2024, Vol. 44文章信息
- 邹艳婷, 胡丹心, 吴非霏, 闵星月, 李飞龙, 张远
- ZOU Yanting, HU Danxin, WU Feifei, MIN Xingyue, LI Feilong, ZHANG Yuan
- 珠江流域常见鱼类及大型底栖动物DNA条形码空缺分析
- DNA barcode gap analysis for common fish and macroinvertebrate species in the Pearl River
- 生态学报. 2024, 44(4): 1564-1574
- Acta Ecologica Sinica. 2024, 44(4): 1564-1574
- http://dx.doi.org/10.20103/j.stxb.202302220304
-
文章历史
- 收稿日期: 2023-02-22
- 网络出版日期: 2023-11-27
2. 广东省广州生态环境监测中心站, 广州 510006;
3. 辽宁大学环境学院, 沈阳 110036
2. Guangzhou Ecological and Environmental Monitoring Center of Guangdong Province, Guangzhou 510006, China;
3. School of Environment, Liaoning University, Shenyang 110036, China
珠江孕育了丰富的水生生物资源, 但随着社会经济的快速发展, 航运、渔业捕捞等高强度的人类活动已造成珠江生物多样性急剧下降[1—3]。大量鱼种从过去的优势物种变为当前的珍稀濒危物种(如花鳗鲡Anguilla marmorata、唇鲮Semilabeo notabilis 等), 洄游鱼类种群数量急剧下降, 中华鲟(Acipenser sinensis)已消失多年[4]。罗非鱼(Oreochromis mossambicus)、麦瑞加拉鲮(Cirrhinus mrigala)和胡子鲇(Clarias fuscus)等外来物种的入侵进一步加剧了珠江鱼类多样性的下降, 严重威胁着珠江水生态安全[5]。开展快速、高效的生物监测成为珠江流域水生态保护的关键前提, 但传统的监测方法费时费力且需要分类鉴定专家[6—10]。近年来, 环境DNA技术正引领生物监测进入新时代[11—15], 该技术具有省时省力, 高精确的物种识别率等诸多优势[16—19]。环境DNA技术在流域推广应用的先决条件是需要一个完整的本土物种DNA条形码数据库[20—22], 若条形码数据库不完整, 会使测序得到的DNA序列无法进行物种注释[23—27], 进而低估或错估了多样性状况, 影响对生态系统中物种的真实分布与丰度的准确认识[28]。
目前, 全球物种DNA条形码数据库有NCBI GenBank、Barcode of Life Data Systems(BOLD)和EMBL核酸序列数据库等[29—31]。其中, NCBI GenBank和BOLD数据库已分别记录超过1100万和2000万的动物参考序列。加拿大是首个建立了国家物种DNA条形码数据库的国家, 随后德国、中国、日本等国家也相继开展了本国的物种DNA条形码数据库的构建[32—34]。Weigand等人[35]分析了泛欧洲大陆水生物种的DNA条形码数据库的覆盖率, 发现用于生物监测的条形码数据库空缺在不同分类群和国家之间有明显差异；Vieira等人[36]研究了马卡罗尼西亚海洋大型底栖动物的COI和18s rRNA条形码在BOLD数据库中的覆盖情况, 发现COI对不同的分类群覆盖率差异较大；Li等人[26]分析了中国河流淡水鱼类、水生昆虫和软体动物的COI条形码分别在NCBI GenBank和BOLD数据库中的覆盖率, 指出中国三大水生动物类群远没有一个具有代表性和完整的数据库。上述这些研究均表明DNA条形码数据库在不同地理区域或国别、不同分类群以及不同基因区域间存在明显差异。欧美发达地区和受关注的物种DNA条形码覆盖率更高, 而欠发达地区及其生物多样性热点流域的DNA条形码覆盖率缺乏足够了解。因此, 为提升流域的水生生物监测能力, 将环境DNA纳入生物监测业务范畴之前, 迫切需要对重点流域的物种DNA条形码数据库进行整理和分析[37—39]。
本研究以珠江流域为研究区域, 选取了流域水生态监测中两个重要指示类群：鱼类和大型底栖动物为研究对象[40—43], 分析了珠江流域常见鱼类和大型底栖动物DNA条形码覆盖率状况。首先, 从全球生物多样性信息基金(GBIF)数据库、已发表的论文和地方鱼类志中检索了珠江常见鱼类和大型底栖动物的物种清单。其次, 根据物种清单, 从NCBI GenBank数据库中检索并下载了常见鱼类(包括线粒体组和12s rRNA基因)和大型底栖动物(包括线粒体组、COI和18s rRNA基因)的DNA序列。随后, 分析了不同基因区域的DNA条形码数据库在珠江流域常见鱼类和大型底栖动物中的覆盖率。本研究的核心目的是整理和分析珠江流域常见鱼类及大型底栖动物的物种名录, 及其在现有数据库中DNA条形码记录现状, 并指出不同分类群的条形码覆盖率。本研究收集的DNA条形码序列将为在珠江流域开展基于DNA的鱼类和大型底栖动物监测提供基础数据支撑, 对缺乏DNA条形码记录的物种整理将进一步指引着珠江本土DNA条形码数据库的完善。
1 数据来源及研究方法 1.1 记录检索及物种清单为获取珠江流域有明确历史记载的鱼类和大型底栖动物的物种记录, 首先在GBIF数据库中进行检索, 检索区域设置为“China”, 以“Actinopterygii”为关键词获取鱼类中辐鳍鱼纲的物种信息；分别以“Mollusca”和“Insecta”为关键词获取大型底栖动物中软体动物和昆虫的物种信息。其次, 通过下载的数据表中提供的地理坐标信息截取珠江流域常见鱼类和大型底栖动物物种数据清单。随后, 结合研究学者近年来在国内外学术期刊发表的关于珠江流域鱼类和大型底栖动物相关研究、《珠江鱼类志》[44]、《东江流域水环境与水生态研究》[45]和《珠江水系鱼类原色图集》[46]等文献与书籍, 进一步完善和补充珠江流域鱼类和大型底栖动物的物种清单。为了对鱼类和大型底栖动物物种的拉丁名进行标准化, 包括去掉同义词和检查名称的有效性, 将整理的物种清单与Fishbase、中国生物物种名录2020版和维基百科等进行了比较, 选择有明确记录的且更常用的名字。最后, 编制了珠江流域常见鱼类和大型底栖动物物种清单。
1.2 下载并分析条形码数据库根据编制的珠江流域常见鱼类和大型底栖动物物种清单, 从NCBI GenBank数据库中下载所有可用的DNA序列, 其中, 常见鱼类包括线粒体组和12s rRNA基因, 常见大型底栖动物包括线粒体组、COI和18s rRNA基因。参考已发表文献的要求[26], 仅保留了长度超过500 bp且具有明确物种名的DNA条形码记录。设定DNA条形码最小数量阈值(即1条和5条), 分别计算DNA条形码在鱼类和大型底栖动物中的覆盖率(图 1)。
|
| 图 1 珠江流域常见鱼类和大型底栖动物物种清单和DNA序列数据来源及检索方法 Fig. 1 Data sources and retrieval methods of species lists and DNA sequences for fish and macroinvertebrates in the Pearl River |
共检索到珠江流域常见鱼类221种, 隶属于2纲18目51科和137属(图 2)。其中, 软骨鱼纲(Chondrichthyes)2种, 包含鲼形目(Perciformes)1目2科2属(即赤魟Dasyatis akajei和日本燕魟Gymura japoniica Temminck et Schlegel)；硬骨鱼纲(Osteichthyes)219种, 隶属于17目49科135属。鲤形目(Cypriniformes)种数最多(97种), 约占珠江鱼类总物种的43.89%, 鲈形目(Perciformes)其次(53种), 约占总物种的23.89%, 鼠鱚目(Gonorhynchiformes)、鲉形目(Scorpaeniformes)及鳉形目(Cyprinodontiformes)占比最少(均为0.45%)。此外, 研究发现了珠江鱼类特有属2个, 分别为金线鲃属(Sinocyclocheilus sp.)和云南鳅属(Yunnanilus sp.)；珍稀濒危鱼类17种, 分别为中华鲟(Acipenser sinensis), 阳宗白鱼(Anabarilius yangzonensis), 星云白鱼(Anabarilius andersoni), 唐鱼(Tanichthys albonubes), 常氏吻孔鲃(Poropuntius chonglingchungi), 昆明裂腹鱼(Schizothorax grahami), 抚仙鯉(Mesocyprinus fuxianensis), 云南鲤(Cyprinus yunnanensis), 翘嘴鲤(Cyprinus ilishaectomus), 黄唇鱼(Bahaba taipingensis), 阳宗金线鲃(Sinensia yangzongensis), 唇鲮(Semilabeo notabilis), 花鳗鲡(Anguilla marmorata)等。
|
| 图 2 珠江常见鱼类和大型底栖动物的物种组成百分比 Fig. 2 Species composition of common fish and macroinvertebrates in the Pearl River |
共检索到珠江常见大型底栖动物105种/属, 隶属于6纲14目53科(图 2)。其中, 蜉蝣目(Ephemeroptera)43种/属, 约占总种/属数的40.95%；其次是毛翅目(Trichoptera)23种/属, 约占总种/属数的21.90%；襀翅目(Plecoptera)13种/属, 约占总种/属数的12.38%；其余11目共占总种/属数的24.77%, 其中无吻蛭目(Arhynchobdellida)、基眼目(Basommatophora)、十足目(Decapoda)以及贻贝目(Mytiloida)仅占比0.95%(图 2)。
2.2 常见鱼类DNA条形码数据库共检索到913条线粒体组基因序列, 有81.45%的常见鱼类(共221种)在数据库中至少有1条具有代表性的基因序列(图 3), 其隶属于18目48科, 占总目数的100%, 占总科数的94.12%。不同目间的线粒体组覆盖率存在显著差异。其中灯笼鱼目(Myctophiformes)、海鲢目(Elopiformes)、鼠鱚目(Gonorhynchiformes)、脂鲤目(Characiformes)、合鳃鱼目(Synbranchiformes)、鲑形目(Salmoniformes)、鲀形目(Tetraodontiformes)、鲉形目(Scorpaeniformes)和鳉形目(Cyprinodontiformes)的鱼类线粒体组基因序列覆盖率为100%；鲶形目(Siluriformes)有93.75%的物种存在线粒体组序列, 鲱形目(Actinopterygii)也有90%的物种有一个具有代表性的线粒体组序列。鲤形目(Cypriniformes)物种数最多(97种), 其中83个物种有线粒体组序列, 线粒体组基因序列覆盖率为85.57%。颌针鱼目(Beloniformes)、鲼形目(Myliobatiformes)和鲻形目(Mugiliformes)的线粒体组基因序列覆盖率最低, 仅占该目物种种数的50%；57.92%的常见鱼类(总物种221种)在NCBI GenBank数据库中至少有1条具有代表性的12s rRNA基因序列(图 3), 隶属于18目46科, 占总目数的100%, 占总科数的90.20%。灯笼鱼目(Myctophiformes)、海鲢目(Elopiformes)、合鳃鱼目(Synbranchiformes)、鼠鱚目(Gonorhynchiformes)、鲑形目(Salmoniformes)、鲀形目(Tetraodontiformes)、鲉形目(Scorpaeniformes)和鳉形目(Cyprinodontiformes)的12s rRNA基因序列覆盖率均为100%, 其次是鲈形目(Perciformes)(覆盖率86.79%)、鲱形目(Actinopterygii)(覆盖率80%)和鳗鲡目(Anguilliformes)(覆盖率69.23%)等。鲤形目(Cypriniformes)12s rRNA基因序列数最多, 但覆盖率仅38.14%。鲶形目(Siluriformes)的12s rRNA基因序列覆盖率最低, 只有25%的物种有12s rRNA基因序列收录(图 3)。
|
| 图 3 常见鱼类线粒体组和12s rRNA基因序列的空缺分析, 条形图上的数字表示物种数 Fig. 3 Gap analysis of the mitochondrial genome and 12s rRNA gene of common fish. The numbers on the bars are the species number |
如果考虑到包含至少5个条形码序列的, 总物种的覆盖率下降到23.53%, 即共52个物种有5条或更多12s rRNA基因序列, 隶属于15目(图 3)。其中, 合鳃鱼目(Synbranchiformes)、鼠鱚目(Gonorhynchiformes)、鲉形目(Scorpaeniformes)和鳉形目(Cyprinodontiformes)中所有常见鱼类的12s rRNA基因序列数皆≥5。此外, 数据显示有27个物种可检索的12s rRNA基因序列只有1条记录, 隶属于9目, 物种数占总种数的12.11%, 包括蜥海鲢(Elops saurus)、花鰶(Clupanodon thrissa)、黄泽小沙丁鱼(Sardinella lemuru)、圆吻海鰶(Nematalosa nasus)、团头鲂(Megalobrama amblycephala)、花鱼骨(Hemibarbus maculatus)、东方墨头鱼(Garra orientalis)、革胡子鲇(Clarias gariepinus)、间下鱵鱼(Hyporhamphus intermedius)、圆鳞斑鲆(Pseudorhombus levisquamis)、弓斑多纪鲀(Takifugu ocellatus)等。
虽然在同时考虑线粒体组和12s rRNA基因区域时, 常见鱼类DNA条形码覆盖率达到87.33%, 但仍有28个物种没有线粒体组和12s rRNA基因序列收录, 隶属于9目。主要包括有：星云白鱼(Anabarilius andersoni)、日本燕魟(Gymnura japonica)、乌耳鳗鲡(Anguilla nigricans)、中华须饅(Cirrhimuraena chinensis)、尖吻蛇鳗(Ophichthus apicalis)、细身光唇鱼(Acrossocheilus elongates)、花鲆(Tephrinectes sinensi)、斑点薄鳅(Leptobotia punctatus)、黑鳈(Sarcocheilichthys nigripinnis nigripinnis)等。
2.3 常见大型底栖动物DNA条形码数据库共检索到常见大型底栖动物线粒体组基因序列65条, 来自于31种/属, 仅占总种/属数(105种/属)的29.52%。其中, 基眼目(Basommatophora)的线粒体组基因序列覆盖率为100%, 其次是鞘翅目(Coleoptera), 覆盖率为50%。蜉蝣目(Ephemeroptera)中18种/属收录有线粒体组基因序列, 占该目种/属数的41.86%, 且有4个种/属的线粒体组收录基因序列数≥5。毛翅目(Trichoptera)有6种/属收录到线粒体组基因序列, 占该目种/属数的26.09%, 仅有1个种/属线粒体组收录基因序列数≥5。襀翅目(Plecoptera)有2种/属收录到线粒体组基因序列, 占该目种/属数的15.38%, 但它们都仅有1条基因序列收录。无吻蛭目(Arhynchobdellida)、吻蛭目(Rhynchobdellida)、颤蚓目(Tubificida)、贻贝目(Mytiloida)、中腹足目(Mesogastropoda)以及十足目(Decapoda)暂无线粒体组基因序列收录。此外, 共17个种/属可检索的的线粒体组基因序列只有1条记录, 隶属于5目, 占总种/属数的16.19%, 占可检索序列种/属的54.84%, 包含绢蜉(Ephemera serica)、美丽高翔蜉(Epeorus melli)、扁蜉属(Heptagenia sp.)、等蜉属(Isonychia sp.)、红纹蜉属(Rhoenanthus sp.)、广西河花蜉(Potamanthus kwangsiensis)、大别山越南蜉(Vietnamella dabieshanensis)、倍叉属(Amphinemura sp.)、缘脉多距石蛾属(Plectrocnemia sp.)、原石蛾属(Rhyacophila sp.)、叶春蜓属(Ictinogomphus sp.)等。
共检索到26, 988条COI基因序列, 隶属于72种/属, 占常见大型底栖动物总种/属数的68.57%。其中, 鞘翅目(Coleoptera)、双翅目(Diptera)、无吻蛭目(Arhynchobdellida)、吻蛭目(Rhynchobdellida)、颤蚓目(Tubificida)、贻贝目(Mytiloida)、基眼目(Basommatophora)、中腹足目(Mesogastropoda)以及十足目(Decapoda)的COI基因序列覆盖率都是100%。其次是毛翅目(Trichoptera), 有21个种/属能在NCBI GenBank数据库中找到COI基因序列, 占该目种/属数的91.30%, 且其中19个种/属有5个或者更多的COI基因序列, 占该目种/属数的82.61%。此外, 毛翅目(Trichoptera)收录COI基因序列5459条, 其大部分种/属皆收录有丰富的COI基因序列, 如：小石蛾属(Hydroptila sp.)收录COI基因序列1127条；合脉石蛾属(Cheumatopsyche sp.)收录COI基因序列850条；Hydropsyche sp.收录COI基因序列766条；缺叉石蛾属(Chimarra sp.)收录COI基因序列444条等。
种/属数量最多的蜉蝣目(Ephemeroptera)中有23个种/属在数据库中可查到至少1条COI基因序列, 覆盖率为53.49%, 其中有18个种/属有5个或者更多的条形码, 覆盖率为41.86%, 收录COI基因序列共有2000条, 部分种/属COI基因序列收录丰富, 如小蜉属(Ephemerella sp.)收录COI基因序列625条；高翔蜉属(Epeorus sp.)收录COI基因序列322条；梧州蜉(Ephemera wuchowensis)收录COI基因序列216条等。襀翅目(Plecoptera)有5个种/属能在NCBI GenBank数据库中检索到COI基因序列, 仅占该目种/属数的38.46%, 收录COI基因序列376条, 且科与科之间的基因序列覆盖率相差较大。例如, 叉襀科(Nemouridae)的3个种/属都能在NCBI GenBank数据库中找到COI基因序列, 且多于5条；襀科(Perlidae)仅有2个种/属有记录且少于2条；襀翅目(Plecoptera)中其余4个科都无法检索到COI基因序列。
NCBI GenBank数据库中共收录了175条常见大型底栖动物的18s rRNA基因序列, 占总种/属数的34.21%(共105种/属)(图 4)。其中, 鞘翅目(Coleoptera)、无吻蛭目(Arhynchobdellida)、十足目(Decapoda)、颤蚓目(Tubificida)以及基眼目(Basommatophora)中种/属皆可查到18s rRNA基因序列, 其次是中腹足目(Mesogastropoda)和双翅目(Diptera), 均有75%的种/属可查18s rRNA基因序列。蜉蝣目(Ephemeroptera)有12个种/属在数据库中可查到至少1条18s rRNA基因序列, 占该目种/属数的26.67%。毛翅目(Trichoptera)有9个种/属在数据库中可查到至少1条18s rRNA基因序列, 覆盖率为31.03%, 但是毛翅目(Trichoptera)中种/属的可查18s rRNA基因序列数都小于5。襀翅目(Plecoptera)只有1个种/属在数据库中可查到18s rRNA基因序列, 覆盖率仅为7.14%。吻蛭目(Rhynchobdellida)和贻贝目(Mytiloida)暂无18s rRNA基因序列的收录。
|
| 图 4 常见大型底栖动物线粒体组、COI以及18s rRNA基因序列的空缺分析 Fig. 4 Gap analysis of the mitochondrial genome, COI gene and 18s rRNA gene of common macroinvertebrates |
常见大型底栖动物中有9个种/属的18s rRNA基因序列≥5, 隶属于6目, 占总种/属数的7.89%, 分别为四节蜉属(Baetis sp.)、弯握蜉属(Drunella sp.)、小蜉属(Ephemerella sp.)、纯蟥属(Paragnetina sp.)、狭溪泥甲属(Stenelmis sp.)、水丝蚓属(Limnodrilus sp.)、Nais sp.、伞菌属(Corbicula sp.)、环棱螺属(Bellamya sp.)。13个种/属可检索的18SrRNA基因序列只有1条记录, 隶属于7目, 占总种/属数的11.40%, 包括似动蜉属(Cinygmina sp.)、高翔蜉属(Epeorus sp.)、红纹蜉属(Rhoenanthus sp.)、Oecetis sp.、缘脉多距石蛾属(Plectrocnemia sp.)、Hydrobiosidae sp.、叶春蜓属(Ictinogomphus sp.)、巴蛭属(Barbronia sp.)、Radix sp.和Palaemon sp.等。
数据显示有27个种/属无线粒体组、COI以及18s rRNA基因序列收录记录, 占总种/属数的25.71%, 隶属于5目, 包括假二翅蜉属(Pseudocloeon sp.)、宝加带肋蜉(Cincticostella boja)、红天角蜉(Uracanthella rufa)、徐氏蜉(Ephemera hsui)、宽基蜉属(Choroterpes sp.)、小裳蜉属(Leptophlebia sp.)、吉氏柔裳蜉(Habrophlebiodes gilliesi)、中华细蜉(Caenis sinensis)、钩襀属(Kamimuria sp.)、中叉襀属(Mesonemura sp.)等。
3 讨论本研究通过对GBIF数据库、发表或出版的文献和书籍检索, 整理出珠江流域常见鱼类221种和大型底栖动物105种/属, 分析了这些物种在NCBI GenBank数据库中的DNA条形码的覆盖率。数据显示, 即使综合考虑本研究中的各条形码区域, 珠江常见鱼类和大型底栖动物中分别有12.67%和25.71%的物种仍然缺少条形码参考序列。如果将条形码收录的阈值设置为≥5条, 那么条形码空缺度将上升到52.94%的常见鱼类和41.90%的常见大型底栖动物。因对种/属水平的识别有较高的分辨率, 目前线粒体组、12s rRNA、18s rRNA和COI基因片段已被广泛用于鱼类和大型底栖动物的监测[47—50]。本研究针对上述基因区域DNA条形码数据的整理, 可以相对全面地评估珠江流域常见鱼类和大型底栖动物的DNA条形码现状。然而, 数据显示的DNA条形码空缺程度意味着珠江流域尚缺乏一个完整的条形码数据库, 将极大的限制基于DNA的生物监测在珠江流域的应用。
珠江常见鱼类基因序列整体覆盖率较好, 87.33%的物种收录有至少1条基因序列, 但大多物种的序列数都较少(< 5条)。仅23.53%和18.55%的鱼类有不少于5条的12s rRNA基因序列和线粒体组基因序列收录。某一物种在数据库中如果仅收录一条或少数序列将影响DNA序列的物种注释准确率。一方面, 因为缺乏有效监管, 数据库中单一序列本身可能就存在错误, 进而增加物种注释的错配概率；另一方面, 单一或少数的序列通常覆盖的地理区域过于狭窄, 无法全面地代表物种自身遗传进化和基因多样性, 这就导致对于不同地区的同一物种中的遗传差异无法预估[51—52]。因此, 条形码数据库需要对序列数少于5条的物种进行补充测序研究, 在物种分布的不同地理区域中至少包含多条DNA条形码序列, 以满足对生物多样性精准监测需求。
珠江常见大型底栖动物DNA条形码数据目前主要为COI基因序列, 线粒体组及18s rRNA研究非常少。而COI基因序列数虽然相当可观, 但其在不同目中的序列数差异非常大, 双翅目(Diptera)和毛翅目(Trichoptera)收录的序列数就占了数据库中80%以上的数据记录, 而其他12个目中仍有许多种/属序列数不超过5条, 甚至没有序列收录, 这表明珠江常见大型底栖动物中大部分物种只有一个基因区域的条形码或没有序列收录。众所周知, 大型底栖动物是生态系统中多样性最为丰富的类群之一, 其中的物种进化关系极为复杂, 软体动物和寡毛类种间遗传距离较大且难以判断, 仅依靠单一片段进行识别易造成分类错误[53]。如, 有研究发现Baetis sp.和Oligochaeta的物种COI序列存在超过10%的遗传差异, 而一些昆虫的遗传差异仅为1%—3%[54]。因此, 条形码数据库还需要收录多个基因的条形码来克服由于基于单一区域进行识别而导致的分类错位[55—56]。今后研究中应进行更广泛的采样, 对只有COI基因序列收录的物种补充线粒体组和18s rRNA的测序, 对目前还未收录有序列的物种应更加关注, 尤其是已知是生态中重要组成部分的物种[57]。大型底栖动物中覆盖率差异较大的分类群也应重点关注, 补充其中覆盖率较低的物种的条形码序列, 建立一个更为全面的条形码数据库[58—59]。
针对物种DNA条形码空缺的困境, 建立一个全面的本土物种条形码数据库应需分别从技术和管理层面开展。在技术层面上, 第三代测序技术、基因捕获等技术的最新进展, 不仅有效降低了测序成本和提高测序通量[60], 而且便携、快速的应用场景使得在野外即可完成对物种DNA序列的测序[61—62]。单分子测序无需PCR、长的序列读长(> 1kb)和无GC偏好等特点, 解决了由于扩增不良或偏好、碱基重复复杂导致的测序质量差等问题[63]。新技术的掌握与应用将为填补物种条形码空白提供快速有效的方法与手段。在管理层面上, 除关注每个物种的多个序列之外, 对DNA序列的仔细汇编、验证和注释也是建立可靠数据库的基础[64]。目前公共数据库上传数据的门槛较低, 导致数据库中的数据质量参差不齐, 对于其中可能存在的标记错误、序列冲突、分类冲突等问题无法预估[35, 64]。因此, DNA条形码数据库管理中应提高质量标准, 对分类分配进行交叉验证或标记可疑的条形码, 同时还须考虑这些序列的来源、地理信息等, 避免由于本地条形码与非本地条形码的成对遗传距离差异导致的不匹配, 确保物种由准确的DNA序列进行表示[65]。通过对不同地区或不同物种进行分开管理, 建立更多本地化数据库或针对单一物种的序列库, 进而改善条形码数据库的质量控制和管理工作流程[66—67]。
总的来说, 本研究不仅整理了珠江流域常见鱼类和大型底栖动物的物种名录, 分析了这些物种DNA条形码的覆盖状况, 而且明确指出了哪些物种在现有的数据库中仍缺乏DNA条形码记录, 强调了填补条形码数据库空白的紧迫性, 分别从技术和管理层面给出了相关的建议和策略, 这将为在珠江流域开展基于DNA的生物监测提供基础数据支持。
4 结论(1) 根据GBIF数据库及文献资料, 珠江共记录了常见鱼类221种和常见大型底栖动物105种/属。常见鱼类中有2个特有属, 17种濒危珍稀物种；常见大型底栖动物中大多为蜉蝣目、毛翅目。
(2) 在NCBI GenBank数据库中共检索到珠江流域常见鱼类的线粒体组基因组序列913条和12s rRNA基因序列962条, 分别占常见鱼类总物种数的81.45%和57.92%, 其中12.67%的物种既没有线粒体组序列也没有12s rRNA基因序列收录, 且仅23.53%和18.55%的鱼类有不少于5条的12s rRNA基因序列和线粒体组基因序列收录。常见鱼类的条形码数量不足将影响DNA序列的物种注释准确率, 后续应补充条形码序列收录。
(3) 在NCBI GenBank数据库中共检索到常见大型底栖动物线粒体组序列65条、COI基因序列26, 988条和18s rRNA基因序列175条, 分别占常见大型底栖动物总种/属数的29.52%、68.57%和37.14%, 其中有25.71%的种/属线粒体组、COI和18s rRNA基因序列皆无收录。大型底栖动物的序列主要为单一的COI基因序列, 应补充线粒体组和18s rRNA的测序。
| [1] |
Chen W T, Li C, Li X H, Li J, Li Y F. Unraveling the drifting larval fish community in a large spawning ground in the middle Pearl River using DNA barcoding. Animals: an Open Access Journal from MDPI, 2022, 12(19): 2555. |
| [2] |
Kuang T X, Chen W J, Huang S H, Liu L, Zhou L. Environmental drivers of the functional structure of fish communities in the Pearl River Estuary. Estuarine, Coastal and Shelf Science, 2021, 263: 107625. DOI:10.1016/j.ecss.2021.107625 |
| [3] |
Xia Y G. Ecological and economic impacts of exotic fish species on fisheries in the Pearl River Basin. Management of Biological Invasions, 2019, 10(1): 127-138. DOI:10.3391/mbi.2019.10.1.08 |
| [4] |
帅方敏, 李新辉, 何安尤, 刘乾甫, 张迎秋, 武智, 朱书礼. 珠江水系广西江段鱼类多样性空间分布特征. 水生生物学报, 2020, 44(4): 819-828. |
| [5] |
高天扬, 谢迪, 彭宁东, 张少平, 李潮, 罗锦桢, 王春晖, 赵俊. 北江鱼类群落结构多样性及其演替趋势. 水生态学杂志, 2018, 39(4): 54-62. |
| [6] |
Shuai F, Lek S, Li X, Zhao T. Biological invasions undermine the functional diversity of fish community in a large subtropical river. Biological Invasions, 2018, 20(10): 2981-2996. DOI:10.1007/s10530-018-1751-y |
| [7] |
Li C, Wang J J, Chen J Q, Schneider K, Veettil R K, Elmer K R, Zhao J. Native bighead carp Hypophthalmichthys nobilis and silver carp Hypophthalmichthys molitrix populations in the Pearl River are threatened by Yangtze River introductions as revealed by mitochondrial DNA. Journal of Fish Biology, 2020, 96(3): 651-662. DOI:10.1111/jfb.14253 |
| [8] |
van der Plas F. Biodiversity and ecosystem functioning in naturally assembled communities. Biological Reviews, 2019, brv.12499. |
| [9] |
Shuai F M, Li J. Nile Tilapia (Oreochromis niloticus Linnaeus, 1758) invasion caused trophic structure disruptions of fish communities in the South China River-pearl River. Biology, 2022, 11(11): 1665. DOI:10.3390/biology11111665 |
| [10] |
Guo D L, Zhou L, Wang G P, Lai H, Bi S, Chen X L, Zhao X P, Liu S, Luo Y, Li G F. Use of artificial structures to enhance fish diversity in the Youjiang River, a dammed river of the Pearl River in China. Ecology and Evolution, 2020, 10(23): 13439-13450. DOI:10.1002/ece3.6949 |
| [11] |
McGee K M, Robinson C V, Hajibabaei M. Gaps in DNA-based biomonitoring across the globe. Frontiers in Ecology and Evolution, 2019, 7: 337. DOI:10.3389/fevo.2019.00337 |
| [12] |
Elías-Gutiérrez M, Hubert N, Collins R A, Andrade-Sossa C. Aquatic organisms research with DNA barcodes. Diversity, 2021, 13(7): 306. DOI:10.3390/d13070306 |
| [13] |
Miller S E, Hausmann A, Hallwachs W, Janzen D H. Advancing taxonomy and bioinventories with DNA barcodes. Philosophical Transactions of the Royal Society of London Series B, Biological Sciences, 2016, 371(1702): 20150339. DOI:10.1098/rstb.2015.0339 |
| [14] |
李飞龙, 杨江华, 杨雅楠, 张效伟. 环境DNA宏条形码监测水生态系统变化与健康状态. 中国环境监测, 2018, 34(6): 37-46. |
| [15] |
Yang C H, Wu K C, Chuang L Y, Chang H W. DeepBarcoding: deep learning for species classification using DNA barcoding. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2022, 19(4): 2158-2165. DOI:10.1109/TCBB.2021.3056570 |
| [16] |
Pawlowski J, Apothéloz-Perret-Gentil L, Altermatt F. Environmental DNA: what's behind the term? Clarifying the terminology and recommendations for its future use in biomonitoring. Molecular Ecology, 2020, 29(22): 4258-4264. DOI:10.1111/mec.15643 |
| [17] |
Pawlowski J, Bonin A, Boyer F, Cordier T, Taberlet P. Environmental DNA for biomonitoring. Molecular Ecology, 2021, 30(13): 2931-2936. DOI:10.1111/mec.16023 |
| [18] |
Leray M, Knowlton N, Ho S L, Nguyen B N, Machida R J. GenBank is a reliable resource for 21st century biodiversity research. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(45): 22651-22656. |
| [19] |
Gostel M R, Kress W J. The expanding role of DNA barcodes: indispensable tools for ecology, evolution, and conservation. Diversity, 2022, 14(3): 213. DOI:10.3390/d14030213 |
| [20] |
Paz G, Rinkevich B. Gap analysis of DNA barcoding in ERMS reference libraries for ascidians and cnidarians. Environmental Sciences Europe, 2021, 33(1): 4. DOI:10.1186/s12302-020-00449-9 |
| [21] |
Kress W J, García-Robledo C, Uriarte M, Erickson D L. DNA barcodes for ecology, evolution, and conservation. Trends in Ecology & Evolution, 2015, 30(1): 25-35. |
| [22] |
Fontes J T, Vieira P E, Ekrem T, Soares P, Costa F O. BAGS: an automated Barcode, Audit & Grade System for DNA barcode reference libraries. Molecular Ecology Resources, 2021, 21(2): 573-583. DOI:10.1111/1755-0998.13262 |
| [23] |
Leite B R, Vieira P E, Teixeira M A L, Lobo-Arteaga J, Hollatz C, Borges L M S, Duarte S, Troncoso J S, Costa F O. Gap-analysis and annotated reference library for supporting macroinvertebrate metabarcoding in Atlantic Iberia. Regional Studies in Marine Science, 2020, 36: 101307. DOI:10.1016/j.rsma.2020.101307 |
| [24] |
Tzafesta E, Saccomanno B, Zangaro F, Vadrucci M R, Specchia V, Pinna M. DNA barcode gap analysis for multiple marker genes for phytoplankton species biodiversity in Mediterranean aquatic ecosystems. Biology, 2022, 11(9): 1277. DOI:10.3390/biology11091277 |
| [25] |
Porter T M, Hajibabaei M. Over 2.5 million COI sequences in GenBank and growing. PLoS One, 2018, 13(9): e0200177. DOI:10.1371/journal.pone.0200177 |
| [26] |
Li F L, Zhang Y, Altermatt F, Zhang X W, Cai Y P, Yang Z F. Gap analysis for DNA-based biomonitoring of aquatic ecosystems in China. Ecological Indicators, 2022, 137: 108732. DOI:10.1016/j.ecolind.2022.108732 |
| [27] |
Huemer P, Mutanen M. An incomplete European barcode library has a strong impact on the identification success of Lepidoptera from Greece. Diversity, 2022, 14(2): 118. DOI:10.3390/d14020118 |
| [28] |
Lin X L, Mo L D, Bu W J, Wang X H. The first comprehensive DNA barcode reference library of Chinese Tanytarsus (Diptera: Chironomidae) for environmental DNA metabarcoding. Diversity and Distributions, 2021, 27(10): 1932-1941. DOI:10.1111/ddi.13209 |
| [29] |
Meiklejohn K A, Damaso N, Robertson J M. Assessment of BOLD and GenBank-Their accuracy and reliability for the identification of biological materials. PLoS One, 2019, 14(6): e0217084. DOI:10.1371/journal.pone.0217084 |
| [30] |
Duarte S, Leite B, Feio M, Costa F, Filipe A. Integration of DNA-based approaches in aquatic ecological assessment using benthic macroinvertebrates. Water, 2021, 13(3): 331. DOI:10.3390/w13030331 |
| [31] |
Thakur M, Bateman A, Brooksbank C, Freeberg M, Harrison M, Hartley M, Keane T, Kleywegt G, Leach A, Levchenko M, Morgan S, McDonagh E M, Orchard S, Papatheodorou I, Velankar S, Vizcaino J A, Witham R, Zdrazil B, McEntyre J. EMBL's European bioinformatics institute (EMBL-EBI) in 2022. Nucleic Acids Research, 2023, 51(D1): D9-D17. DOI:10.1093/nar/gkac1098 |
| [32] |
Trivedi S, Aloufi A A, Ansari A A, Ghosh S K. Role of DNA barcoding in marine biodiversity assessment and conservation: an update. Saudi Journal of Biological Sciences, 2016, 23(2): 161-171. DOI:10.1016/j.sjbs.2015.01.001 |
| [33] |
Hawlitschek O, Morinière J, Dunz A, Franzen M, Rödder D, Glaw F, Haszprunar G. Comprehensive DNA barcoding of the herpetofauna of Germany. Molecular Ecology Resources, 2016, 16(1): 242-253. DOI:10.1111/1755-0998.12416 |
| [34] |
Tanizawa Y, Fujisawa T, Kodama Y, Kosuge T, Mashima J, Tanjo T, Nakamura Y. DNA Data Bank of Japan (DDBJ) update report 2022. Nucleic Acids Research, 2023, 51(D1): D101-D105. DOI:10.1093/nar/gkac1083 |
| [35] |
Weigand H, Beermann A J, Čiampor F, Costa F O, Csabai Z, Duarte S, Geiger M F, Grabowski M, Rimet F, Rulik B, Strand M, Szucsich N, Weigand A M, Willassen E, Wyler S A, Bouchez A, Borja A, Čiamporová-Zatovičová Z, Ferreira S, Dijkstra K D B, Eisendle U, Freyhof J, Gadawski P, Graf W, Haegerbaeumer A, van der Hoorn B B, Japoshvili B, Keresztes L, Keskin E, Leese F, Macher J N, Mamos T, Paz G, Pešić V, Pfannkuchen D M, Pfannkuchen M A, Price B W, Rinkevich B, Teixeira M A L, Várbíró G, Ekrem T. DNA barcode reference libraries for the monitoring of aquatic biota in Europe: gap-analysis and recommendations for future work. The Science of the Total Environment, 2019, 678: 499-524. DOI:10.1016/j.scitotenv.2019.04.247 |
| [36] |
Vieira P E, Lavrador A S, Parente M I, Parretti P, Costa A C, Costa F O, Duarte S. Gaps in DNA sequence libraries for Macaronesian marine macroinvertebrates imply decades till completion and robust monitoring. Diversity and Distributions, 2021, 27(10): 2003-2015. DOI:10.1111/ddi.13305 |
| [37] |
Specchia V, Tzafesta E, Marini G, Scarcella S, D'Attis S, Pinna M. Gap analysis for DNA barcode reference libraries for aquatic macroinvertebrate species in the Apulia region (southeast of Italy). Journal of Marine Science and Engineering, 2020, 8(7): 538. DOI:10.3390/jmse8070538 |
| [38] |
Phillips J D, Gillis D J, Hanner R H. Lack of statistical rigor in DNA barcoding likely invalidates the presence of a true species' barcode gap. Frontiers in Ecology and Evolution, 2022, 10: 859099. DOI:10.3389/fevo.2022.859099 |
| [39] |
Jin S, Kim K Y, Kim M S, Park C. An assessment of the taxonomic reliability of DNA barcode sequences in publicly available databases. ALGAE, 2020, 35(3): 293-301. DOI:10.4490/algae.2020.35.9.4 |
| [40] |
Múrria C, Somma S, Wangensteen O S, Arnedo M A, Prat N. Towards an Iberian DNA barcode reference library of freshwater macroinvertebrates and fishes. Limnetica, 2020, 39(1): 73-92. DOI:10.23818/limn.39.06 |
| [41] |
王萌, 苑艺, 于海燕, 贾显乐, 黄浩然, 陈月仙, 金小伟, 林晓龙, 王备新. 中国淡水大型底栖无脊椎动物条形码数据库构建. 中国环境监测, 2022, 38(1): 36-44. |
| [42] |
金珂, 张丽娟, 张伟, 张翔, 陈桥, 杨江华, 张咏, 张效伟. 基于环境DNA宏条形码的太湖流域底栖动物监测与生态健康评价. 中国环境监测, 2022, 38(1): 175-188. |
| [43] |
Jin L N, Yu J, Yuan X Q, Du X S. Fish classification using DNA barcode sequences through deep learning method. Symmetry, 2021, 13(9): 1599. DOI:10.3390/sym13091599 |
| [44] |
郑慈英. 珠江鱼类志. 北京: 科学出版社, 1989.
|
| [45] |
杨扬, 王赛, 崔永德. 东江流域水环境与水生态研究. 北京: 科学出版社, 2020.
|
| [46] |
李新辉, 陈方灿, 梁沛文. 珠江水系鱼类原色图集: 广东段. 北京: 科学出版社, 2018.
|
| [47] |
Andújar C, Arribas P, Gray C, Bruce C, Woodward G, Yu D W, Vogler A P. Metabarcoding of freshwater invertebrates to detect the effects of a pesticide spill. Molecular Ecology, 2018, 27(1): 146-166. DOI:10.1111/mec.14410 |
| [48] |
Elyasigorji Z, Izadpanah M, Hadi F, Zare M. Mitochondrial genes as strong molecular markers for species identification. The Nucleus, 2023, 66(1): 81-93. DOI:10.1007/s13237-022-00393-4 |
| [49] |
王晨, 陶孟, 李爱民, 施鹏, 杨江华, 王志浩, 张效伟. 基于环境DNA宏条形码技术的秦淮河生物多样性研究. 生态学报, 2022, 42(2): 611-624. |
| [50] |
Zangaro F, Saccomanno B, Tzafesta E, Bozzeda F, Specchia V, Pinna M. Current limitations and future prospects of detection and biomonitoring of NIS in the Mediterranean Sea through environmental DNA. NeoBiota, 2021, 70: 151-165. DOI:10.3897/neobiota.70.71862 |
| [51] |
Shen Y J, Hubert N, Huang Y, Wang X Z, Gan X N, Peng Z G, He S P. DNA barcoding the ichthyofauna of the Yangtze River: insights from the molecular inventory of a mega-diverse temperate fauna. Molecular Ecology Resources, 2019, 19(5): 1278-1291. DOI:10.1111/1755-0998.12961 |
| [52] |
Tsuji S, Shibata N, Inui R, Nakao R, Akamatsu Y, Watanabe K. Environmental DNA phylogeography: successful reconstruction of phylogeographic patterns of multiple fish species from cups of water. Molecular Ecology Resources, 2023, 23(5): 1050-1065. DOI:10.1111/1755-0998.13772 |
| [53] |
Curry C J, Gibson J F, Shokralla S, Hajibabaei M, Baird D J. Identifying North American freshwater invertebrates using DNA barcodes: are existing COI sequence libraries fit for purpose?. Freshwater Science, 2018, 37(1): 178-189. DOI:10.1086/696613 |
| [54] |
Vivien R, Wyler S, Lafont M, Pawlowski J. Molecular barcoding of aquatic oligochaetes: implications for biomonitoring. PLoS One, 2015, 10(4): e0125485. DOI:10.1371/journal.pone.0125485 |
| [55] |
Martins F M S, Porto M, Feio M J, Egeter B, Bonin A, Serra S R Q, Taberlet P, Beja P. Modelling technical and biological biases in macroinvertebrate community assessment from bulk preservative using multiple metabarcoding markers. Molecular Ecology, 2021, 30(13): 3221-3238. DOI:10.1111/mec.15620 |
| [56] |
Antil S, Abraham J S, Sripoorna S, Maurya S, Dagar J, Makhija S, Bhagat P, Gupta R, Sood U, Lal R, Toteja R. DNA barcoding, an effective tool for species identification: a review. Molecular Biology Reports, 2023, 50(1): 761-775. DOI:10.1007/s11033-022-08015-7 |
| [57] |
Jadewska A M, Tandberg A H S, Horton T, Brix S. Global gap-analysis of amphipod barcode library. PeerJ, 2021, 9: e12352. DOI:10.7717/peerj.12352 |
| [58] |
Hestetun J T, Bye-Ingebrigtsen E, Nilsson R H, Glover A G, Johansen P O, Dahlgren T G. Significant taxon sampling gaps in DNA databases limit the operational use of marine macrofauna metabarcoding. Marine Biodiversity, 2020, 50(5): 70. DOI:10.1007/s12526-020-01093-5 |
| [59] |
Pinna M, Saccomanno B, Marini G, Zangaro F, Kabayeva A, Khalaj M, Shaimardan L, D'Attis S, Tzafesta E, Specchia V. Testing the influence of incomplete DNA barcode libraries on ecological status assessment of Mediterranean transitional waters. Biology, 2021, 10(11): 1092. DOI:10.3390/biology10111092 |
| [60] |
Lyons E, Sheridan P, Tremmel G, Miyano S, Sugano S. Large-scale DNA barcode library generation for biomolecule identification in high-throughput screens. Scientific Reports, 2017, 7: 13899. DOI:10.1038/s41598-017-12825-2 |
| [61] |
Srivathsan A, Baloǧlu B, Wang W, Tan W X, Bertrand D, Ng A H Q, Boey E J H, Koh J J Y, Nagarajan N, Meier R. A MinIONTM-based pipeline for fast and cost-effective DNA barcoding. Molecular Ecology Resources, 2018, 18: 1035-1049. DOI:10.1111/1755-0998.12890 |
| [62] |
Truelove N K, Andruszkiewicz E A, Block B A. A rapid environmental DNA method for detecting white sharks in the open ocean. Methods in Ecology and Evolution, 2019, 10(8): 1128-1135. DOI:10.1111/2041-210X.13201 |
| [63] |
Roberts R J, Carneiro M O, Schatz M C. The advantages of SMRT sequencing. Genome Biology, 2013, 14(6): 1-4. |
| [64] |
Keck F, Couton M, Altermatt F. Navigating the seven challenges of taxonomic reference databases in metabarcoding analyses. Molecular Ecology Resources, 2023, 23(4): 742-755. DOI:10.1111/1755-0998.13746 |
| [65] |
Blackman R C, Walser J C, Rüber L, Brantschen J, Villalba S, Brodersen J, Seehausen O, Altermatt F. General principles for assignments of communities fromeDNA: open versus closed taxonomic databases. Environmental DNA, 2023, 5(2): 326-342. DOI:10.1002/edn3.382 |
| [66] |
Csabai Z, Čiamporová-Zatovičová Z, Boda P, Čiampor F. 50%, not great, not terrible: pan-European gap-analysis shows the real status of the DNA barcode reference libraries in two aquatic invertebrate groups and points the way ahead. Science of the Total Environment, 2023, 863: 160922. DOI:10.1016/j.scitotenv.2022.160922 |
| [67] |
Rahman M M, Norén M, Mollah A R, Kullander S O. Building a DNA barcode library for the freshwater fishes of Bangladesh. Scientific Reports, 2019, 9: 9382. DOI:10.1038/s41598-019-45379-6 |