在本研究中，作者探讨了物种对群落功能的影响与群落背景功能之间的关系，揭示了不同生境生态群落中广泛存在的全局功能上位效应。通过简单的线性回归模型，作者构建了描述物种对群落功能影响的功能效应方程（Functional effect equation,FEE），并指出功能效应参数可以用物种间的“有效相互作用”量化。这项研究为微生物群落功能的预测与优化提供了全新工具，同时为跨越基因、个体和生态群落等多个层次的生物功能预测建立了统一的定量框架。
研究背景
微生物群落在自然界和生物技术应用中发挥着至关重要的作用，例如在土壤中的养分循环或工业生物炼制中的生物燃料生产等。然而，由于微生物群落中的相互作用非常复杂，预测和优化这些群落的功能一直是科学家们面临的一个巨大挑战。传统的生态学模型通常只能解释较小规模的群落，而对复杂的、包含众多物种的群落缺乏足够的预测能力。应对这一挑战的一个基础是尝试定量和准确地预测将每一种菌株纳入不同群落时对群落功能带来的影响。而事实上，由于存在复杂的相互作用关系，构建预测模型在不同的生物学领域中都存在较大的阻碍。
在遗传学中，上位效应（Epistasis）指的是基因之间存在的相互作用，导致其中一个基因的突变效应受到其他基因的影响。这种效应不仅限于单基因的影响，随着多个基因的突变，效应的复杂度会逐渐升高。简而言之，突变对于性状的贡献依赖于其遗传背景。
果蝇的合成致死性（Synthetic lethality）最早由美国遗传学家卡尔文·布里奇斯（Clavin Bridges）于20世纪初发现[1]。在这个例子中。单独突变基因A或基因B不会影响细胞或生物体的生存能力，只有当两个特定的等位基因同时突变失活时才会导致死亡，这便是遗传学中上位效应的一个具体体现[2]
然而，尽管这些基因相互作用可能非常复杂，但它们往往会遵循某些简单的统计模式。全局上位效应（Global epistasis）正是这种现象的表现，即通过简单的数学模型，可以准确地预测一个突变在不同遗传背景中的效应。比如，当一个突变发生在适应度较高的背景中时，突变所带来的益处往往较小，这被称为“收益递减的上位效应”（Diminishing returns epistasis），而这也往往是在微生物群落适应度地形（Fitness landscape）的相关研究中最常观察到的现象。通过这种全局上位效应的理论，遗传学家能够从定量的角度更好地理解不同的基因突变在复杂基因背景下的表现。
（a-c）遗传学的上位效应根据其现象不同可以被分为正/负上位效应（Positive/Negative epistasis）、协同/拮抗上位效应（Synergistic/Antagonistic epistasis）、幅度/符号上位效应（Magnitude/Sign epistasis）等；（d-f）在不同的适应度背景下，某个突变对于整体适应度带来的改变遵循某种统计学规律[3]
全局上位效应的这种简化统计特征为生物学的其他领域提供了启示。我们可以将类似的理论应用于生态系统中，探索不同物种间的相互作用。微生物群落中的物种间相互作用，如资源竞争、代谢物交换和生态位重叠，往往是复杂且动态的。这些相互作用会共同影响群落的整体功能，例如在生产生物燃料或降解污染物等实际应用中的表现。因此，理解并预测这些相互作用对群落功能的影响，对于优化微生物共生体的功能具有重要意义。
基因突变在不同背景下的表现虽然复杂，但总体上遵循某些简单的统计规律，而这一基因突变对个体适应度的影响往往取决于其他基因的整体状态，因此该现象被称为全局上位效应[4]
全局上位效应理论为这一挑战提供了一种新的思路。通过借助简单的统计模型，我们可以探讨如何在微生物群落中通过物种间的交互关系预测整体功能的变化。这一框架能够为我们提供一种途径，从物种组成推导出群落的功能表现，并帮助指导在不同情境下如何有效地进行微生物群落的设计和管理。
主要结果
1.全局上位效应的群落生态学类比可以预测微生物群落中每个物种对功能的贡献，简单的线性回归模型能够有效描述特定物种在不同群落背景下的对于群落功能的贡献；2.全局上位效应不仅适用于特定微生物群落，而且普遍存在于多种生态系统中，无论是细菌、植物，还是浮游植物的群落，均能通过全局上位效应模型进行功能预测；3.物种之间的成对相互作用是全局上位效应的基础，通过有效相互作用的累积，能够解释物种对群落功能的影响，并揭示群落功能变化的内在机制；4.功能效应方程（FEEs）可以被用来预测群落功能，通过预测新物种组合的功能表现，展示了FEE模型在微生物群落功能预测和优化中的应用潜力。
研究逻辑
在最近的数量遗传学研究中，全局上位效应通过简单的回归模型解释了基因突变对个体适应度的影响。在微生物群落中，作者提出了一个群落生态学上的类比假设，即物种间的相互作用也可以通过类似的模型预测每个物种对群落功能的贡献。为了验证这一假设，作者设计了合成微生物群落的实验，来测试这一模型是否适用于微生物群落中的生态功能预测。
作者首先构建了一个由8种土壤细菌组成的小型菌群库，包括5种能够分泌Pyoverdine（假单胞菌中的一类铁载体）的假单胞菌（Pseudomonas）菌株和3种不产生Pyoverdine的肠杆菌科（Enterobacteriaceae）菌株。利用这些菌株在M9最小培养基中组装164个不同的合成群落，功能表现为在培养48小时后群落中产生的Pyoverdine浓度，可以测得不同群落的功能范围从0µM到70µM不等。接着，通过类比数量遗传学中的观察方法[5]，作者测量计算了每种菌株在不同生态背景下对群落功能的影响（在一个特定群落中加入某个物种对整个群落功能带来的改变）（称为功能效应，Functional Effect）（图1E）：
其中，ai和bi表示回归的斜率和截距，θi是不能通过模型预测的残差。通过多个物种的观察，作者发现截距和斜率在不同的物种之间有所不同，表明这是由每个物种与其余生态成员之间的特定相互作用决定的。这种模式与遗传学中全局上位效应的模式相似（图1B-D），足以说明该生态系统中存在全局上位效应的现象（图1F）。
图1(A)这项工作的核心挑战是预测群落生态功能（在该例子中为生物乙醇的生产）将如何随着特定物种的增加而变化；(B-C)数量遗传学的最新研究发现，突变的适应度效应通常可以通过简单回归分析预测其发生地的遗传背景的适应度。这种现象被称为全局上位效应。回归的斜率和截距因不同的突变而异。
数据来自Khan等人；(D)突变的适应度效应可以分解为两个部分：①可以从回归中预测的全局部分；②不能从背景适应度中预测的特殊部分，由拟合的残差表示；(E)我们假设存在一种与全局上位效应相似的生态现象，即在一个群落中添加一个特定的物种可能会导致群落层面功能的变化，而这种变化可以通过添加特定物种的背景群落的功能来预测；(F)在合成液体培养基中接种了八种不同组合的细菌分离物。这些菌落的功能被量化为48小时培养后Pyoverdine的分泌水平。
相关新闻推荐
2、应用Bioscreen生长曲线分析仪构建温度对嗜热脂肪乳杆菌生长影响的预测模型