3组常用鱼类eDNA宏条形码通用引物对三亚水环境样品的物种检出效果比较

郭瑶杰, 万武波, 王海山, 叶乐, 陈治

郭瑶杰, 万武波, 王海山, 叶乐, 陈治. 3组常用鱼类eDNA宏条形码通用引物对三亚水环境样品的物种检出效果比较[J]. 南方水产科学, 2025, 21(1): 66-76. DOI: 10.12131/20240216
引用本文: 郭瑶杰, 万武波, 王海山, 叶乐, 陈治. 3组常用鱼类eDNA宏条形码通用引物对三亚水环境样品的物种检出效果比较[J]. 南方水产科学, 2025, 21(1): 66-76. DOI: 10.12131/20240216
GUO Yaojie, WAN Wubo, WANG Haishan, YE Le, CHEN Zhi. Comparison of fish species detection effect of three sets of commonly used eDNA metabarcoding primers on Sanya water samples[J]. South China Fisheries Science, 2025, 21(1): 66-76. DOI: 10.12131/20240216
Citation: GUO Yaojie, WAN Wubo, WANG Haishan, YE Le, CHEN Zhi. Comparison of fish species detection effect of three sets of commonly used eDNA metabarcoding primers on Sanya water samples[J]. South China Fisheries Science, 2025, 21(1): 66-76. DOI: 10.12131/20240216

3组常用鱼类eDNA宏条形码通用引物对三亚水环境样品的物种检出效果比较

基金项目: 海南省自然科学基金项目 (422RC717, 424QN298);国家自然科学基金青年科学基金项目 (32002389);2023年海南热带海洋学院水产南繁联合开放课题 (2023SCNFKF05);三亚市重大科技计划项目 (ZDKJ-SY-2020-001)
详细信息
    作者简介:

    郭瑶杰 (2000—),男,硕士研究生,研究方向为海洋鱼类分类学。E-mail: 18834113936@163.com

    通讯作者:

    陈 治 (1990—),男,讲师,博士,研究方向为海洋生物多样性。E-mail: change@139.com

  • 中图分类号: S 931.2

Comparison of fish species detection effect of three sets of commonly used eDNA metabarcoding primers on Sanya water samples

  • 摘要:

    环境DNA (Environmental DNA, eDNA) 宏条形码技术是一种高效率、高灵敏度且无侵入性的物种调查工具。目前基于eDNA宏条形码技术调查鱼类多样性的研究众多,但是该技术发展尚不完善,对不同引物的实际使用效果缺乏共识。为降低测序成本、筛选出实际使用效果最优的通用引物,选取三亚市鱼市场和亚特兰蒂斯水族馆共8个站位的水样,比较了3组常用鱼类eDNA宏条形码通用引物 (MiFish-U、AcMDB07、Ac12S) 在检测鱼类多样性方面的差异。结果表明:1) 3组引物在质控后总序列数、鱼类序列数、总可操作分类单元 (Operational taxonomic units, OTUs)数、鱼类OTUs数和鱼类序列占比方面均存在极显著性差异(p<0.01),MiFish-U的扩增成功率和对鱼类物种的靶向性最高;2) MiFish-U检出的物种数最多 (140种),AcMDB07和Ac12S则分别检出128和97种;3) Ac12S和AcMDB07的参考数据库尚不完善,两者分别有72.76%和42.11%的OTUs无法注释到种水平;4) Ac12S检出的特有鱼类很少 (仅4种),暗示在实际使用过程中更容易被另外2组引物替代,而MiFish-U的可替代性最低;5) 3组引物反映鱼类丰度的总趋势相似,但对具体物种却存在一定差异。结果表明,综合OTUs注释等多种因素,特别是现有参考数据条件下,MiFish-U的物种检出效果优于AcMDB07和Ac12S。

    Abstract:

    Environmental DNA (eDNA) metabarcoding is a high-efficiency, high-sensitivity and non-invasive species investigation tool. At present, there are many studies on the investigation of fish diversity based on eDNA metabarcoding which however is not well-developed, with a lack of consensus on the actual use of different primers. In order to reduce the cost of sequencing and screen out the universal primers with the best practical effect, we selected the water samples from eight sites in Sanya fish markets and Atlantis Aquarium, then compared the differences of three sets of universal primers (MiFish-U, AcMDB07 and Ac12S) for fish eDNA. The results show that: 1) There were significant differences in the reads number after quality control, the fish reads number, the total Operational taxonomic units (OTUs) number, the fish OTUs number and the ratio of fish reads among three sets of primers. MiFish-U had the highest amplification efficiency and targeting to fish species; 2) MiFish-U had the highest number of species (140 species), while AcMDB07 and Ac12S had 128 and 97 species, respectively; 3) The reference databases of Ac12S and AcMDB07 were not perfect, and 72.76% and 42.11% of the OTUs belonging to Ac12S and AcMDB07 could not be annotated to the species level, respectively; 4) There are very few endemic fish detected by Ac12S (Only four species), suggesting that it was easier to be replaced by the other two sets of primers in the actual use process, and MiFish-U had the lowest substitutability; 5) The three sets of primers reflected similar general trends in the fish abundance, but there were some differences in the specific species. The results show that MiFish-U is superior to AcMDB07 and Ac12S in species detection, considering various factors such as OTUs annotation, especially the conditions of existing reference data.

  • 近年来,在南太平洋海域进行商业捕捞作业的船队主要为中国大陆和中国台湾船队[1]。有研究表明环境变化对于长鳍金枪鱼 (Thunnus alalunga) 的分布和洄游有显著影响[2-3],由于长鳍金枪鱼的高度洄游性使商业捕捞作业船队对其渔场的寻找成为一项高成本生产活动。因此,了解长鳍金枪鱼的资源分布与环境因子的关系对提高该渔业的生产效率具有重要意义。南太平洋长鳍金枪鱼作为延绳钓渔船的主要捕捞对象,一般栖息在200~300 m水层[4]。而目前国内外学者多选择表层环境因子作为研究对象[5-7],较少采用不同水层的环境数据。广义可加模型 (Generalized additive model, GAM) 作为定量分析渔获率与环境要素之间关系的方法,目前已得到广泛应用。而这些研究在变量选择中多加入了时空因子[8-10],忽略了时空因子与环境因子之间和不同环境因子之间的多重共线性[11]。此外,由于缺少该鱼种完整的渔捞日志数据,研究多采用5°方格数据[7,10],但这种较低空间分辨率的环境数据往往会弱化数值分析的效果。

    本文根据中国大陆地区所有渔船2015—2017年在南太平洋的渔捞日志,整理出了空间分辨率为1°×1°的月渔获数据,用GAM模型逐步回归分析各环境因子与长鳍金枪鱼资源的关系,以探讨环境因子的变化对长鳍金枪鱼资源分布的影响,以期为南太平洋长鳍金枪鱼的合理开发利用和资源养护管理提供参考。

    来自中国大陆地区2015—2017年所有渔船渔捞日志,选取在南太平洋海域 (140°E—130°W,0°N—50°S,图1) 且捕捞对象为长鳍金枪鱼的渔捞日志数据 (具体数据总量见表1),包括日期、作业位置、投钩数、各鱼种渔获量尾数和千克数等。

    图  1  2015—2017年南太平洋长鳍金枪鱼单位捕捞努力渔获量的平均分布
    Fig. 1  Average distribution of CPUE of T. alalunga in South Pacific during 2015–2017
    表  1  南太平洋长鳍金枪鱼延绳钓渔业作业天数情况
    Table  1  Fishing days of longline fishery of T. alalunga in South Pacific
    年份
    Year
    总渔船数
    Total vessels
    累计作业天数
    Total fishing days
    2015 107 18 070
    2016 115 20 591
    2017 136 26 291
    下载: 导出CSV 
    | 显示表格

    包括海表温度 (Sea surface temperature,SST) 及不同深度水温、海表盐度 (Sea surface salinity,SSS) 及不同水层盐度、叶绿素a浓度 (Chlorophyll a concentration,Chla)、海表风场 (Sea surface wind,SSW)、海表面高度 (Sea surface height,SSH)、混合层深度 (Mixed layer depth,MLD) 的月数据。其中海表温度及不同水深温度、海表盐度及不同水层盐度、混合层深度来自中国Argo实时资料中心提供的《全球海洋Argo网格数据集 (BOA_Argo) 》,空间分辨率为1°。叶绿素a浓度来自美国国家海洋和大气管理局 (National Oceanic and Atmospheric Administration, NOAA) 的Ocean Watch网站,空间分辨率为0.05°。海表风场来自美国宇航局物理海洋学数据分发存档中心 (PO.DAAC) 提供的CCMP风速,空间分辨率为0.25°,海表面高度来自德国汉堡大学的综合气候数据中心提供的ORA-S4资料,空间分辨率为1°。

    1) 单位捕捞努力量渔获量 (Catch per unit effort,CPUE) 可以作为代表长鳍金枪鱼渔业资源状态的指标。其计算公式为:

    $$ {\rm{CPUE}} = \dfrac{{{U_{{\rm{catch}}}}}}{{{f_{{\rm{hooks}}}}}} $$ (1)

    式中Ucatch表示1°×1°单位渔区内的累计渔获量 (kg),fhooks是1°×1°单位渔区内的累计投钩数 (千钩),时间尺度为月。

    2) 用Matlab读取海表温度、叶绿素a浓度、海表风场数据,并与单位渔区进行数据匹配。受云层遮挡等因素影响,环境数据尤其是叶绿素a浓度数据存在缺失情况。本文采用计算周围变量均值的方法对缺失数据进行处理。

    利用Pearson相关系数计算环境因子之间的相关系数[12],其公式为:

    $$ r = \frac{{\displaystyle\sum\nolimits_{i = 1}^n {\left( {{x_i} - \bar x} \right)\left( {{y_i} - \bar y} \right)} }}{{\sqrt {\displaystyle\sum\nolimits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}{{\displaystyle\sum\nolimits_{i = 1}^n {\left( {{y_i} - \bar y} \right)} }^2}} } }} $$ (2)

    式中r表示相关系数,xi表示环境因子x的第i个观测值,$\bar x $表示环境因子的均值,yi表示环境因子y的第i个观测值,${\bar y}_i $表示环境因子y的均值。

    GAM模型能够较好地处理响应变量和一组解释变量之间高度非线性和非单调关系的能力,被广泛用于渔获率与环境关系研究[13-14]。其一般表达式为:

    $$ g\left( {\rm{\mu}} \right) = {\beta _0} + \sum\nolimits_{i = 1}^k {{f_i}} \left( {{x_i}} \right) + \varepsilon \left[ {{\rm{\mu}} = E\left( {Y/X} \right)} \right] $$ (3)

    式中g(μ) 表示联系函数,β0表示常数截距项,fi(xi) 表示用来描述g(μ) 与第i个解释变量关系的平滑函数。

    GAM模型和逐步回归计算在R-3.5.0中实现。

    本研究在不同水深环境数据中选择了60、120、180、240、300 m深度水温和盐度与其他表层环境因子进行了相关性分析。计算表明各层之间温度和盐度相关性较大 (由于篇幅所限,结果未列出),最后选取了相关性较小的三层 (表层、120 m300 m) 参与最后的要素分组中。通常认为如果相关系数大于0.75为强相关[15],介于0.5~0.75为中等程度相关,小于0.5为弱相关。SST和t120t300s300,SST与SSH,t120与SSH为高度相关因子;SST与s120,SST与MLD,SST与Uwndt120s120t120Uwnd均中度相关;SSS、Chla、Vwnd与其他环境因子之间的相关性均较小 (表2)。

    表  2  各环境变量相关系数矩阵
    Table  2  Correlation coefficients matrix of environmental factors
    变量
    Variable
    t120t300SSSs120s300MLDUwndVwndChlaSSH
    SST 0.916 0.005 −0.359 0.545 −0.091 −0.560 −0.541 −0.146 −0.316 0.753
    t120 −0.002 −0.239 0.582 −0.098 −0.307 −0.542 −0.137 −0.221 0.757
    t300 0.176 0.165 0.925 −0.152 −0.277 0.428 −0.068 0.440
    SSS 0.408 0.097 0.396 −0.056 −0.175 0.128 −0.432
    s120 −0.008 −0.124 −0.504 −0.242 −0.150 0.258
    s300 −0.117 −0.127 0.451 0.114 0.407
    MLD 0.255 0.004 0.326 −0.451
    Uwnd −0.308 0.178 −0.493
    Vwnd 0.137 0.212
    Chla −0.238
    注:SST. 海表温度;t120. 120 m水深温度;t300. 300 m水深温度;SSS. 海表盐度;s120.120 m水深盐度;s300. 300 m水深盐度;MLD. 混合层深度;Chla. 海表面叶绿素a浓度;Uwnd. 海表风场东西分量,即纬向风,以东为正;Vwnd. 海表风场南北分量,即经向风,以北为正;SSH. 海表面高度;下同 Note: SST. Sea surface temperature; t120. Sea temperature at depth of 120 m; t300. Sea temperature at depth of 300 m; SSS. Sea surface salinity; s120. Sea salinity at depth of 120 m; s300. Sea salinity at depth of 300 m; MLD. Mixed layer depth; Chla. Sea surface chlorophyll a concentration; Uwnd. Eastward Sea surface wind; Vwnd. Northward Sea surface wind; SSH. Sea surface height. The same case in the following table
    下载: 导出CSV 
    | 显示表格

    本研究使用GAM模型分析长鳍金枪鱼CPUE与各环境因子之间的关系,其中CPUE作为响应变量,SST、t120t300、SSS、s120s300、Chla、UwndVwnd、SSH、MLD作为解释变量,根据相关性分析结果,将环境因子分为4组分别建立GAM模型,表达式为:

    $$ \begin{array}{c} {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s\left( {{\rm{SST}}} \right) + s\left( {{t_{300}}} \right) + s({\rm{SSS}}) + {\rm{ }}s\left( {{V_{{\rm{wnd}}}}} \right) + \\s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s({t_{120}}) + s\left( {{\rm{SSS}}} \right) + s\left( {{s_{300}}} \right) + s\left( {{\rm{MLD}}} \right) + \\s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s({t_{300}}) + s\left( {{\rm{SSS}}} \right) + s\left( {{s_{120}}} \right) + s({\rm{MLD}}) +\\ s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{SSH}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s\left( {{t_{300}}} \right) + s\left( {{\rm{SSS}}} \right) + s\left( {{\rm{MLD}}} \right) + s\left( {{U_{{\rm{wnd}}}}} \right) + \\s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{SSH}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \end{array} $$

    式中为了防止零值出现,采用CPUE加上1再进行对数化处理,s为自然立方样条平滑 (Natural cube spline smoother),ε为误差项。

    结果显示,各模型的总偏差解释率介于30%~40% (表3)。各环境因子的平均可解释偏差大小依次为t120 (19.7%)、SST (18.5%)、t300 (12.5%)、t120 (12.3%)、SSH (7.0%)、s300 (4.9%)、SSS (3.3%)、MLD (2.4%)、Vwnd (2.4%)、Uwnd (1.8%)、Chla (0.8%)。

    表  3  GAM模型拟合结果的偏差分析
    Table  3  Analysis of deviance for generalized additive models (GAM)
    分组
    Group
    累加影响因子
    Cumulative of influencing factors
    P决定系数
    R2
    累计解释偏差
    Cumulative of deviance explained
    可解释偏差
    Deviance explained
    AIC值
    AIC value
    第一组 Group 1 +SST <2×10−16*** 0.185 18.5% 18.5% 24 376.49
    +t300 <2×10−16*** 0.297 29.9% 11.4% 23 222.20
    +SSS <2×10−16*** 0.306 30.8% 0.9% 23 136.20
    +Vwnd <2×10−16*** 0.326 32.9% 2.1% 22 908.96
    +Chla <2×10−16*** 0.341 34.3% 1.4% 22 746.25
    第二组 Group 2 +t120 <2×10−16*** 0.196 19.7% 19.7% 24 265.62
    +SSS <2×10−16*** 0.215 21.6% 1.9% 24 087.74
    +s300 <2×10−16*** 0.263 26.5% 4.9% 23 599.79
    +MLD <2×10−16*** 0.282 28.5% 2.0% 23 410.19
    +Vwnd <2×10−16*** 0.295 29.8% 1.3% 23 276.47
    +Chla <2×10−16*** 0.307 31% 1.2% 23 147.81
    第三组 Group 3 +t300 <2×10−16*** 0.13 13.1% 13.1% 24 881.85
    +SSS <2×10−16*** 0.18 18.2% 5.1% 24 428.97
    +s120 <2×10−16*** 0.303 30.5% 12.3% 23 165.18
    +MLD <2×10−16*** 0.319 32.1% 1.6% 23 000.88
    +Vwnd <2×10−16*** 0.337 34% 1.9% 22 795.21
    +SSH <2×10−16*** 0.393 39.6% 5.6% 22 110.88
    +Chla 0.002 75** 0.394 39.8% 0.2% 22 100.98
    第四组 Group 4 +t300 <2×10−16*** 0.13 13.1% 13.1% 24 881.85
    +SSS 4.89×10-8*** 0.18 18.2% 5.1% 24 428.97
    +MLD <2×10−16*** 0.214 21.7% 3.5% 24 105.96
    +Uwnd 0.030 1* 0.231 23.4% 1.7% 23 942.02
    +Vwnd <2×10−16*** 0.267 27.1% 3.7% 23 574.18
    +SSH <2×10−16*** 0.352 35.5% 8.4% 22 626.40
    +Chla 2.51×10−15*** 0.356 36% 0.5% 22 571.78
    下载: 导出CSV 
    | 显示表格

    GAM模型分析发现,SST、t120t300s120是对CPUE影响较大的环境变量 (表3)。SST与CPUE介于15~30 ℃整体呈现负相关,其中介于25~28 ℃显示正相关 (图2-a)。t120与SST的趋势一致,呈负效应关系,其中介于18~23 ℃保持平稳状态 (图2-b)。t300在10 ℃之前置信区间较大且数据量较小故不予讨论,在10 ℃之后呈现出明显的正相关 (图2-c)。s120与CPUE以35.5为中心总体呈开口向上的抛物线,在36.4之后呈负相关 (图2-e)。

    图  2  不同环境因子对南太平洋延绳钓渔业长鳍金枪鱼单位捕捞努力渔获量的影响
    Fig. 2  Effects of different environmental factors on CPUE of longline fishery of T. alalunga in South Pacific

    对CPUE影响比较小的几个环境因子分别为SSS、s300、MLD、UwndVwnd、SSH、Chla。各模型得出的SSS对CPUE的影响略有差异,总体与CPUE保持平稳状态 (图2-d)。s300与CPUE以34.8为中心呈开口向上的抛物线 (图2-f),在35.0之后基本保持平稳。MLD与CPUE总体保持稳定 (图2-g),呈现轻微的正效应关系。Uwnd与CPUE基本保持平稳 (图2-h)。Vwnd与CPUE总体上呈现正效应关系 (图2-i),其中在−1~3 m·s−1保持平稳。Chla与CPUE整体上呈现轻微的负相关 (图2-j)。SSH与CPUE总体上呈负效应关系 (图2-k),在0.5 m之后这种负效应明显放缓。

    在参与2个及以上模型的环境因子中,MLD、Vwnd、Chla在较小的置信区间内总体趋势相似,与CPUE基本保持平稳状态,t300、SSH对CPUE的影响较大,但依然表现出了较高的拟合度。SSS在对CPUE的影响略有差异,介于35.2~35.0拟合较好。

    目前通过GAM模型分析环境因子与渔场的关系时通常会加入时空因子。然而时空因子的加入可能会影响环境因子与渔场关系的判断,如海表温度分布与纬度存在相关性,海表温度从低纬度向高纬度递减,纬度因素的加入会影响海表温度与渔场真实关系的推断。因此时空因子的加入对渔场与环境因子的关系分析可能会造成误判。

    除了时空因子与环境因子的相互影响外,环境因子之间也存在不可避免的自相关和多重共线性问题[16]。长鳍金枪鱼的渔场分布与各环境因子显著相关,是各个环境因子综合作用的结果,而环境因子间的高度相关性又会掩盖单个环境因子与渔场分布的真实关系。本研究发现,海表温度除了与混合层深度、海表风场、海表面高度等海表面环境因素有较大的相关性外,与各水层的温度、盐度也具有较大的相关性,因此在构建模型探讨海表温度与长鳍金枪鱼渔场的关系前,需要进行环境因子的相关性分析,通过排除相关系数较大的环境因子,降低这种多重共线性的负面影响[17]

    在建模过程中为避免同一模型内环境因子之间的多重共线性,同时又要确保放入尽量多的环境因子,本研究将环境因子分为4组分别建立GAM模型。由于每组模型选择的环境因子不同,得出的总解释偏差也有所差异。而在参与多个模型的环境因子中,t300、MLD、Vwnd、Chla、SSH的总体趋势相似 (图2),验证了这种分组建模方式分析环境因子与渔场分布具有较高的可信度。海表面的盐度略有差异,可能是由于其与120 m水深盐度、混合层深度、海表面高度均呈中等程度相关,不同的环境因子的选择影响了海表盐度与CPUE的关系。

    作为影响海洋鱼类活动最重要的环境因子之一,温度的变化对鱼类的分布、洄游和集群等会造成直接或者间接的影响[18],在进行长鳍金枪鱼时空分布与主要环境因子的关系研究时,一般都会选用SST作为环境因子[19-20]。海表温度对南太平洋长鳍金枪鱼的分布有显著影响,由GAM模型结果可以发现,长鳍金枪鱼的主要作业渔区出现在SST介于20~30 ℃的海域 (图2-a),这与樊伟等[21]的南太平洋长鳍金枪鱼产量高密度区呈双峰型,出现在20 ℃和29 ℃海域的研究结果一致。同时发现,SST与CPUE总体上呈现负相关,在25 ℃之前随温度的升高CPUE逐渐降低,在25 ℃之后略有回升。说明相对低温海域的作业频率较低但CPUE较高,可以探寻相对低温海域的长鳍金枪鱼渔区并进行开发。

    延绳钓渔船通常以长鳍金枪鱼成鱼为目标鱼种,主要在0~400 m深度设钩。水温垂直结构在长鳍金枪鱼渔场的形成过程中有直接影响[22]。研究结果显示,120~300 m水层,温度显著影响长鳍金枪鱼的产量,这可能是因为该水层是水温急剧下降的温跃层,温度和密度变化大,溶解氧含量高,饵料资源丰富。Hoyle等[23]发现,东南太平洋长鳍金枪鱼主要栖息于170~220 m水层,中西太平洋为150~300 m,与本文研究结果相似。Williams等[24]在汤加附近海域发现,长鳍金枪鱼高渔获率水深一般为200~300 m,与本文研究结果有一定差异,这可能是缘于研究海域不同。

    海表面盐度对于长鳍金枪鱼渔获量的影响较小,这与范永超等[25]、蒋汉凌[26]的研究结果一致。本研究还发现,s120对长鳍金枪鱼渔获量有显著影响。这说明海表面盐度影响较小可能是因为其主要通过影响溶解气体、海流等其他海表面环境因素从而对长鳍金枪鱼CPUE间接造成影响,而各水深盐度是影响长鳍金枪鱼CPUE的一个重要因素,在以后的研究中不可忽略。120~300 m温度和盐度显著影响长鳍金枪鱼CPUE的分布,这也验证了本研究长鳍金枪鱼主要栖息于120~300 m水层的结果。

    海面高度主要与水团、水系、海流、潮汐、中尺度涡等海洋动力信息有关。随着海面高度的增加,表层水团进行辐散或汇合[27],底层水上升进行补充,海水底层营养盐上升对表层营养盐进行补充,使海水表层初级生产力增加,浮游生物密度增加,长鳍金枪鱼资源量增加。本研究中,SSH与长鳍金枪鱼CPUE呈现负效应,可能是由于处于上升流的中心区域,营养盐浓度高,初级生产力高,浮游生物密度高,导致水体中氧气的大量消耗。

    混合层深度会对栖息于混合层的长鳍金枪鱼造成垂直分布的限制[28]。本研究中混合层深度与CPUE呈现出轻微的正效应。以往的研究中,可能由于存在与混合层深度有较大相关性的环境因素,导致混合层深度与CPUE的关系并不明显,这与本文结果略有不同,未来可作进一步探究。

    从食物链的角度看,叶绿素a浓度通常表征以浮游植物为食的浮游动物量,间接影响渔场分布[29]。以往的研究中,叶绿素a浓度通常是影响南太平洋长鳍金枪鱼CPUE的重要原因,而本研究中仅呈现出轻微的负相关,这可能是由于在叶绿素a浓度升高、浮游植物生物量增大、长鳍金枪鱼聚集增加的过程中存在时间延迟现象[30]

    国内外学者在长鳍金枪鱼CPUE与环境因子关系的研究中多使用海表面温度、海表面高度、叶绿素a浓度等,除此之外,海面风场也是影响鱼类活动的一个重要因子。

    本研究表明,Uwnd与CPUE总体保持稳定,Vwnd与CPUE呈现正效应,其中在−2~4 m·s−1保持平稳状态。海面风场对长鳍金枪鱼CPUE的影响显著,总体呈正相关关系,可能是由于较大的风速导致海水的湍流混合加大、水柱混合加深以及海水浑浊度增加[31-32],使海域营养盐增加、生产力提高,因此形成了良好的渔场,也有可能是这种混合造成海域适宜的水温对长鳍金枪鱼资源有促进作用。

    由于本文仅有3年 (2015—2017年)的渔捞日志数据,对环境关系的研究存在一些制约,未来将选择更长时间尺度的渔业数据并结合溶解气体、水系和海流、潮汐和潮流、气象因素等其他影响鱼类行为的环境因子作进一步研究。

  • 图  1   高通量测序基本结果比较

    注:a. 序列数比较;b. OTUs数比较;c. 序列及OTUs占比比较。

    Figure  1.   Comparison of basic results of high-throughput sequencing

    Note: a. Sequence number comparison; b. OTUs comparison; c. Comparison of sequences and OTUs ratio.

    图  2   只能注释到属水平的 OTUs 分布图

    Figure  2.   OTUs distribution of fish taxa annotated on genus level

    图  3   3 组引物检出的物种韦恩图

    Figure  3.   Venn diagram of species detected by three sets of primers

    图  4   共有鱼类绝对丰度热图

    注:序列数经lg转化。

    Figure  4.   Heat maps of common fish absolute abundance

    Note: The sequence number is transformed by lg.

    表  1   本研究所用引物基本信息

    Table  1   Primer pairs information used in this study

    引物名称
    Primer name
    所在基因
    Target gene
    目标类群
    Target group
    碱基组成 (5'—3')
    Base composition (5'−3')
    扩增片段长度
    Amplicon length/bp
    退火温度
    Tm/℃
    参考文献
    Reference
    MiFish-U 12S rRNA 硬骨鱼纲 F: GTCGGTAAAACTCGTGCCAGC
    R: CATAGTGGGGTATCTAATCCCAGTTTG
    ~170 60.8 [18]
    AcMDB07 12S rRNA 辐鳍亚纲 F: GCCTATATACCGCCGTCG
    R: GTACACTTACCATGTTACGACTT
    ~280 52.4 [19]
    Ac12S 12S rRNA 辐鳍亚纲 F: ACTGGGATTAGATACCCCACTATG
    R: GAGAGTGACGGGCGGTGT
    ~390 57.3 [20]
    下载: 导出CSV

    表  2   高通量测序基本结果

    Table  2   Basic results of high-throughput sequencing

    样品名称
    Sample name
    原始序列数
    Raw reads
    number
    高质量
    序列数
    Clean reads
    number
    质控后
    总序列数
    Reads number
    after quality
    control
    鱼类
    序列数
    Fish reads
    number
    总OTUs数
    Total OTUs
    number
    鱼类OTUs数
    Fish OTUs
    number
    鱼类序列占比
    Ratio of fish
    reads/%
    鱼类OTUs占比
    Ratio of fish
    OTUs/%
    MiFish-U-AQA 718 262 717 186 345 761 326 679 96 57 94.48 59.38
    MiFish-U-AQB 808 828 807 368 385 564 327 617 128 94 84.97 73.44
    MiFish-U-AQC 761 826 760 700 366 271 326 214 117 102 89.06 87.18
    MiFish-U-AQD 508 982 507 958 246 848 243 533 48 42 98.66 87.50
    MiFish-U-FMA 794 224 793 250 382 968 343 957 77 56 89.81 72.73
    MiFish-U-FMB 497 380 496 790 238 992 200 604 77 55 83.94 71.43
    MiFish-U-FMC 518 074 517 332 245 917 191 987 70 47 78.07 67.14
    MiFish-U-FMD 323 782 323 306 152 911 115 375 53 45 75.45 84.91
    AcMDB07-AQA 132 732 132 320 51 399 43 648 144 135 84.92 93.57
    AcMDB07-AQB 89 570 89 342 33 227 26 141 120 104 78.67 86.67
    AcMDB07-AQC 69 200 69 038 26 385 20 958 110 95 79.43 86.36
    AcMDB07-AQD 219 354 218 704 91 112 81 552 97 80 89.51 82.47
    AcMDB07-FMA 112 654 112 276 42 494 33 249 107 98 78.24 91.59
    AcMDB07-FMB 94 404 94 052 34 905 26 195 88 83 75.05 94.32
    AcMDB07-FMC 101 346 101 100 40 281 34 569 97 77 85.82 79.38
    AcMDB07-FMD 139 406 139 040 54 770 46 438 123 106 84.79 86.18
    Ac12S-AQA 235 740 234 438 53 234 43 769 244 205 82.22 84.02
    Ac12S-AQB 263 654 262 290 57 228 36 721 203 168 64.17 82.76
    Ac12S-AQC 199 250 198 292 59 661 18 762 181 138 31.45 76.24
    Ac12S-AQD 240 852 239 524 62 456 42 393 179 152 67.88 84.92
    Ac12S-FMA 214 932 213 912 42 855 29 857 219 179 69.67 81.74
    Ac12S-FMB 195 986 195 030 38 550 26 058 180 166 67.60 92.22
    Ac12S-FMC 192 132 191 200 43 625 29 646 158 134 67.96 84.81
    Ac12S-FMD 217 252 216 144 49 461 41 178 178 137 83.25 76.97
    下载: 导出CSV

    表  4   鱼类OTUs参考序列完备度

    Table  4   Reference sequence coverage of fish OTUs

    序列相似度
    Sequence identification
    OTUs数 OTUs number
    MiFish-U AcMDB07 Ac12S
    相似度Identification=100% 274 221 186
    99%≤相似度Identification<100% 68 98 115
    98%≤相似度Identification<99% 12 48 87
    97%≤相似度Identification<98% 10 27 103
    相似度Identification<97% 14 157 614
    下载: 导出CSV
  • [1]

    SALA E, MAYORGA J, BRADLEY D, et al. Protecting the global ocean for biodiversity, food and climate[J]. Nature, 2021, 592(7854): 397-402. doi: 10.1038/s41586-021-03371-z

    [2]

    ALMOND R E A, GROOTEN M, JUFFE B D, et al. Living planet report 2022: building a nature-positive society[M]. Gland: World Wide Fund for Nature, 2022: 32-34.

    [3]

    DÍAZ-FERGUSON E E, MOYER G R. History, applications, methodological issues and perspectives for the use environmental DNA (eDNA) in marine and freshwater environments[J]. Rev Biol Trop, 2014, 62(4): 1273-1284. doi: 10.15517/rbt.v62i4.13231

    [4]

    THOMSEN P F, KIELGAST J, IVERSEN L L, et al. Monitoring endangered freshwater biodiversity using environmental DNA[J]. Mol Ecol, 2012, 21(11): 2565-2573. doi: 10.1111/j.1365-294X.2011.05418.x

    [5]

    ROURKE M L, FOWLER A M, HUGHES J M, et al. Environmental DNA (eDNA) as a tool for assessing fish biomass: a review of approaches and future considerations for resource surveys[J]. Environ DNA, 2022, 4(1): 9-33. doi: 10.1002/edn3.185

    [6] 言柯程, 李建超, 田永军, 等. 基于环境DNA metabarcoding和底拖网调查的南黄海西部鱼类多样性比较[J]. 中国海洋大学学报 (自然科学版), 2023, 53(5): 71-81.
    [7]

    RUPPERT K M, KLINE R J, PAST M S R. Present, and future perspectives of environmental DNA (eDNA) metabarcoding: a systematic review in methods, monitoring, and applications of global eDNA[J]. Glob Ecol Conserv, 2019, 17: e00547.

    [8] 赵娜, 杨刚, 吴祖立, 等. 环境DNA技术发展及其在长江流域水生生态学领域的应用研究进展[J]. 海洋渔业, 2024, 46(1): 119-128. doi: 10.3969/j.issn.1004-2490.2024.01.013
    [9] 张方圆, 王汝贤, 杨刚, 等. 环境DNA技术在长江口中华绒螯蟹亲蟹资源监测中的应用[J]. 水生生物学报, 2024, 48(6): 950-957. doi: 10.7541/2024.2023.0337
    [10]

    THOMSEN P F, WILLERSLEV E. Environmental DNA-an emerging tool in conservation for monitoring past and present biodiversity[J]. Biol Conserv, 2015, 183: 4-18. doi: 10.1016/j.biocon.2014.11.019

    [11]

    BENG K C, CORLETT R T. Applications of environmental DNA (eDNA) in ecology and conservation: opportunities, challenges and prospects[J]. Biodivers Conserv, 2020, 29(7): 2089-2121. doi: 10.1007/s10531-020-01980-0

    [12] 仝亚东, 匡箴, 刘鹏飞, 等. 基于环境DNA技术的东平湖鱼类多样性研究[J]. 中国水产科学, 2023, 30(12): 1530-1542. doi: 10.12264/JFSC2023-0265
    [13] 李晨虹, 凌岚馨, 谭娟, 等. 环境DNA技术在水生生物监测中的挑战、突破和发展前景[J]. 上海海洋大学学报, 2023, 32(3): 564-574. doi: 10.12024/jsou.20221104019
    [14]

    ZHANG S, ZHAO J D, YAO M. A comprehensive and comparative evaluation of primers for metabarcoding eDNA from fish[J]. Methods Ecol Evol, 2020, 11(12): 1609-1625. doi: 10.1111/2041-210X.13485

    [15] 舒璐. 基于环境DNA技术的鱼类多样性评估: 胚胎发育动力学、引物评价及洱海鱼类多样性监测[D]. 重庆: 西南大学, 2022: 37-60.
    [16] 吕宏森, 王安香, 董智玲, 等. 长江上游鱼类环境DNA通用引物的选择与验证[J]. 水产学报, 2024, 48(6): 72-84.
    [17] 周严, 童璐, 胡文静, 等. 淡水鱼类环境DNA宏条形码引物的筛选及其在千岛湖的应用[J]. 湖泊科学, 2024, 36(1): 187-199. doi: 10.18307/2024.0131
    [18]

    MIYA M, SATO Y, FUKUNAGA T, et al. MiFish, a set of universal PCR primers for metabarcoding environmental DNA from fishes: detection of more than 230 subtropical marine species[J]. R Soc Open Sci, 2015, 2(7): 150088. doi: 10.1098/rsos.150088

    [19]

    BYLEMANS J, GLEESON D M, HARDY C M, et al. Toward an ecoregion scale evaluation of eDNA metabarcoding primers: a case study for the freshwater fish biodiversity of the Murray-Darling Basin (Australia)[J]. Ecol Evol, 2018, 8(17): 8697-8712. doi: 10.1002/ece3.4387

    [20]

    EVANS N T, OLDS B P, RENSHAW M A, et al. Quantification of mesocosm fish and amphibian species diversity via environmental DNA metabarcoding[J]. Mol Ecol Resour, 2016, 16(1): 29-41. doi: 10.1111/1755-0998.12433

    [21]

    VALENTINI A, TABERLET P, MIAUD C, et al. Next-generation monitoring of aquatic biodiversity using environmental DNA metabarcoding[J]. Mol Ecol, 2016, 25(4): 929-942. doi: 10.1111/mec.13428

    [22]

    MILAN D T, MENDES I S, DAMASCENO J S, et al. New 12S metabarcoding primers for enhanced neotropical freshwater fish biodiversity assessment[J]. Sci Rep, 2020, 10(1): 17966. doi: 10.1038/s41598-020-74902-3

    [23]

    TABERLET P, BONIN A, ZINGER L, et al. Environmental DNA-for biodiversity research and monitoring[M]. Oxford: Oxford University Press, 2018: 206.

    [24]

    WILCOX T M, MCKELVEY K S, YOUNG M K, et al. Environmental DNA particle size distribution from brook trout (Salvelinus fontinalis)[J]. Conserv Genet Resour, 2015, 7: 639-641. doi: 10.1007/s12686-015-0465-z

    [25]

    JO T, ARIMOTO M, MURAKAMI H, et al. Particle size distribution of environmental DNA from the nuclei of marine fish[J]. Environ Sci Technol, 2019, 53(16): 9947-9956. doi: 10.1021/acs.est.9b02833

    [26]

    JOSEPH C, FAIQ M E, LI Z, et al. Persistence and degradation dynamics of eDNA affected by environmental factors in aquatic ecosystems[J]. Hydrobiologia, 2022, 849(19): 4119-4133. doi: 10.1007/s10750-022-04959-w

    [27]

    WOOD S A, BIESSY L, LATCHFORD J L, et al. Release and degradation of environmental DNA and RNA in a marine system[J]. Sci Total Environ, 2020, 704: 135314. doi: 10.1016/j.scitotenv.2019.135314

    [28] 杨泰昌, 李嘉华, 张颖, 等. 香港瘰螈eDNA引物和TaqMan探针的设计与确认[J]. 动物学杂志, 2020, 55(5): 624-636.
    [29] 闫卉果, 董智玲, 马婷婷, 等. 基于环境DNA的岩原鲤检测及生物量评估[J]. 水产学报, 2022, 46(6): 1018-1026.
    [30]

    GWAK W S, NAKAYAMA K. Development of a MGB probe based qPCR protocol for detecting Pacific cod Gadus macrocephalus in eDNA samples[J]. Conserv Genet Resour, 2023, 15(4): 175-177. doi: 10.1007/s12686-023-01320-8

    [31]

    ZHU T, IWASAKI W. MultiBarcodeTools: easy selection of optimal primers for eDNA multi-metabarcoding[J]. Environ DNA, 2023, 5(6): 1793-1808. doi: 10.1002/edn3.499

    [32] 蒋佩文, 李敏, 张帅, 等. 基于线粒体COI和12S rDNA基因构建珠江河口鱼类DNA宏条形码数据库[J]. 南方水产科学, 2022, 18(3): 13-21.
    [33]

    BYLEMANS J. Monitoring freshwater fish communities with environmental DNA (eDNA) metabarcoding[D]. Canberra: University of Canberra, 2018: 201-204.

    [34] 陈治, 马春来, 叶乐, 等. 鱼类环境DNA metabarcoding片段的近缘物种识别差异[J]. 海洋学报, 2022, 44(8): 51-65. doi: 10.12284/j.issn.0253-4193.2022.8.hyxb202208006
    [35]

    MARQUES V, MILHAU T, ALBOUY C, et al. GAPeDNA: assessing and map global species gaps in genetic databases for eDNA metabarcoding[J]. Divers Distrib, 2021, 27(10): 1880-1892. doi: 10.1111/ddi.13142

    [36]

    NELSON J S, GRANDE T C, WILSON M V H. Fishes of the world[M]. New York: John Wiley & Sons, 2016: 1-5.

    [37] 王月. 赤水河鱼类环境DNA宏条形码参考数据库的构建及应用[D]. 大连: 大连海洋大学, 2022: 25-39.
    [38] 邓升铭. 我国南海鱼类的分子参考数据库的建立及宏条形码引物的开发及利用[D]. 海口: 海南大学, 2023: 15-19.
    [39]

    LIM S J, THOMPSON L R. Mitohelper: a mitochondrial reference sequence analysis tool for fish eDNA studies[J]. Environ DNA, 2021, 3(4): 706-715. doi: 10.1002/edn3.187

    [40]

    MIYA M, GOTOH R O, SADO T. MiFish metabarcoding: a high-throughput approach for simultaneous detection of multiple fish species from environmental DNA and other samples[J]. Fish Sci, 2020, 86(6): 939-970. doi: 10.1007/s12562-020-01461-x

    [41]

    COUTON M, LÉVÊQUE L, DAGUIN-THIÉBAUT C, et al. Water eDNA metabarcoding is effective in detecting non-native species in marinas, but detection errors still hinder its use for passive monitoring[J]. Biofouling, 2022, 38(4): 367-383. doi: 10.1080/08927014.2022.2075739

    [42] 李诣远, DAVID C M, MICHAEL E P. 基于Nextflow构建的宏条形码自动化分析流程EPPS[J]. 生物多样性, 2019, 27: 567-575. doi: 10.17520/biods.2018211
    [43]

    FURLAN E M, DAVIS J, DUNCAN R P. Identifying error and accurately interpreting environmental DNA metabarcoding results: a case study to detect vertebrates at arid zone waterholes[J]. Mol Ecol Resour, 2020, 20(5): 1259-1276. doi: 10.1111/1755-0998.13170

    [44]

    BURIAN A, MAUVISSEAU Q, BULLING M, et al. Improving the reliability of eDNA data interpretation[J]. Mol Ecol Resour, 2021, 21(5): 1422-1433. doi: 10.1111/1755-0998.13367

    [45] 刘山林, 邱娜, 张纾意, 等. 基因组学技术在生物多样性保护研究中的应用[J]. 生物多样性, 2022, 30(10): 334-354. doi: 10.17520/biods.2022441
    [46] 杨海乐, 吴金明, 张辉, 等. 大型河流中鱼类组成的eDNA监测效率: 以长江武汉江段为例[J]. 中国水产科学, 2021, 28(6): 796-807. doi: 10.12264/JFSC2021-0556
    [47]

    KUMAR G, REAUME A M, FARRELL E, et al. Comparing eDNA metabarcoding primers for assessing fish communities in a biodiverse estuary[J]. PLoS One, 2022, 17(6): e026672.

  • 期刊类型引用(5)

    1. 廖韬梁,王芷禧,栗志民. 北部湾沿海不同地理群体施氏獭蛤形态差异分析. 安徽农业科学. 2025(01): 107-112 . 百度学术
    2. 吴韬,潘英,刘一鸣,连昌朋,徐炳杰,王超奇,杨凌. 广西北部湾海域施氏獭蛤精巢发育、精子发生及超微结构观察. 热带海洋学报. 2024(02): 69-80 . 百度学术
    3. 刘一鸣,徐炳杰,王超奇,杨凌,裴琨,韦朝民,曾尚伟,潘英. 广西北部湾织锦巴非蛤中培和养成期生长特性的比较. 南方农业学报. 2024(06): 1828-1842 . 百度学术
    4. 吴韬,潘英,连昌朋,刘一鸣,徐炳杰,王超奇,杨凌. 广西北部湾施氏獭蛤卵巢发育、卵子和卵黄发生的研究. 热带海洋学报. 2023(06): 137-149 . 百度学术
    5. 杨凌,刘一鸣,徐炳杰,王超奇,吴韬,邢清淦,裴琨,韦朝民,曾尚伟,潘英. 钝缀锦蛤在北海、防城港、钦州海区的中培与养成实验. 南方水产科学. 2023(06): 38-50 . 本站查看

    其他类型引用(3)

  • 其他相关附件

推荐阅读
Effects of flour types on quality for fried tilapia meat coated with batter
YUN Wanli et al., SOUTH CHINA FISHERIES SCIENCE, 2025
Effect of blanching treatment on oyster meat quality during refrigeration and frozen storage
CUI Junwei et al., SOUTH CHINA FISHERIES SCIENCE, 2025
Study on disturbance of oyster culture on environmental factors and bacterioplankton in dapeng cove
TONG Fei et al., SOUTH CHINA FISHERIES SCIENCE, 2024
Improvement of gel strength of fermented tilapia surimi bylactiplantibacillus plantarumthrough inhibition of protein hydrolysis
CUI Qiaoyan et al., SOUTH CHINA FISHERIES SCIENCE, 2024
Effect of airflow crushing and drying on the moisture content of carbon nanotubes
YAN Cuiping,LI Yang,LI Shilong,YAN Shaowen,ZHANG Mingxing,LI Hong, CHINA POWDER SCIENCE AND TECHNOLOGY, 2024
A review: research progress on prevention and control methods of cyanobacterial blooms
XU Zhenghong et al., CHINESE JOURNAL OF FISHERIES, 2024
Drought-tolerant bacteria and arbuscular mycorrhizal fungi mitigate the detrimental effects of drought stress induced by withholding irrigation at critical growth stages of soybean (glycine max, l.)
Nader, Aya Ahmed et al., MICROORGANISMS, 2024
Accumulation of microplastics in soil after long-term application of biosolids and atmospheric deposition
Adhikari, Kaushik et al., SCIENCE OF THE TOTAL ENVIRONMENT, 2024
Self-aeration development and fully cross-sectional air diffusion in high-speed open channel flows
JOURNAL OF HYDRAULIC RESEARCH, 2022
Investigation on aging behavior and failure mechanism of blast-resistant polyurea coating in service environments
MATERIALS TODAY COMMUNICATIONS, 2025
Powered by
图(4)  /  表(3)
计量
  • 文章访问数:  139
  • HTML全文浏览量:  47
  • PDF下载量:  52
  • 被引次数: 8
出版历程
  • 收稿日期:  2024-09-09
  • 修回日期:  2024-11-03
  • 录用日期:  2024-12-18
  • 网络出版日期:  2024-12-25
  • 刊出日期:  2025-02-04

目录

/

返回文章
返回