar los cambios en sistemas ambientales complejos. El análisis de espectrometría de masas identificó cambios específicos en la composición de moléculas pequeñas que se correlacionaban con la abundancia relativa de las arqueas. Estas asociaciones se habrían pasado por alto mediante un análisis puramente geoquímico. Nuestro estudio integral reveló que entre 2017 y 2019 ocurrieron eventos ambientales, posiblemente relacionados con la capa de nieve, que cambiaron la composición de los compuestos de las aguas termales, manifestándose en transiciones de compuestos que contienen nitrógeno y azufre, correlacionándose con cambios metabólicos y una disminución relativa de Archaea.

El sitio FS (Base de datos de la Red de Coordinación de Investigación de Yellowstone LWCG023A, LWCG023B, LWCG023C) consta de un grupo de manantiales de cloruro alcalino ubicados en la esquina sureste de la Cuenca Inferior del Geyser en la WCD (44.5325°N, 110.7971°W. White Creek fluye por el drenaje y está acompañado por varios manantiales termoalcalinos, incluido Spindle Geyser (LWCG149) y dos de los sitios mejor estudiados en YNP, Octopus Spring (LWCG138) y Mushroom Spring 44. El sitio FS está ubicado a pocos metros al sur de White Creek contra un colina muy inclinada y consta de tres manantiales y cinco piscinas distintas (FS1-FS5). FS1 es alimentado por un pequeño géiser y está conectado sobre el suelo con FS2 y FS3. No hay una conexión visible sobre el suelo entre FS3 y FS4, aunque puede haber conectividad subterránea entre los dos manantiales. FS4 y FS5 están conectados sobre el suelo y el flujo de salida de FS5 continúa lejos del grupo de manantiales y desemboca en White Creek. FS1 es el manantial más grande con varios metros de ancho y profundidad, seguido por FS5 , FS3, FS2 y FS4.

Las muestras se recolectaron dentro de una semana del primer día de marzo en 2017, 2018 y 2019. Al tomar muestras en la misma época del año, este análisis permitió una visión a largo plazo de los cambios no estacionales en una primavera termoalcalina. Se utilizaron copas de acero inoxidable sobre postes extensibles para recolectar muestras de cada manantial. Las copas se esterilizaron con etanol al 70% antes de cada viaje de muestreo, primero se enjuagaron con agua de manantial y luego se usaron para recolectar una pequeña cantidad de lodo de sedimento. Las muestras se recolectaron por triplicado y se tomaron en tres ubicaciones ubicadas distantes dentro de cada manantial con submuestras pareadas para metacódigos de barras y análisis de espectrometría de masas recolectadas en cada ubicación de muestreo. Se utilizaron los mismos sitios de muestreo dentro de cada manantial durante los tres años del análisis. Se recogieron 15 ml de suspensión de sedimento para cada muestra, que estaba compuesta por ~ 8 ml de sedimento con ~ 7 ml de agua termal. Las muestras recolectadas se colocaron en tubos de centrífuga cónicos estériles de 15 ml (Corning, Corning, NY). Las muestras de suspensión se congelaron inmediatamente en un baño de hielo seco y etanol en el campo y se almacenaron en hielo seco hasta su transporte a la Universidad Estatal de Montana (MSU) y se almacenaron a -80 °C hasta el análisis genómico o LCMS.

La geoquímica acuosa fue monitoreada con cada evento de muestreo. Brevemente, la temperatura y el pH de cada sitio se midieron in situ utilizando una sonda combinada de pH y temperatura (Hach HQ30d, Hach Co., Loveland, CO). El oxígeno disuelto se midió en el campo utilizando el método de oxígeno disuelto de rango alto y un colorímetro portátil (Hach DR900, Hach Co., Loveland, CO) (HELM). Los metales disueltos totales se analizaron utilizando agua esterilizada con filtro de 0,22 µm acidificada con ácido nítrico de calidad para trazas de metales al 5 %. Las concentraciones de metales totales se cuantificaron utilizando un ICP-MS Agilent 7500ce comparándolo con estándares certificados (Agilent Technologies, Estándar de calibración ambiental 5183–4688) en las Instalaciones de espectrometría de masas de biopelículas y medio ambiente de MSU. Las muestras para el análisis de aniones se filtraron a través de filtros de 0,22 µm y el filtrado se analizó utilizando un sistema de cromatografía Dionex ICS-1100 (Dionex Corp., Sunnyvale, CA) equipado con un circuito de inyección de 25 µL y un sistema de intercambio aniónico AS22-4 × 250 mm. columna, utilizando una concentración de eluyente de 4,5 mmol/L de carbonato de sodio y 1,4 mmol/L de bicarbonato de sodio que fluye a una velocidad de 1,2 ml/min. Se filtraron muestras de carbono total (TC), nitrógeno total (TN), carbono orgánico no purgable (NPOC) y carbono inorgánico disuelto (IC) a través de filtros de 0,22 µm, y el filtrado se depositó en viales de vidrio ceniza llenos sin espacio de cabeza y rematado con un tabique. Se utilizó un instrumento Shimadzu TOC-CSH con un módulo TN adjunto (Shimadzu Scientific Instruments, Columbia, MD) para medir TC/TN/NPOC/IC en el Laboratorio de Análisis Ambiental (EAL) de MSU. Las muestras filtradas acidificadas con ácido sulfúrico (pH final <2) también se enviaron al EAL para el análisis de amonio utilizando un analizador de inyección de flujo Lachat QuickChem 8500 (Hach Co., Loveland, CO).

Se tomaron muestras de cada primavera por triplicado cada año del estudio y cada una de estas muestras se utilizó para el análisis de metabarcodes. El ADN se extrajo de cada réplica utilizando el kit FastDNA™ Spin Kit for Soil (MP Biomedicals) de acuerdo con las instrucciones del fabricante, con un paso adicional de batido de perlas de 40 s. La región V4 del gen 16S rRNA se apuntó utilizando las últimas versiones de los cebadores 515F-80R45, 515F-A (GTGYCAGCMGCCGCGGTAA;46) y 806R-B ​​(GGACTACNVGGGTWTCTAAT;47) utilizando la polimerasa Phusion Hot Start II Hi Fidelity en reacciones de 25 ul. . Estos cebadores son los más ampliamente aceptados en el campo de la ecología microbiana46,47,48 y se ha encontrado consistentemente que tienen poder discriminatorio y bajo sesgo contra grupos taxonómicos específicos49. Las condiciones de termociclado fueron una desnaturalización inicial a 98 °C por 30 s, 22 ciclos de desnaturalización a 98 °C por 15 s, recocido a 58 °C por 30 s, extensión a 72 °C por 20 s, con una extensión final a 72 ° C durante 5 min. Para facilitar la multiplexación, se agregaron códigos de barras de doble índice en una segunda PCR utilizando el kit Nextera (Illumina Inc.) con 10 ciclos como se indicó anteriormente, pero con una temperatura de recocido de 55 °C. Las reacciones de PCR se cuantificaron utilizando el kit Quant-It HS dsDNA (Invitrogen) y se midieron utilizando un lector de placas Biotek H2. Las reacciones se agruparon en concentraciones iguales y se secuenciaron en un MiSeq utilizando kits de ciclo V3 de 600.

Se fusionaron lecturas de extremos emparejados, se eliminaron los cebadores y las secuencias se filtraron por calidad con una tasa de error esperada de 0,5 utilizando USEARCH versión 1150,51. Las unidades taxonómicas operativas (OTU) se identificaron utilizando UNOISE versión 3, que identifica secuencias biológicas agrupadas en OTU de radio cero (ZOTU), similares a las variantes de secuencia de amplicones. Las tablas ZOTU se generaron mapeando lecturas a secuencias ZOTU representativas. La taxonomía de ZOTU se identificó utilizando el clasificador en línea IDTAXA mediante DECIPHER versión 2.20.0 (http://DECIPHER.codes)52. Las secuencias de arqueas se agregaron a un árbol de referencia generado utilizando secuencias 16S completas y casi completas descargadas de GenBank y la base de datos de Genome Taxonomy53. Las secuencias se alinearon usando MAFFT versión 7.487 y la filogenia de referencia se construyó usando máxima verosimilitud con RAxML versión 8.054,55. Las secuencias ambientales se alinearon con la referencia y se agregaron al árbol usando pplacer, versión 1.1 y los árboles combinados se anotaron usando el Interactive Tree of Life versión 6 (http:www.itol.embl.de)56,57. El análisis estadístico se realizó explorando los datos de abundancia relativa de 16S rRNA ZOTU utilizando MicrobiomeAnalyst para determinar las tendencias microbianas específicas del año y la primavera58.

De manera similar al análisis de metabarcodes, se utilizaron tres muestras recolectadas de cada primavera para cada análisis anual. El análisis de todas las muestras anuales se realizó al mismo tiempo. Las muestras de sedimento se extrajeron mediante varios métodos, lo que dio como resultado fracciones de moléculas pequeñas que se caracterizaron mediante análisis LCMS. La extracción comenzó descongelando las muestras congeladas en un baño de agua a 40 °C. Los microbios se desalojaron mediante dos rondas de agitación de 1 minuto en una máquina de vórtice. No se encontró que la agitación adicional aumentara el rendimiento de moléculas pequeñas intercelulares. Luego, las muestras bien mezcladas se centrifugaron durante 5 minutos a 400 RPM para crear un sedimento. Luego se recogió el sobrenadante transparente y se colocó en un vial limpio y se repitió el procedimiento con la adición de 5 ml de agua de lavado Milli-Q. Se añadió sobrenadante de lavado al sobrenadante original libre de sedimentos. Luego, el sobrenadante combinado se centrifugó a 10.000 RPM durante 15 minutos para crear un sedimento celular. El sobrenadante se recogió en un vial limpio para el análisis de extracción en fase sólida extracelular (SPE) y se añadió suficiente solución tampón fosfato (1X PBS) al sedimento celular para cubrir completamente el sedimento.

Primero se acidificó la capa extracelular a un pH de 2 usando ácido fórmico (Fisher Chemical, Hampton, ND) y se prepararon cartuchos de extracción en fase sólida Agilent Bond Elut PPL (Agilent Technologies, Santa Clara, CA). La preparación implicó dos adiciones de volumen de cartucho de metanol (Fisher Chemical, Hampton, NH) seguidas de dos adiciones de volumen de cartucho de agua Milli-Q y una adición de volumen final de metanol al cartucho. Luego, los cartuchos de SPE se conectaron a un colector de SPE (VacMaster 10, Biotage, Uppsala, Suecia) y una bomba de vacío para concentrar y aislar selectivamente moléculas pequeñas extracelulares. Se pasaron muestras acidificadas a través de los cartuchos y luego se colocaron bajo N2 hasta sequedad. Se colocaron viales limpios debajo de los cartuchos y las pequeñas moléculas extracelulares capturadas se eluyeron utilizando 1 ml de metanol. Las moléculas pequeñas extracelulares se concentraron aún más bajo presión negativa usando un Concentrator Plus (Eppendorf, Hamburgo, Alemania) hasta que se secaron y luego se almacenaron a -80 °C hasta que estuvieron listas para el análisis por LCMS.

El vial que contenía el sedimento celular se centrifugó a 400 RPM y se eliminó el sobrenadante de PBS. Se agregaron dos volúmenes de sedimento celular de tampón de extracción que consistían en urea 8 M (Fisher Chemical, Hampton, NH), Tris-HCL 0,1 M (MilliporeSigma, Munich, Alemania), ácido etilendiaminotetraacético (EDTA) 50 mM (MilliporeSigma, Munich, Alemania). y mezcla de inhibidor de proteasa 1X (MilliporeSigma, Munich, Alemania). A continuación se lisaron los sedimentos celulares en un procedimiento de dos partes. Primero, los sedimentos celulares en tampón de extracción se colocaron en nitrógeno líquido durante 10 s, luego se retiraron y se dejaron descongelar. Este procedimiento fue repetido tres veces. Después del procedimiento de congelación/descongelación, los sedimentos celulares se sometieron a dos rondas de sonicación utilizando un homogeneizador ultrasónico 3000 de Biologics Inc. (Bioloics, Manassas, VA) configurado en un ciclo de trabajo del 40 % durante 3 minutos.

Después de la lisis celular, las muestras intracelulares se centrifugaron a 15.000 RPM durante 30 minutos para sedimentar los restos celulares. El sobrenadante resultante se eliminó y se colocó en un vial limpio mientras los restos se lavaban con la adición de 50 µl de tampón de extracción. Después de agitar los desechos con una máquina de vórtice, las muestras se centrifugaron a 15.000 durante 30 minutos. Se eliminó nuevamente el segundo sobrenadante y se añadió al vial que contenía el primer sobrenadante. Luego se agregaron cuatro volúmenes de muestra de acetona helada (Fisher Chemical, Hampton, NH) para precipitar la proteína. Las muestras se colocaron en un congelador a -80 °C durante 2 h para ayudar a la formación del precipitado. Después de 2 h, las muestras se centrifugaron a 5000 RPM durante 5 min y el sobrenadante intracelular se recogió y se colocó en un vial limpio. Al igual que con la capa de molécula pequeña extracelular, la capa de molécula pequeña intracelular se concentró bajo presión negativa hasta sequedad y se almacenó a -80 °C hasta el análisis por LCMS. Cuando estuvieron listas para el análisis por LCMS, las muestras de moléculas pequeñas tanto intracelulares como extracelulares se reconstituyeron con 50 µl de metanol:agua (50:50) y se colocaron en viales de MS limpios.

Las muestras se analizaron en un Agilent 6538 Q-TOF MS emparejado con una cromatografía líquida de ultra alto rendimiento (UHPLC) Agilent 1290 (Agilent Technologies, Santa Clara, CA) utilizando un hidruro de diamante Cogent de 132 Å, 2,2 μm, 2,1 mm × 150 mm. Columna de HPLC (Microsolv, Greater Wilmington, NC) ubicada en las instalaciones de Proteómica, Metabolómica y Espectrometría de Masas de MSU. La ionización se logró mediante ionización por electropulverización en modo positivo. Las fases móviles A y B consistieron en agua con 0,1% de ácido fórmico y acetonitrilo con 0,1% de ácido fórmico, respectivamente. Se utilizó un tiempo de ejecución de UHPLC de 15 minutos, comenzando con 100% de fase móvil B y pasando a 30% de B en un gradiente lineal durante 14 minutos. A los 14 minutos, la fase móvil B se incrementó nuevamente al 100 % para el último minuto de la ejecución de UHPLC. El flujo se mantuvo a 600 µl/min y la temperatura del compartimento de la columna fue constante a 30 °C. Las muestras se ionizaron mediante ionización por electropulverización con un voltaje capilar de 3500 V y una temperatura de fuente de 150 °C con nitrógeno como gas de desolvatación a 350 °C. Se recogió una variedad de espectros de 50 a 1000 m/z. Se analizaron muestras agrupadas durante todo el análisis y se observó su continuidad durante el análisis de la muestra. También se utilizaron muestras agrupadas para calcular coeficientes de variación a partir de concentraciones de metabolitos de un grupo seleccionado al azar y se calculó un valor medio del 4,8%.

Los archivos de datos sin procesar LCMS se convirtieron a archivos .mzML usando MSConvert versión 3.0 con selección de picos de proveedores y la extracción de datos se completó usando mzMine versión 2.5359,60. Se utilizó una intensidad mínima de 1000 cuentas durante todo el proceso de extracción junto con un error de ppm de 20 y una discrepancia de tiempo de 0,1 min para determinar picos únicos. Las fórmulas moleculares se determinaron utilizando la función de identificación de generación de fórmulas de mzMine con un error de 15 ppm. Para validar las asignaciones de fórmulas moleculares y la presencia de nitrógeno y azufre, se examinaron las características de MS de 50 moléculas pequeñas (Tablas complementarias 2 y 3). Cada una de estas características de moléculas pequeñas se seleccionó en la siguiente sección de correlaciones estadísticas y todas las fórmulas moleculares orgánicas posibles se derivaron utilizando el valor m/z y un límite de 15 ppm61. El 79% de las fórmulas posibles para los valores m/z del grupo de azufre predicho contenían azufre. El nitrógeno fue aún más consistente, ya que el 89% de las fórmulas posibles incluían nitrógeno. Aunque varias fórmulas fueron posibles para muchos de los valores de masa m/z medidos por LCMS, la presencia de nitrógeno o azufre fue consistente en la mayoría de las posibles asignaciones de fórmulas.

Después de la extracción de datos, se utilizaron muestras en blanco para eliminar características residuales de los conjuntos de datos. Las características sólo se mantuvieron en los datos experimentales si tenían un área cinco veces mayor que la muestra en blanco. Utilizando este método, se encontraron casi 5.000 características combinadas en las muestras de moléculas pequeñas extracelulares y casi 3.200 características en las muestras de moléculas pequeñas intracelulares combinadas. La identificación de metabolitos se basó en coincidencias precisas de masa y tiempo de retención con estándares auténticos de una biblioteca interna. La biblioteca interna contenía más de 400 metabolitos analizados en la misma columna LC, instrumento y método que el análisis de la muestra. Se utilizó un error de 15 ppm y una ventana de tiempo de retención de 0,25 minutos para anotar características positivamente. Luego, los conjuntos de datos se agruparon y analizaron utilizando MetaboAnalyst versión 4.0 (http:www.metaboanalyst.ca)62. Las características se eliminaron, si no, en más del 50% de las muestras. A continuación, los datos se filtraron utilizando su valor de rango intercuartil y se normalizaron mediante suma y escala automática. El análisis de la vía también se completó en MetaboAnalyst utilizando un valor p de Holms (p <0,05) para determinar la importancia de cada vía. El valor p de Holms es un valor corregido que tiene en cuenta comparaciones múltiples. También se calculó una puntuación del Análisis de la vía metabólica (MetPA) (puntuación de impacto > 0,1) para dilucidar objetivamente las vías impactantes en función de la importancia de los metabolitos identificados en cada vía específica63,64.

Los conjuntos de datos geoquímicos, de ARNr 16S, de moléculas pequeñas intracelulares y extracelulares se compararon mediante correlogramas. Los correlogramas identifican variables que discriminan grupos, en este caso por año, y luego calculan la fuerza y ​​la significación estadística de la correlación. Este análisis se realizó utilizando los paquetes Bioconductor v3.15 y mixOmics v6.1 en R (http:www.bioconductor.org) (http:www.mixOmics.org)65,66. Se compararon dos conjuntos de datos a la vez y las principales características discriminantes se determinaron mediante un análisis discriminante de mínimos cuadrados parciales (PLS-DA). Luego se compararon las características principales de cada conjunto de datos entre primaveras y años para determinar su relación correlativa. También se realizó un análisis ANOVA para cada relación para determinar la importancia de la correlación.

Los datos de secuencia de nucleótidos informados en este estudio están disponibles en la base de datos MG-RAST con el número de acceso mgm4929532.3 [www.mgrast.org/mgmain.html?mgpage=project&project=mgp98643]. Los datos de moléculas pequeñas y metabolómica informados en este estudio están disponibles en la base de datos MetaboLights con el identificador MTBLS5344 [www.ebi.ac.uk/metabolights/MTBLS5344].

Mueller, RC y cols. Una visión emergente de la diversidad, ecología y función de Archaea en ambientes hidrotermales alcalinos. Microbiol FEMS. Ecológico. 97, fiaa246 (2020).

Artículo de Google Scholar

López-López, O., Cerdán, M.-E. & González-Siso, M.-I. Thermus thermophilus como fuente de enzimas lipolíticas termoestables. Microorganismos 3, 792–808 (2015).

Artículo PubMed PubMed Central Google Scholar

Sahay, H. y col. Aguas termales del Himalaya indio: fuentes potenciales de diversidad microbiana y enzimas hidrolíticas termoestables. 3 Biotecnología 7, 118 (2017).

Artículo PubMed PubMed Central Google Scholar

Patel, AK, Singhania, RR, Sim, SJ y Pandey, A. Celulasas termoestables: estado actual y perspectivas. Bioresour Technol 279, 385–392 (2019).

Artículo CAS PubMed Google Scholar

Decastro, M.-E., Rodríguez-Belmonte, E. & González-Siso, M.-I. Metagenómica de termófilos con especial atención al descubrimiento de nuevas termozimas. Frente. Microbiol. 7, 1521-1521 (2016).

Artículo PubMed PubMed Central Google Scholar

Meslé, MM et al. Aislamiento y caracterización de geobacillus thermoleovorans que degradan la lignocelulosa del Parque Nacional de Yellowstone. Aplica. Reinar. Microbiol. 88, e0095821 (2022).

Artículo PubMed Google Scholar

Verma, P., Yadav, AN, Shukla, L., Saxena, AK y Suman, A. Producción de enzimas hidrolíticas por Bacillus altitudinis IARI-MB-9 termotolerante y Gulbenkiania mobilis IARI-MB-18 aislados de las aguas termales de Manikaran. En t. J. Adv. Res. 3, 1241-1250 (2015).

CAS Google Académico

Wu, B. y col. Metabolismo microbiano del azufre e implicaciones ambientales. Ciencia. Medio ambiente total. 778, 146085 (2021).

Artículo ADS CAS PubMed Google Scholar

Lavrentyeva, EV et al. Diversidad bacteriana y actividad funcional de comunidades microbianas en aguas termales de la zona del Rift del Baikal. Microbiología 87, 272–281 (2018).

Artículo CAS Google Scholar

Miller Scott, R., Strong Aaron, L., Jones Kenneth, L. y Ungerer Mark, C. La pirosecuenciación con código de barras revela propiedades compartidas de la comunidad bacteriana a lo largo de los gradientes de temperatura de dos aguas termales alcalinas en el Parque Nacional de Yellowstone. Aplica. Reinar. Microbiol. 75, 4565–4572 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sharp, CE y cols. Spa de Humboldt: la diversidad microbiana está controlada por la temperatura en ambientes geotérmicos. ISME J. 8, 1166-1174 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Stefanova, K. y col. Diversidad de arqueas y bacterias en dos aguas termales de regiones geotérmicas de Bulgaria, como lo demuestran los genes 16S rRNA y GH-57. En t. Microbiol. 18, 217–223 (2015).

CAS PubMed Google Académico

Hou, W. y col. Un censo completo de diversidad microbiana en aguas termales de Tengchong, provincia de Yunnan, China, utilizando pirosecuenciación del gen 16S rRNA. MÁS UNO 8, e53350 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sahm, K. y col. Alta abundancia de procariotas heterótrofos en manantiales hidrotermales de las Azores, según lo revelado por una red de métodos basados ​​en el gen 16S rRNA. Extremófilos 17, 649–662 (2013).

Artículo CAS PubMed Google Scholar

Purcell, D. y col. Los efectos de la temperatura, el pH y el sulfuro en la estructura comunitaria de serpentinas hipertermófilas en aguas termales del norte de Tailandia. Microbiol FEMS. Ecológico. 60, 456–466 (2007).

Artículo CAS PubMed Google Scholar

Meyer-Dombard, DR & Amend, JP Geoquímica y ecología microbiana en aguas termales alcalinas de la isla Ambitle, Papua Nueva Guinea. Extremófilos 18, 763–778 (2014).

Artículo CAS PubMed Google Scholar

de Leon, KB, Gerlach, R., Peyton, BM & Fields, MW Comunidades arqueológicas y bacterianas en tres aguas termales alcalinas en Heart Lake Geyser Basin, Parque Nacional de Yellowstone. Frente. Microbiol. 4, 10 (2013).

Google Académico

Boomer, SM, Noll, KL, Geesey, GG & Dutton, BE Formación de biopelículas fotosintéticas multicapa en una fuente termal alcalina en el Parque Nacional Yellowstone, Wyoming. Aplica. Reinar. Microbiol. 75, 2464–2475 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wang, S. y col. Mayores cambios temporales de la comunidad microbiana de sedimentos que su contraparte transmitida por el agua en las aguas termales de Tengchong, provincia de Yunnan, China. Ciencia. Rep. 4, 7479 (2014).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sun, Y., Liu, Y., Pan, J., Wang, F. y Li, M. Perspectivas sobre las estrategias de cultivo de arqueas. Microbio. Ecológico. 79, 770–784 (2020).

Artículo PubMed Google Scholar

Brock, TD Vida a altas temperaturas. Ciencia 158, 1012 (1967).

Artículo ADS CAS PubMed Google Scholar

Christiansen, RL El campo volcánico de la meseta de Yellowstone del Cuaternario y Plioceno de Wyoming, Idaho y Montana. Papel profesional (2001).

Rowe, JJ, Fournier, R. & Morey, G. Análisis químico de aguas termales en el Parque Nacional Yellowstone, Wyoming, 1960–65. USGS https://doi.org/10.3133/b1303 (1973).

Artículo de Google Scholar

Fournier, R., Thompson, MJ y Hutchinson, RA La geoquímica de las aguas termales en Norris Geyser Basin, Parque Nacional de Yellowstone. Simposio internacional sobre interacciones agua-roca (1992).

Podar, PT, Yang, Z., Björnsdóttir, SH y Podar, M. Análisis comparativo de la diversidad microbiana en gradientes de temperatura en aguas termales de Yellowstone e Islandia. Frente. Microbiol. 11, 1625 (2020).

Artículo PubMed PubMed Central Google Scholar

Pala, C. et al. Impulsores ambientales que controlan la abundancia de bacterias y arqueas en los sedimentos de un ecosistema de laguna mediterránea. actual. Microbiol. 75, 1147-1155 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Foyer, CH, Noctor, G. & Hodges, M. Respiración y asimilación de nitrógeno: apuntar al metabolismo asociado a las mitocondrias como un medio para mejorar la eficiencia del uso del nitrógeno. J. Exp. Bot. 62, 1467-1482 (2011).

Artículo CAS PubMed Google Scholar

Ershanovich, VN et al. Enzimas de asimilación de nitrógeno en mutantes de Bacillus subtilis con hiperproducción de riboflavina. Mol. General Microbiol. Virusol. 2005(3), 29–34 (2005).

Google Académico

Offre, P., Spang, A. y Schleper, C. Archaea en ciclos biogeoquímicos. Annu Rev Microbiol 67, 437–457 (2013).

Artículo CAS PubMed Google Scholar

Cabello, P., Roldán, MD & Moreno-Vivian, C. Reducción de nitratos y ciclo del nitrógeno en arqueas. Microbiología 150, 3527–3546.

Artículo CAS PubMed Google Scholar

Graupner, M., Xu, H. & White, RH El paso de la pirimidina nucleótido reductasa en la biosíntesis de riboflavina y F(420) en arqueas procede por la ruta eucariota hacia la riboflavina. J. Bacteriol. 184, 1952-1957 (2002).

Artículo CAS PubMed PubMed Central Google Scholar

Chernyh, NA et al. La reducción disimilatoria de sulfato en la arqueona "Candidatus Vulcanisaeta moutnovskia" arroja luz sobre la evolución del metabolismo del azufre. Nat. Microbiol. 5, 1428-1438 (2020).

Artículo CAS PubMed Google Scholar

Castelle, CJ y Banfield, JF Los nuevos grupos microbianos importantes amplían la diversidad y alteran nuestra comprensión del árbol de la vida. Celda 172, 1181-1197 (2018).

Artículo CAS PubMed Google Scholar

Williams, TA y cols. El modelado integrador de la evolución de genes y genoma arraiga el árbol de la vida arqueal. Proc. Nacional. Acad. Ciencia. Estados Unidos 114, E4602–E4611 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Guy, L. & Ettema, TJG El superfilo arqueal 'TACK' y el origen de los eucariotas. Tendencias Microbiol. 19, 580–587 (2011).

Artículo CAS PubMed Google Scholar

Wang, Y., Wegener, G., Hou, J., Wang, F. y Xiao, X. Ampliación del metabolismo de los alcanos anaeróbicos en el dominio de Archaea. Nat. Microbiol. 4, 595–602 (2019).

Artículo CAS PubMed Google Scholar

Hedlund, BP y cols. Termófilos incultos: estado actual y atención a 'Aigarchaeota'. actual. Opinión. Microbiol. 25, 136-145 (2015).

Artículo CAS PubMed Google Scholar

Reichart, Nueva Jersey y otros. La clasificación de células basada en la actividad revela respuestas de arqueas y bacterias no cultivadas a la enmienda del sustrato. ISME J. 14, 2851–2861 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Hua, Z.-S. et al. Inferencia genómica del metabolismo y evolución del filo arqueal Aigarchaeota. Nat. Comunitario. 9, 2832 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Haz, JP et al. Ecofisiología de un linaje no cultivado de Aigarchaeota de una comunidad de “serpentinas” filamentosas de aguas termales óxicas. ISME J. 10, 210–224 (2016).

Artículo CAS PubMed Google Scholar

Gonsior, M. et al. Las aguas termales de Yellowstone son puntos calientes de quimiodiversidad orgánica. Ciencia. Rep. 8, 14155 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Gibson, ML & Hinman, NW Mezcla de agua hidrotermal y agua subterránea cerca de fuentes termales, Parque Nacional de Yellowstone (EE. UU.): Hidrología y geoquímica. Hidrogeol. J. 21, 919–933 (2013).

Artículo ADS CAS Google Scholar

Campbell, KM y cols. Metapoblaciones de Sulfolobus islandicus en las aguas termales del Parque Nacional Yellowstone. Reinar. Microbiol. 19, 2334–2347 (2017).

Artículo PubMed Google Scholar

Thiel, V. y col. El lado oscuro de la estera microbiana de la primavera de los hongos: la vida a la sombra de los clorofotótrofos. I. Diversidad microbiana basada en amplicones del gen 16S rRNA y secuenciación metagenómica. Frente. Microbiol. 7, 919 (2016).

Artículo PubMed PubMed Central Google Scholar

Caporaso, JG et al. Patrones globales de diversidad de ARNr 16S a una profundidad de millones de secuencias por muestra. Proc. Nacional. Acad. Ciencia. Estados Unidos 108, 4516–4522 (2011).

Artículo ADS CAS PubMed Google Scholar

Parada, AE, Needham, DM y Fuhrman, JA Cada base importa: evaluación de cebadores de ARNr de subunidades pequeñas para microbiomas marinos con comunidades simuladas, series temporales y muestras de campo globales. Reinar. Microbiol. 18, 1403-1414 (2016).

Artículo CAS PubMed Google Scholar

Apprill, A., McNally, S., Parsons, R. y Weber, L. La revisión menor del cebador del gen SSU rRNA 806R de la región V4 aumenta en gran medida la detección del bacterioplancton SAR11. Agua. Microbio. Ecológico. 75, 129-137 (2015).

Artículo de Google Scholar

Thompson, LR y cols. Un catálogo comunitario revela la diversidad microbiana multiescala de la Tierra. Naturaleza 555, 457–463 (2017).

ADS del artículo Google Scholar

Eloe-Fadrosh, EA, Ivanova, NN, Woyke, T. y Kyrpides, NC Metagenómica descubre lagunas en la detección de diversidad microbiana basada en amplicones. Nat. Microbiol. 1, 15032 (2016).

Artículo CAS PubMed Google Scholar

Edgar, RC Búsqueda y agrupación de órdenes de magnitud más rápido que BLAST. Bioinformática 26, 2460–2461 (2010).

Artículo CAS PubMed Google Scholar

Edgar, RC UNOISE2: Corrección de errores mejorada para Illumina 16S y secuenciación de amplicones ITS. BioRxiv https://doi.org/10.1101/081257 (2016).

Artículo de Google Scholar

Murali, A., Bhargava, A. & Wright, ES IDTAXA: un enfoque novedoso para una clasificación taxonómica precisa de secuencias de microbiomas. Microbioma 6, 140 (2018).

Artículo PubMed PubMed Central Google Scholar

Parques, DH et al. Una taxonomía completa de dominio a especie para bacterias y arqueas. Nat. Biotecnología. 38, 1079–1086 (2020).

Artículo CAS PubMed Google Scholar

Katoh, K. & Standley, DM Software de alineación de secuencias múltiples MAFFT versión 7: mejoras en el rendimiento y la usabilidad. Mol. Biol. Evolución. 30, 772–780 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Stamatakis, A. RAxML versión 8: una herramienta para el análisis filogenético y el posanálisis de grandes filogenias. Bioinformática 30, 1312-1313 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Letunic, I. & Bork, P. Interactive Tree Of Life (iTOL) v5: una herramienta en línea para la visualización y anotación de árboles filogenéticos. Ácidos nucleicos res. 49, W293–W296 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Matsen, FA, Kodner, RB y Armbrust, EV pplacer: Máxima verosimilitud en tiempo lineal y colocación filogenética bayesiana de secuencias en un árbol de referencia fijo. Bioinformación de BMC. 11, 538 (2010).

Artículo de Google Scholar

Chong, J., Liu, P., Zhou, G. y Xia, J. Uso de MicrobiomeAnalyst para un metanálisis estadístico, funcional y completo de datos del microbioma. Nat. Protocolo. 15, 799–821 (2020).

Artículo CAS PubMed Google Scholar

Cámaras, MC y col. Un conjunto de herramientas multiplataforma para espectrometría de masas y proteómica. Nat. Biotecnología. 30, 918–920 (2012).

Artículo CAS PubMed PubMed Central Google Scholar

Pluskal, T., Castillo, S., Villar-Briones, A. & Oresic, M. MZmine 2: Marco modular para procesar, visualizar y analizar datos de perfiles moleculares basados ​​en espectrometría de masas. Bioinformación de BMC. 11, 395 (2010).

Artículo de Google Scholar

Patiny, L. & Borel, A. ChemCalc: un componente básico para la infraestructura química del mañana. J. química. inf. Modelo. 53, 1223-1228 (2013).

Artículo CAS PubMed Google Scholar

Chong, J., Wishart, DS y Xia, J. Uso de MetaboAnalyst 4.0 para un análisis de datos metabolómicos integral e integrador. actual. Protocolo. Bioinformar. 68, e86 (2019).

Artículo de Google Scholar

Liu, G., Lee, DP, Schmidt, E. & Prasad, GL El análisis de la ruta de los perfiles metabólicos globales identificó un enriquecimiento del metabolismo de la cafeína, la energía y la arginina en los fumadores, pero no en los consumidores de rapé húmedo. Bioinformar. Biol. Perspectivas 13, 1177932219882961–1177932219882961 (2019).

Artículo PubMed PubMed Central Google Scholar

Xia, J. & Wishart, DS MetPA: una herramienta metabolómica basada en web para el análisis y visualización de vías. Bioinformática 26, 2342–2344 (2010).

Artículo CAS PubMed Google Scholar

Huber, W. y col. Orquestación de análisis genómicos de alto rendimiento con Bioconductor. Nat. Métodos 12, 115-121 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Rohart, F., Gautier, B., Singh, A. y Lé Cao, K.-A. mixOmics: un paquete R para la selección de funciones ómicas y la integración de múltiples datos. Computación PLoS. Biol. 13, e1005752–e1005752 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Descargar referencias

Los autores desean agradecer al Servicio de Parques Nacionales por permitirnos gentilmente tomar muestras en YNP (permiso YELL-2017-SCI-5480 a YELL-2020-SCI-5480). También nos gustaría agradecer a Jesse Thomas y Ganesh Balasubramanian del Centro de Proteómica, Metabolómica y Espectrometría de Masas de la Universidad Estatal de Montana por su experiencia. Agradecemos a la Fundación WM Keck por proporcionar financiación para esta investigación.

Este artículo fue financiado por el Instituto Nacional de Ciencias Médicas Generales (P20GM103474), los Institutos Nacionales de Salud (S10OD28650), la Fundación Nacional de Ciencias (CHE1852214) y la Fundación WM Keck.

Departamento de Química y Bioquímica, Universidad Estatal de Montana, Bozeman, MT, 59717, EE. UU.

Jesse T. Peach, Sutton Kanta, Eric Boltinghouse, Bailey Sharon, Valerie Copié y Brian Bothner

Instituto de Biología Térmica, Universidad Estatal de Montana, Bozeman, MT, 59717, EE. UU.

Rebecca C. Mueller, Dana J. Skorupa, Margaux M. Mesle, Brian Bothner y Brent M. Peyton

Departamento de Ingeniería Química y Biológica, Centro de Ingeniería de Biopelículas, Universidad Estatal de Montana, Bozeman, MT, 59717, EE. UU.

Rebecca C. Mueller, Dana J. Skorupa, Margaux M. Mesle y Brent M. Peyton

Departamento de Ingeniería Biológica y Química, Universidad Estatal de Montana, Bozeman, MT, 59717, EE. UU.

Brent Peyton

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

JP concibió el estudio, recopiló muestras para el análisis de EM, realizó la extracción y el análisis de moléculas pequeñas, realizó el análisis de EM, interpretó la EM y recopiló los datos del análisis y escribió el manuscrito. RM recolectó muestras, realizó el análisis 16S y ayudó con la preparación del manuscrito. DS recolectó muestras, realizó el análisis geoquímico y ayudó con la preparación del manuscrito. MM recolectó muestras y ayudó con la preparación del manuscrito. SK recolectó muestras y realizó extracciones de moléculas pequeñas. EB realizó las extracciones de moléculas pequeñas. BS recogió muestras y realizó extracciones de moléculas pequeñas. VC concibió el estudio y ayudó con la preparación del manuscrito. BB concibió el estudio, interpretó los resultados y ayudó con la preparación del manuscrito. BP concibió el estudio, recolectó muestras, interpretó los resultados y ayudó con la preparación del manuscrito.

Correspondencia a Jesse T. Peach o Brian Bothner.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Peach, JT, Mueller, RC, Skorupa, DJ y col. El análisis longitudinal de las aguas termales Five Sisters en el Parque Nacional de Yellowstone revela un ambiente termoalcalino dinámico. Informe científico 12, 18707 (2022). https://doi.org/10.1038/s41598-022-22047-w

Descargar cita

Recibido: 13 de julio de 2022

Aceptado: 07 de octubre de 2022

Publicado: 04 de noviembre de 2022

DOI: https://doi.org/10.1038/s41598-022-22047-w

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.