南极海域浮游植物群落宏条形码分析中最小分类单元划分方法的比较
doi: 10.3969/j.issn.2095-9869.20250429001
罗培铷1 ， 刘璐1,3 ， 陈作志2 ， 张吉昌1,3 ， 王新良1,3
1. 中国水产科学研究院黄海水产研究所 农业农村部极地渔业开发重点实验室 山东 青岛 266071
2. 中国水产科学研究院南海水产研究所 农业农村部外海渔业可持续利用重点实验室 广东 广州 510300
3. 青岛海洋科技中心海洋渔业科学与食物产出过程功能实验室 山东 青岛 266237
基金项目: 国家自然科学基金青年基金(42306259)、农业农村部外海渔业可持续利用重点实验室开放课题、国家重点研发计划 (2022YFC2807605)和中国水产科学研究院中央级科研院所基本科研业务费专项资金(2024TD02)共同资助
Comparison of Minimum Taxonomic Unit Division Pipelines in Metabarcoding Analysis of Antarctic Phytoplankton Communities
LUO Peiru1 ， LIU Lu1,3 ， CHEN Zuozhi2 ， ZHANG Jichang1,3 ， WANG Xinliang1,3
1. Yellow Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences / Key Laboratory of Sustainable Development of Polar Fishery, Ministry of Agriculture and Rural Affairs, Qingdao 266071 , China
2. South China Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences / Key Laboratory for Sustainable Utilization of Open-Sea Fishery, Ministry of Agriculture and Rural Affairs, Guangzhou 510300 , China
3. Laboratory for Marine Fisheries Science and Food Production Processes, Qingdao Marine Science and Technology Center, Qingdao 266237 , China
摘要
近年来，环境 DNA 宏条形码技术已成为评估海洋浮游植物多样性的重要方法之一，高通量测序结果的分析在一定程度上影响着群落结构信息。本研究对南极海域环境 DNA 样本进行 18S rDNA V4 区高通量测序，选取目前应用最广泛的两种最小分类单元划分方法：97%操作分类单元 (OTU)和扩增子序列变体(ASV)，对浮游植物群落分析结果进行比较研究。结果显示，两种方法获得的浮游植物群落均主要由甲藻门(Dinoflagellata)、硅藻门(Bacillariophyta)、定鞭藻门(Haptophyta) 组成，Simpson 和 Shannon 多样性指数无显著差异，均能较好地反映调查海域浮游植物群落整体特征。两种方法均识别到南极棕囊藻(Phaeocystis antarctica)、无刺环毛藻(Corethron inerme)、双叉角毛藻(Chaetoceros dichaeta)、裸甲藻(Gymnodinium sp.)和原甲藻(Prorocentrum sp.)等南极海域常见优势类群。ASV 方法进一步筛选出圆柱拟脆杆藻(Fragilariopsis cylindrus)、克格伦拟脆杆藻 (Fragilariopsis kerguelensis)等引起群落差异的重要物种，能够获得更精细的物种信息。相比之下， OTU 方法则可能存在注释结果不精准或某些物种相对丰度被低估的现象。因此，当聚焦具体物种时，ASV 方法更具应用前景。另外，虽然 β 多样性在两种方法中没有显著差异，但通过对比研究发现，使用加权的距离指数(Bray-Curtis 和加权 Unifrac 距离)能够增加分析结果的可信度。通过探索最小分类单元划分方法在浮游植物群落结构和多样性分析中表现的差异，可为后续浮游植物群落的多样性研究提供方法选择依据。优化算法和测序区域的选择对浮游植物群落宏条形码多样性研究结果的影响仍需进一步探索。
Abstract

The Southern Ocean plays a pivotal role in global carbon cycling and climate regulation. As a fundamental component of Antarctic ecosystems, phytoplankton provide the main nutritional support for Antarctic krill (Euphausia superba Dana), a vital fishery resource in the Southern Ocean. Variations in phytoplankton community composition and abundance directly affect the growth, reproduction, and distribution of Antarctic krill, subsequently affecting the entire Antarctic food web and biological carbon pump processes. Understanding phytoplankton community dynamics is essential for assessing ecosystem responses to climate change and managing Southern Ocean fishery resources. In the context of global climate change, the physical environment and ecosystems of the Southern Ocean are undergoing rapid transformation. Since the beginning of the 21st century, environmental DNA (eDNA) metabarcoding has emerged as a powerful tool for studying phytoplankton diversity by enabling the rapid molecular-level assessment of distribution patterns across marine environments. This technique utilizes universal primers to amplify targeted DNA fragments for high-throughput sequencing, enabling the simultaneous analysis of multiple species in environmental samples, while effectively capturing microscopic and cryptic species. For eukaryotic phytoplankton, the 18S rDNA gene is most commonly used because of its universality, ease of amplification, and ability to provide phylogenetic information across taxonomic levels. Among the nine hypervariable regions (V1–V9), the V4 region is particularly valuable for marine phytoplankton studies. As the longest variable region, it shows superior species discrimination for diatoms and dinoflagellates, making it widely used in marine phytoplankton diversity research. However, the accuracy of diversity assessments depends heavily on bioinformatics methods for delineating taxonomic units, primarily operational taxonomic units (OTUs) and amplicon sequence variants (ASVs). Although both methods are widely used, their comparative performance in eukaryotic phytoplankton communities, particularly in Polar Regions, remains underexplored.

This study compared two widely used bioinformatics pipelines for processing Antarctic phytoplankton eDNA metabarcoding data: One (VSEARCH-UPARSE) that employs a clustering method that generates OTUs at 97% similarity and the other (USEARCH-UNOISE3) based on a denoising (error-correcting) algorithm that generates ASVs. Specifically, we assessed differences in their taxonomic resolution, α and β diversity indices, and their implications for identifying ecologically significant taxa, providing insights into methodological choices for polar biodiversity studies. Seawater samples were collected from surface waters at seven stations in the Antarctic Peninsula, Cosmonaut Sea, and Prydz Bay during the austral summer (January–March 2022) aboard the icebreaker Xuelong2 as part of China’s 38th Antarctic Expedition. Samples were immediately filtered through 0.22 μm mixed cellulose ester membranes, which were then wrapped in aluminum foil and stored at –80°C until DNA extraction. Total eDNA was extracted using the EZNA Soil DNA Kit (Omega Bio-Tek). The V4 hypervariable region of the 18S rDNA was amplified using universal primers 573F (5ʹ-CGCGGTAATTCCAGCTCCA-3ʹ) and 951R (5ʹ-TTGGYRAATGCTTTCGC-3ʹ). The PCR products were purified, quantified, and paired-end sequenced on an Illumina MiSeq platform, with blank filters used as negative controls.

The results showed that phytoplankton communities derived from both pipelines were dominated by three key phyla: Dinoflagellata (dinoflagellates), Bacillariophyta (diatoms), and Haptophyta (mainly Phaeocystis antarctica). In α diversity assessments, the Simpson and Shannon diversity indices showed no significant differences between OTU and ASV datasets (P>0.05), with ecologically reasonable values ranging from 0.54–0.91 (Simpson) and 1.80–3.13 (Shannon), indicating that both pipelines can effectively characterize the overall structure of phytoplankton communities in the study areas. However, the OTU approach generated significantly higher richness indices than the ASVs (P<0.05), whereas the ASVs exhibited greater Pielou’s evenness indices. This discrepancy likely stems from artifacts in OTU clustering, where sequence errors or intragenomic variants may inflate diversity estimates by generating low-abundance false-positive OTUs. At the species level, both pipelines identified common dominant taxa in Antarctic waters, including P. antarctica, Corethron inerme, Chaetoceros dichaeta, Gymnodinium sp., and Prorocentrum sp., which is consistent with known Antarctic assemblages. Among these species, P. antarctica has frequently been underestimated in traditional microscopic examinations owing to its small cell size (typically 5–10 μm). Crucially, ASVs provided more precise taxonomic information, identifying dominant species such as Fragilariopsis cylindrus and Fragilariopsis kerguelensis, which were underestimated or exhibited less accurate annotation in the OTU database. The ASV pipeline also detected the potentially invasive dinoflagellate Ptychodiscus noctiluca, which was absent in the OTU results. For β diversity analysis, weighted distance indices (Bray-Curtis and Weighted Unifrac) showed consistent patterns between pipelines (P>0.1), whereas unweighted indices (Jaccard and Unweighted Unifrac) exhibited significant discrepancies (P<0.05). Therefore, we suggest prioritizing abundance-weighted approaches to describe β diversities for more robust community comparisons.

In conclusion, both OTU and ASV pipelines can effectively characterize the Antarctic phytoplankton community characteristics from eDNA metabarcoding based on high-throughput sequencing data, whereas the ASV pipeline appears to show greater potential for future applications in achieving finer taxonomic resolution or inter-study comparisons. A comparative analysis of different pipelines for minimum taxonomic unit divisions can provide a theoretical basis for the selection of methods for future phytoplankton diversity research. With the advances in data processing methods, the influence of different algorithms and genetic markers on metabarcoding-based phytoplankton community diversity analysis requires further exploration.

南大洋是影响全球碳循环及气候变化的关键地区之一（Gruber et al，2019），在全球气候变化背景下，南大洋物理环境和生态系统正在经历一系列快速变化。浮游植物作为南极生态系统的基础环节，是南极重要渔业资源——南极磷虾（Euphausia superba）等浮游动物的主要食物来源，其群落组成和丰度的时空变动与南极磷虾的生长繁殖和集群分布密切相关（Marrari et al，2008; 左涛等，2015），进而影响南极食物网动态（Simon et al，2009; Falkowski，2012）及生物碳泵过程（Tréguer et al，2018）。准确把握浮游植物群落特征，不仅能为南大洋气候响应和生态系统变化等相关研究提供重要依据（Deppeler et al，2017），还可以为磷虾渔业资源评估和管理提供更全面的科学参考（赵云霞等，2025）。
21 世纪以来，基于高通量测序的环境 DNA 宏条形码技术兴起，从分子层面快速揭示浮游植物在各个海域的分布模式，为浮游植物多样性研究提供了重要信息（Massana et al，2015），也为海洋环境的监测提供了技术支撑。DNA 宏条形码技术利用通用引物扩增靶向 DNA 片段并进行高通量测序，可对环境中的多物种进行分析（Pawlowski et al，2012; Burki et al，2021）。针对不同类群的物种，靶向 DNA 片段通常也有不同的选择，其中，18S rDNA 凭借其普遍性、易于扩增且能提供不同分类阶元下的系统发育信息等特点，最常被选择用于浮游植物多样性研究（Bukin et al，2019; Obiol et al，2020）。18S rDNA 上共有 9 个可变区（V1~V9，其中 V6 区域因相对保守常被排除考虑）（Hadziavdic et al，2014）。V4 和 V9 区域被认为能更好地表征物种多样性，具备用于宏条形码研究的潜力（Stoeck et al，2010; Tragin et al，2018），其中 V4 区域作为最长的可变区（Bailet et al，2019），对硅藻和甲藻有较高的物种区分度（Zimmermann et al，2011; Ki，2012），目前被广泛应用于海洋浮游植物多样性研究中（Zhang et al，2015; Liu et al，2022）。
然而，在多方面因素影响下，高通量测序错误通常难以避免，极易引入不存在的物种，从而导致对多样性的高估（Bik et al，2012）。因此，如何对高通量测序产生的原始序列数据进行处理以得到更接近真实的生物序列和多样性信息显得尤为重要。目前常见的最小分类单元划分方法为基于操作分类单元（OTU）的聚类方法和基于扩增子序列变体（ASV）的降噪方法。其中 OTU 方法通过设定相似性阈值（通常为 97%），将相似性高于这一阈值的序列划分为一类（Edgar，2013），多年以来在浮游植物群落研究中被广泛应用，如 Lin 等（2017）采用 OTU 方法展示了南极半岛西部浮游植物群落结构，并发现少数 OTU 在预测群落净生产力时起到关键作用。由于 OTU 是根据人为设定的阈值生成的，一定程度上影响分类分辨率（García-López et al，2021），且与相关研究数据比对时往往缺乏一致性（Nearing et al，2018; Jeske et al，2022）。近年来，通过模型训练引入降噪算法预测并纠正错误序列的 ASV 方法出现，ASV 降噪方法旨在还原真实序列，不依赖设定的阈值进行聚类，理论上能够提高分类分辨率且便于相关研究之间的数据比较（Edgar，2016; Callahan et al，2016; Nearing et al，2018）。目前，关于南极海域浮游植物宏条形码研究中，基于 ASV 的降噪方法的应用范围逐步扩大，如 Trefault 等（2021）同时使用 18S 核糖体 DNA 和 16S 质体 DNA 宏条形码技术结合 ASV 方法监测了南极半岛西部全年的浮游植物群落动态变化，并揭示了传统方法遗漏的 Mamiellophyceae polaris 等绿藻类群及其季节性演替； Brown 等（2021）和 Hamilton 等（2021）使用高分辨率的 ASV 方法分别揭示了南极半岛西部的低多样性的隐藻类群；Liu 等（2024）使用 ASV 方法在南极半岛北部发现了未记录的有害藻华物种。
综上所述，两种方法普遍应用于浮游植物群落研究，OTU 作为前期常见研究手段获得了大量研究结果，ASV 方法则被认为具有发现更多稀有类群的潜力。目前常用的 OTU 和 ASV 算法最初均基于 16S rDNA 开发，已有大量研究对这两种方法在原核微生物组研究中得到的结果进行比较和评估（Nearing et al，2018; García-López et al，2021; Jeske et al，2022; 钟辉等，2022），但在浮游植物等真核 18S rDNA 相关研究中的比较有待进一步探究（de Santiago et al，2022）。本研究对南极海域 7 个站位采集的环境 DNA 样本进行 18S rDNA V4 区扩增子测序，得到的序列结果分别使用 OTU 和 ASV 两种方法对浮游植物群落组成进行比较分析，旨在探索不同分类单元划分方法在浮游植物群落结构及多样性分析中的表现差异，为浮游植物群落研究提供方法选择依据。
1 材料与方法
1.1 样品采集
本次调查依托中国第 38 次南极科学考察，于 2022 年 1―3 月（南极夏季）乘“雪龙 2”船在南极半岛周边海域（DA04、DC02）、宇航员海（C208、C707、C409）和普里兹湾（P106、P110）共 7 个站位采集样品（图1）。根据地理位置将 7 个站位定义为 2 组（DC02 和 DA04 为组 1，P106、P110、C208、C409 和 C707 为组 2）。每个站位采集走航表层海水 3 L 并过滤至 0.22 μm 混合滤膜，用铝箔包裹并放置在–80℃冰箱内保存。
图1南极海域采样站位点分布
Fig.1Sampling stations in Antarctic waters
1.2 DNA 提取及测序分析
使用 E.Z.N.A. Soil DNA Kit（Omega Bio-tek，Inc.，美国）试剂盒从海水样本提取 DNA，采用通用引物 573F（5′-CGCGGTAATTCCAGCTCCA-3′）和 951R（5′-TTGGYRAATGCTTTCGC-3′）对 18S rDNA V4 区域序列进行扩增（Mangot et al，2013），设置空白滤膜作为阴性对照。PCR 扩增产物经 1%琼脂糖凝胶电泳检测和纯化后，在 Illumina Miseq 测序平台进行双端测序，其中阴性对照未检测到条带。得到的双端序列数据根据 barcode 序列拆分为不同样本，利用 PEAR 软件进行质控，去除含有模糊碱基、引物错配的序列，对序列进行修剪，去除序列中质量值低于 Q20 的碱基，根据双端序列（paired-end reads）的重叠（overlap）关系对两端序列进行拼接（merge）处理，最小 overlap 设置为 10 bp，p-value 设置为 0.000 1。又使用 VSEARCH 软件根据已知数据库用 UCHIME 算法比对去除嵌合体，同时去除不合要求的短序列。最终得到的有效序列数据分别使用以下分析方法得到 OTU 数据集和 ASV 数据集。
OTU 数据集的构建（聚类方法）：在 VSEARCH 软件中使用改良 UPARSE 算法，将有效序列按照 97% 的相似性阈值划分为操作分类单元（Edgar，2013; Rognes et al，2016）。
ASV 数据集的构建（降噪方法）：在 USEARCH 软件中使用 UNOISE3 算法，去除嵌合体并纠正测序和 PCR 过程的点错误，默认去除序列读数低于 8 的序列，将得到的有效序列进行一次性聚类，划分为扩增子序列变体（Edgar，2016）。
以上测序分析工作均在南京奥维森基因科技有限公司完成。最小分类单元划分后的序列信息与 PR2_v5.0.1 数据库进行比对，注释物种分类信息，并在世界海洋物种目录 WoRMS（www.marinespecies.org）和藻类数据库 Algae Base（www.algaebase.org）进行核实，筛选保留 OTU 和 ASV 数据集中的所有浮游植物物种进行比较分析。
1.3 数据分析
物种组成和 α 多样性分析在 R（v 4.3.3）中完成。 α 多样性指数（包括 Simpson 多样性指数、Shannon 多样性指数、Richness 丰富度指数和 Pielou 均匀度指数）使用 vegan 软件包计算。
β 多样性和群落差异性分析使用 Primer 6.0 软件进行。对物种丰度数据进行平方根转换处理后，计算 Bray-Curtis 距离和 Jaccard 距离。基于 Bray-Curtis 相似性指数对OTU和ASV数据集中的浮游植物群落结构差异进行 NMDS（Non-metric Multi-Dimensional Scaling）非度量多维尺度分析。使用 ANOSIM（Analysis of Similarities）相似性分析对浮游植物群落差异性进行检验，并通过 SIMPER（Similarity Percentages）相似性百分比分析筛选引起差异（组间差异贡献率前 10）的物种（Clarke，1993）。加权和未加权 Unifrac 距离在 Qiime2 中直接计算。
采用 Shapiro-Wilk 检验数据正态性（Shapiro and Wilk，1965），不符合正态分布的数据使用 Wilcoxon 秩和检验进行差异比较（Wilcoxon，1992），上述检验在 R（v 4.3.3）中完成。
2 结果
2.1 南极海域浮游植物群落组成比较
研究共得到 210 558 条序列用于 OTU 分析，对应 411 个 OTU，其中 44 个 OTU 出现在所有站位； 得到 208 763条序列用于 ASV分析，对应 229个 ASV，其中 75 个 ASV 出现在所有站位。注释结果显示， OTU 和 ASV 数据集均注释到 6 门，包括甲藻门（Dinoflagellata）、硅藻门（Bacillariophyta）、定鞭藻门（Haptophyta）、绿藻门（Chlorophyta）、褐藻门（Ochrophyta）和隐藻门（Cryptophyta）。在其他分类阶元下，OTU 数据集分别注释了 19 纲、45 目、84 科、101 属和 127 种， ASV 数据集分别注释了 14 纲、34 目、57 科、65 属和 86 种，二者共同注释了 14 纲、33 目、51 科、60 属和 75 种（图2）。其中，OTU 数据集注释到 52 个特有物种，远多于 ASV 数据集，但 OTU 数据集中这 52 个特有物种对应的总相对丰度仅为 0.62%，低于 ASV 数据集中 11 个特有物种对应的总相对丰度 0.79%。
图2OTU 和 ASV 数据集在不同分类阶元下共同和特有注释数量
Fig.2The number of common and unique annotated taxa in OTU and ASV datasets at different taxonomic levels
OTU 数据集得到的浮游植物群落主要由甲藻纲（Dinophyceae）、普林藻纲（Prymnesiophyceae）、中心硅藻纲（Centricae）和羽纹硅藻纲（Pennatae）组成（图3a）。其中，甲藻纲主要包括环沟藻属（Gyrodinium）、原甲藻属（Prorocentrum）、裸甲藻属（Gymnodinium）和 Kapelodinium 属，普林藻纲主要包括棕囊藻属（Phaeocystis），中心硅藻纲主要包括环毛藻属（Corethron）、角毛藻属（Chaetoceros）、小盘藻属（Minidiscus）和海链藻属（Thalassiosira），羽纹硅藻纲主要包括拟菱形藻属（Pseudo-nitzschia）（图3b）。
ASV 数据集得到的浮游植物群落同样以甲藻纲、普林藻纲、中心硅藻纲和羽纹硅藻纲为主（图3a）。除上述与 OTU 相同的属之外，还注释到较多甲藻纲的 Ptychodiscus 属和羽纹硅藻纲的拟脆杆藻属（Fragilariopsis）（图3b）。
比较发现，OTU 和 ASV 数据集得到的浮游植物群落物种组成及相对丰度在纲水平上基本一致（图3a），在属水平上呈现一定差异（图3b）。OTU 数据集中存在较多未分类的甲藻和羽纹硅藻，Ptychodiscus 属和拟脆杆藻属相对丰度不高；ASV 数据集则恰好相反，如在 DA04 站位，OTU 数据集中未分类甲藻和 Ptychodiscus 属的相对丰度分别为 8.34%和 0.0034%， ASV数据集中未分类甲藻和 Ptychodiscus属的相对丰度分别为 4.46%和 3.50%；在 C208 站位，OTU 数据集中未分类羽纹硅藻和拟脆杆藻属相对丰度分别为 7.94%和 0.49%，ASV 数据集中未分类羽纹硅藻和拟脆杆藻属相对丰度分别为 0.55%和 7.82%。
将相对丰度前 20 的 OTU（占总丰度 85.79%）和 ASV（占总丰度 84.91%）进行比较分析，16 个注释结果相同且相对丰度接近，其中 11 个注释到属或种水平，包括南极棕囊藻（Phaeocystis antarctica）、无刺环毛藻（Corethron inerme）、小盘藻（Minidiscus sp.）、双叉角毛藻（Chaetoceros dichaeta）等（图4）。例如，还有部分 OTU 和 ASV 在各站位相对丰度相似而注释不同。 OTU_132 与 ASV_4、OTU_57 与 ASV_9 相对丰度相似，ASV 分别注释到圆柱拟脆杆藻（Fragilariopsis cylindrus）和克格伦拟脆杆藻（Fragilariopsis kerguelensis），而 OTU 仅注释到羽纹硅藻纲（Pennate）。另外，ASV_18 注释结果为 Ptychodiscus noctiluca，仅在 ASV 数据集中有较高的相对丰度。
图3纲（a）和属（b）水平上浮游植物群落组成及相对丰度比较
Fig.3Composition and relative abundance of phytoplankton community at Class-level (a) and Genus-level (b)
2.2 浮游植物群落 α 多样性指数比较
基于 OTU 和 ASV 数据集分别计算了各站位浮游植物群落 α 多样性指数（图5），结果表明，Simpson 多样性指数在 OTU 和 ASV 数据集中范围均为 0.54~0.91，Shannon 多样性指数范围分别为 1.80~3.07 和 1.83~3.13，多样性指数无显著差异（图5a、5b）。 Pielou 均匀度指数在 OTU 和 ASV 数据集中范围分别为 0.24~0.38 和 0.25~0.41，丰富度指数在 OTU 和 ASV 数据集中范围分别为202~277和150~193，二者在OTU 和 ASV 数据集间均存在显著差异（P＜0.05）（图5c、5d）。 α 多样性指数中，仅丰富度指数在 ASV 数据集中低于 OTU 数据集，其他指数均在 ASV 数据集中更高。站位间比较发现，南极半岛周边海域的 DC02 站位 Simpson 多样性指数、Shannon 多样性指数和 Pielou均匀度指数均明显低于其他站位，由南极棕囊藻（约占总丰度的 67.52%）主导；位于普里兹湾的 P106 站位各项指数均略高于其他站位。
图4相对丰度前 20 的 OTU 和 ASV
Fig.4Heatmap of the top 20 OTUs and ASVs
p_：门；c_：纲；g_：属；s_：种。
p_: Phylum; c_: Class; g_: Genus; s_: Species.
图5浮游植物群落的 α 多样性指数
Fig.5Alpha diversity index of phytoplankton community
2.3 浮游植物群落 β 多样性差异比较
进一步比较 ASV 和 OTU 两种方法在浮游植物群落 β 多样性分析中的表现，分别对 OTU 和 ASV 数据集进行基于 Bray-Curtis 相似性的 NMDS 分析（图6），得到的结果基本一致，在 50%相似性水平上组 1 和组 2 浮游植物群落存在明显差异。
通过 ANOSIM 分析发现，两个数据集中浮游植物群落在南极海域均存在显著空间差异，P 值均为 0.048。为进一步找出引起浮游植物群落差异的主要物种，分组后对 OTU 和 ASV 数据集分别进行 SIMPER 分析，两个数据集得到的组间差异相近，分别为 49.00%和 47.65%。图7列出了组间差异贡献率前 10 的 OTU 和 ASV，其中 8 个注释相同，南极棕囊藻、小盘藻和未分类的硅藻在 2 个数据集中均表现出较高的差异贡献率。不同的是未分类羽纹硅藻（OTU_132、OTU_57）仅在 OTU 数据集中表现出较高的差异贡献率，圆柱拟脆杆藻（ASV_4）和克格伦拟脆杆藻（ASV_9）仅在 ASV 数据集中表现出较高的差异贡献率。
图6基于 Bray-Curtis 相似性的 NMDS 分析 OTU 数据集（a）和 ASV 数据集（b）
Fig.6NMDS analysis based on Bray-Curtis similarity for OTU dataset (a) and ASV dataset (b)
图7对浮游植物群落组成差异贡献率前 10 的物种及其平均丰度
Fig.7Species contributions and average abundance of phytoplankton community
p_：门；c_：纲；g_：属；s_：种。
p_: Phylum; c_: Class; g_: Genus; s_: Species.
常用于 β 多样性分析的 4 种距离指数包括基于分类单元计算的 Bray-Curtis 距离和 Jaccard 距离以及基于系统发生树计算的加权 Unifrac 距离和未加权 Unifrac 距离。Jaccard 和未加权 Unifrac 距离指数在计算时仅考虑物种的有无，而 Bray-Curtis 和加权 Unifrac 距离指数在计算时同时考虑了物种丰度加权信息（Lozupone et al，2007）。本研究中，在 OTU 和 ASV 数据集中分别计算的 Bray-Curtis 距离（图8a）和加权 Unifrac 距离（P＞0.1，图8c）基本一致（P＞0.1），而计算 Jaccard 距离（图8b）和未加权 Unifrac 距离（图8d）时 OTU 和 ASV 数据集则存在显著差异（P＜0.05）。
3 讨论
3.1 物种组成差异分析
本研究基于 OTU 聚类方法和 ASV 降噪方法分析南极海域 eDNA 高通量测序数据，结果显示浮游植物群落主要由硅藻门、甲藻门和定鞭藻门组成。两个数据集均注释到的优势种，如无刺环毛藻、双叉角毛藻、裸甲藻（Gymnodinium sp.）和原甲藻（Prorocentrum sp.）等，也是传统显微镜调查中南极海域夏季常见的优势种（栾青杉等，2012; Liu et al，2023）。近年来在由气候变化引起的物种小型化趋势下，南极棕囊藻在南极海域的分布优势逐渐扩大（Rozema et al，2017; Li et al，2024），但其粒径微小（通常为 5~10 μm），在传统镜检中容易被忽视（乔玲等，2022），本研究使用 eDNA 宏条形码技术在 OTU 和 ASV 数据集中均注释到较高丰度的南极棕囊藻，进一步证明了本研究方法的可行性。星脐藻属（Asteromphalus）、圆筛藻属（Coscinodiscus）、根管藻属（Rhizosolenia）、拟菱形藻属、海链藻属、海毛藻属（Thalassiothrix）等传统显微镜调查中常见的优势类群在本研究两个数据集中均有注释到。
图8浮游植物群落的 β 多样性距离指数
Fig.8Beta diversity distance index of phytoplankton community
a：Bray-Curtis 距离；b：Jaccard 距离；c：加权 Unifrac 距离；d：未加权 Unifrac 距离。
a: Brat-Curtis distance; b: Jaccard distance; c: Weighted Unifrac distance; d: Unweighted Unifrac distance.
进一步对比优势种显示，克格伦拟脆杆藻、圆柱拟脆杆藻和 Ptychodiscus noctiluca三个物种仅在 ASV 数据集中表现出优势，其中，克格伦拟脆杆藻和圆柱拟脆杆藻还是引起站位间浮游植物组成差异的主要贡献物种。拟脆杆藻属是南大洋最常见的硅藻类群之一（Malviya et al，2016），作为南极磷虾的重要饵料（薛梅等，2021），对南极生态系统和食物网起到重要的支撑作用。克格伦拟脆杆藻是南极海域夏季常见优势种，在整个南极海域跨环境梯度广域分布，是南极绕极流区硅藻泥积累的重要来源，其壳体沉降对生物泵碳汇具有重要意义（Kopczyńska et al，1998; 孙军等，2003; 栾青杉等，2012; Assmy et al，2013; Liu et al，2023）；圆柱拟脆杆藻主要分布于水温较低的季节性海冰覆盖水域及冰缘区，是冰下及冰缘浮游生物群落的关键物种，因具有良好的黑暗与低温适应性而被视为极地海域的重要指示种（Kang et al，1992; Mock et al，2017; Joli et al，2024）。甲藻 Ptychodiscus noctiluca 在全球海域广泛分布（Gómez et al，2016），此前显微镜观察调查中未有过其在南极海域的分布记录，Liu 等（2022）在使用 18S rDNA V4 区引物结合 ASV 方法对南极半岛北部夏季浮游植物群落展开的宏条形码研究中检测到该物种，并推测了其由于航运等人为活动而作为外来物种被引入南极海域的可能性。此外，本研究中仅在 ASV 数据集中注释到了大西洋角毛藻（Chaetoceros atlanticus），其相对丰度较高，在 C707 和 C409 站位分别为 1.01%和 1.67%。大西洋角毛藻同样在南极海域广泛分布，在普里兹湾和南极半岛周边海域夏季的显微镜观察调查浮游植物群落中常作为优势种出现（孙军等，2003; Liu et al，2023）。在 OTU 数据集中，克格伦拟脆杆藻、圆柱拟脆杆藻和大西洋角毛藻等南极海域常见物种的相对丰度远低于 ASV 数据集，未分类羽纹硅藻的相对丰度却更高，推测这些羽纹硅藻对应的 OTU 可能未被精确注释。由于 OTU 聚类方法是基于人为限制的相似性阈值，容易忽视测序结果中的质量信息，从而损失区分更精细序列多样性的可能性（陈楠生，2020）。
本研究选择 18S rDNA V4 区作为靶向区域进行扩增测序。硅藻是南极海域的传统优势浮游植物类群（Kopczyńska et al，1998; 栾青杉等，2012），而 V4 区对硅藻有较高的物种区分度（Zimmermann et al，2011），注释分辨率也更高（Stoeck et al，2010; 郭雨沛等，2023）。研究结果检测到大量硅藻、甲藻和定鞭藻（主要为南极棕囊藻），但其中大部分甲藻仅注释到门水平，隐藻、绿藻和褐藻丰度较低。近年来，在全球气候变化影响下，南极海域浮游生物呈现小型化趋势，优势类群逐渐从硅藻等大型微藻向隐藻、棕囊藻等小型微藻转变（Mendes et al，2013; Rozema et al，2017; Li et al，2024），甲藻和绿藻在南极海洋生态系统中发挥的作用也日益增加（Feng et al，2022a、2022b; Liu et al，2022）。V9 区对物种多样性的覆盖度或许更高，尤其针对甲藻门和绿藻门的浮游植物（郭雨沛等，2023）。也有研究使用 V9 区引物在南极海域检测出较多隐藻门浮游植物（Hamilton et al，2021）。因此，后续研究可以结合不同 DNA 区域测序结果共同描述更完整的物种组成信息（Choi et al，2020; Leite et al，2021）。此外，物种注释结果往往受到数据库本身局限性的影响，南极特有浮游植物的 DNA 数据库也亟待补充完善。
3.2 多样性差异分析
α 多样性是用于衡量浮游植物群落多样性的重要指标（Shade，2017）。在本研究中，OTU 和 ASV 方法得到的 Shannon 和 Simpson 多样性指数没有显著差异，且与传统显微镜观察结果基本一致（栾青杉等，2012; Liu et al，2023）。OTU 数据集中的物种丰富度明显高于 ASV 数据集，Pielou 均匀度指数则低于 ASV 数据集，这一结果可能是 OTU 数据集中注释到的较多低丰度特有物种引起的。分析两个数据集中的特有物种组成，发现 ASV 数据集中的 11 个特有物种全部以 97%以上的一致性注释到属或种水平，且存在大西洋角毛藻等丰度较高的南极常见种。而 OTU 数据集中注释到的 53 个特有物种中半数以上注释一致性低于 97%，且其中 42 个物种在各站位相对丰度均低于 0.05%。事实上，目前已有研究指出，OTU 聚类方法同样可能存在产生假阳性和高估物种多样性的现象（Kopylova et al，2016; Chiarello et al，2022）。这些低丰度 OTU 可能由低分辨率（97%）聚类偏差或质量过滤不充分引起，而 ASV 降噪方法能更有效地将高通量测序信息转化为物种分类信息并减少测序错误带来的副作用，从而排除假阳性结果（Edgar，2016; 陈楠生，2020; 钟辉等，2022）。
β 多样性常用于表征群落间的物种组成差异（Lozupone et al，2007）。本研究中，无论基于分类单元还是系统发生树计算距离指数，OTU 数据集中得到的未加权距离指数均明显高于 ASV 数据集（图8），这一结果可能与 OTU 数据集中大量低丰度的 OTU 有关（Chiarello et al，2022）。由于推测 OTU 数据集中更多的低丰度特有物种是假阳性的结果，因此认为在进行 β 多样性分析时使用不受影响的加权距离指数更具可信度。
3.3 OTU 与 ASV 分析方法比较
本研究重点探索了在对测序数据的生物信息学分析处理过程中使用不同最小分类单元划分方法得到的群落多样性研究结果差异。目前常用的 OTU 聚类算法主要包括 UCLUST（Edgar，2010）、UPARSE（Edgar，2013）和 Cd-hit（Li et al，2006）等，其中， UCLUST 和 UPARSE 算法均基于 USEARCH 软件开发。VSEARCH 软件在模仿 UPARSE 核心算法的基础上进行改进，被认为具有更高的聚类准确率（Rognes et al，2016），作为 USEARCH 软件的开源替代品被广泛使用。常用的 ASV 降噪算法主要包括 DADA2（生成 ASV）（Callahan et al，2016）、Deblur（生成 sub-OTU）（Amir et al，2017）、UNOISE3（生成 zero-radius OTU）（Edgar，2016）等。尽管不同降噪算法的开发者对得到的最小操作单元使用了不同术语，如 sub-OTU 和 zero-radius OTU，但其本质原理仍为扩增子序列变体，因此，统称为 ASV 方法（Nearing et al，2018）。本研究中，OTU 方法选用了目前应用最广泛的 VSEARCH 软件中的改良 UPARSE 算法，ASV 方法选用了最近发布且运行速度更快的 USEARCH 软件中的 UNOISE3 算法，结果具有一定代表性。
本研究中 OTU 聚类方法和 ASV 降噪方法均能较好地反映南极海域浮游植物群落特征。在分辨率方面， OTU 方法采用目前最常用的 97%相似性阈值，存在无法准确注释某些近缘物种序列的现象，如本研究中羽纹硅藻纲的克格伦拟脆杆藻和圆柱拟脆杆藻；而 ASV 方法通过误差校正保留真实序列差异，分类分辨率不受人为设定阈值影响，使这些序列得以稳定地得到准确注释。对 16S 微生物组的研究显示，相似性阈值更高的 OTU 聚类方法能得到与 ASV 降噪方法更为相近的结果（García-López et al，2021; 钟辉等，2022）。这也说明 OTU 方法的聚类结果受到相似性阈值、参考数据库、样本组成等多方面因素影响，同一序列可能在不同研究中被划分为不同 OTU，从而得到不同的注释结果；而 ASV 方法通过纠错模型生成的唯一序列则能得到更准确的注释且更具跨研究可比性。在错误处理方式方面，OTU 方法有一定概率保留高频测序错误并将其划分为低丰度假阳性 OTU；而 ASV 降噪方法理论上能更有效地剔除这些测序错误，保留真实生物序列。综上所述，在使用 eDNA 宏条形码技术对浮游植物群落展开的研究中，如果仅需了解群落整体结构和多样性趋势信息，则 OTU 和 ASV 方法均适用，其中 OTU 方法计算资源需求更低，具有更高的普适性。而当聚焦更精细的物种组成时， ASV 方法或许更具优势。随着计算机算力的不断提升，ASV 方法占据的内存及运行时间得到优化，有望在未来得到更广泛的应用。
4 结论
本研究基于环境 DNA 宏条形码技术对南极浮游植物群落多样性开展研究，选取两种最小分类单元划分方法 OTU（VSEARCH-UPARSE）和 ASV（USEARCHUNOISE3）分别对高通量测序数据进行统计分析。研究结果表明，两种方法得到的纲水平上浮游植物群落组成、Simpson 和 Shannon 多样性指数以及 β 多样性结果基本一致。相比较而言，ASV 能够获得更精确的物种信息，而基于 97%相似性聚类得到的 OTU 可能存在注释结果不精准或部分高贡献度物种丰度被低估的现象；另外，OTU 聚类方法能得到较 ASV 降噪方法更高的物种丰富度，但这可能是由假阳性造成的高估。总体来说，使用 OTU 聚类方法和 ASV 降噪方法对宏条形码高通量测序数据进行分析得到的结果均能较好地反映浮游植物群落特征，而在更详细的浮游植物群落物种组成分析中，ASV 能注释到更精确的物种信息。随着数据处理方法的迭代升级，不同的 OTU 相似性阈值和不同的 ASV 算法对浮游植物群落宏条形码多样性研究结果的影响仍需进一步探索。
图1南极海域采样站位点分布
Fig.1Sampling stations in Antarctic waters
图2OTU 和 ASV 数据集在不同分类阶元下共同和特有注释数量
Fig.2The number of common and unique annotated taxa in OTU and ASV datasets at different taxonomic levels
图3纲（a）和属（b）水平上浮游植物群落组成及相对丰度比较
Fig.3Composition and relative abundance of phytoplankton community at Class-level (a) and Genus-level (b)
图4相对丰度前 20 的 OTU 和 ASV
Fig.4Heatmap of the top 20 OTUs and ASVs
图5浮游植物群落的 α 多样性指数
Fig.5Alpha diversity index of phytoplankton community
图6基于 Bray-Curtis 相似性的 NMDS 分析 OTU 数据集（a）和 ASV 数据集（b）
Fig.6NMDS analysis based on Bray-Curtis similarity for OTU dataset (a) and ASV dataset (b)
图7对浮游植物群落组成差异贡献率前 10 的物种及其平均丰度
Fig.7Species contributions and average abundance of phytoplankton community
图8浮游植物群落的 β 多样性距离指数
Fig.8Beta diversity distance index of phytoplankton community
AMIR A, MCDONALD D, NAVAS-MOLINA J A, et al. Deblur rapidly resolves single-nucleotide community sequence patterns. mSystems, 2017, 2(2): e00191-16
ASSMY P, SMETACEK V, MONTRESOR M, et al. Thick-shelled, grazer-protected diatoms decouple ocean carbon and silicon cycles in the iron-limited Antarctic Circumpolar Current. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(51): 20633-20638
BAILET B, BOUCHEZ A, FRANC A, et al. Molecular versus morphological data for benthic diatoms biomonitoring in Northern Europe freshwater and consequences for ecological status. Metabarcoding and Metagenomics, 2019, 3: e34002
BIK H M, PORAZINSKA D L, CREER S, et al. Sequencing our way towards understanding global eukaryotic biodiversity. Trends in Ecology & Evolution, 2012, 27(4): 233-243
BROWN M S, BOWMAN J S, LIN Y J, et al. Low diversity of a key phytoplankton group along the West Antarctic Peninsula. Limnology and Oceanography, 2021, 66(6): 2470-2480
BUKIN Y S, GALACHYANTS Y P, MOROZOV I V, et al. The effect of 16S rRNA region choice on bacterial community metabarcoding results. Scientific Data, 2019, 6: 190007
BURKI F, SANDIN M M, JAMY M. Diversity and ecology of protists revealed by metabarcoding. Current Biology, 2021, 31(19): R1267-R1280
CALLAHAN B J, MCMURDIE P J, ROSEN M J, et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nature Methods, 2016, 13(7): 581-583
CHEN N S. Metabarcoding analysis of harmful algal blooms: Opportunities and challenges. Marine Sciences, 2020, 44(7): 116-134[陈楠生. 有害藻华的宏条形码分析: 机会与挑战. 海洋科学, 2020, 44(7): 116-134]
CHIARELLO M, MCCAULEY M, VILLÉGER S, et al. Ranking the biases: The choice of OTUs vs. ASVs in 16S rRNA amplicon data analysis has stronger effects on diversity measures than rarefaction and OTU identity threshold. PLoS One, 2022, 17(2): e0264443
CHOI J, PARK J S. Comparative analyses of the V4 and V9 regions of 18S rDNA for the extant eukaryotic community using the Illumina platform. Scientific Reports, 2020, 10(1): 6519
CLARKE K R. Non-parametric multivariate analyses of changes in community structure. Australian Journal of Ecology, 1993, 18(1): 117-143
DE SANTIAGO A, PEREIRA T J, MINCKS S L, et al. Dataset complexity impacts both MOTU delimitation and biodiversity estimates in eukaryotic 18S rRNA metabarcoding studies. Environmental DNA, 2022, 4(2): 363-384
DEPPELER S L, DAVIDSON A T. Southern ocean phytoplankton in a changing climate. Frontiers in Marine Science, 2017, 4: 40
EDGAR R C. Search and clustering orders of magnitude faster than BLAST. Bioinformatics, 2010, 26(19): 2460-2461
EDGAR R C. UNOISE2: Improved error-correction for Illumina 16S and ITS amplicon sequencing. BioRxiv, 2016. https://doi.org/10.1101/081257
EDGAR R C. UPARSE: Highly accurate OTU sequences from microbial amplicon reads. Nature Methods, 2013, 10(10): 996-998
FALKOWSKI P. Ocean science: The power of plankton. Nature, 2012, 483(7387): S17-S20
FENG Y B, LI D, ZHAO J, et al. Environmental drivers of phytoplankton crops and taxonomic composition in northeastern Antarctic Peninsula adjacent sea area. Acta Oceanologica Sinica, 2022a, 41(1): 99-117
FENG Y B, LI D, ZHAO J. Effects of sea ice melt water input on phytoplankton biomass and community structure in the eastern Amundsen Sea. Advances in Polar Science, 2022b, 33(1): 14-27
GARCÍA-LÓPEZ R, CORNEJO-GRANADOS F, LOPEZ-ZAVALA A A, et al. OTUs and ASVs produce comparable taxonomic and diversity from shrimp microbiota 16S profiles using tailored abundance filters. Genes, 2021, 12(4): 564
GÓMEZ F, QIU D J, DODGE J D, et al. Morphological and molecular characterization of Ptychodiscus noctiluca revealed the polyphyletic nature of the order Ptychodiscales (Dinophyceae). Journal of Phycology, 2016, 52(5): 793-805
GRUBER N, LANDSCHÜTZER P, LOVENDUSKI N S. The variable Southern Ocean carbon sink. Annual Review of Marine Science, 2019, 11: 159-186
GUO Y P, HUANG L M, ZHONG Y, et al. Comparison of eukaryotic plankton compositions using 18S rRNA gene V4 and V9 primers amplification in Daya Bay. Ecological Science, 2023, 42(1): 242-251[郭雨沛, 黄良民, 钟瑜, 等. 核糖体小亚基V4和V9区引物扩增大亚湾真核浮游生物的比较研究. 生态科学, 2023, 42(1): 242-251]
HADZIAVDIC K, LEKANG K, LANZEN A, et al. Characterization of the 18S rRNA gene for designing universal eukaryote specific primers. PLoS One, 2014, 9(2): e87624
HAMILTON M, MASCIONI M, HEHENBERGER E, et al. Spatiotemporal variations in Antarctic protistan communities highlight phytoplankton diversity and seasonal dominance by a novel cryptophyte lineage. mBio, 2021, 12(6): e0297321
JESKE J T, GALLERT C. Microbiome analysis via OTU and ASV-based pipelines: A comparative interpretation of ecological data in WWTP systems. Bioengineering, 2022, 9(4): 146
JOLI N, CONCIA L, MOCAER K, et al. Hypometabolism to survive the long polar night and subsequent successful return to light in the diatom Fragilariopsis cylindrus. The New Phytologist, 2024, 241(5): 2193-2208
KANG S H, FRYXELL G A. Fragilariopsis cylindrus (Grunow) Krieger: The most abundant diatom in water column assemblages of Antarctic marginal ice-edge zones. Polar Biology, 1992, 12(6): 609-627
KI J S. Hypervariable regions (V1-V9) of the dinoflagellate 18S rRNA using a large dataset for marker considerations. Journal of Applied Phycology, 2012, 24(5): 1035-1043
KOPCZYŃSKA E E, FIALA M, JEANDEL C. Annual and interannual variability in phytoplankton at a permanent station off Kerguelen Islands, Southern Ocean. Polar Biology, 1998, 20(5): 342-351
KOPYLOVA E, NAVAS-MOLINA J A, MERCIER C, et al. Open-source sequence clustering methods improve the state of the art. mSystems, 2016, 1(1): e00003-15
LEITE B R, VIEIRA P E, TRONCOSO J S, et al. Comparing species detection success between molecular markers in DNA metabarcoding of coastal macroinvertebrates. Metabarcoding and Metagenomics, 2021, 5: e70063
LI W Z, GODZIK A. Cd-hit: A fast program for clustering and comparing large sets of protein or nucleotide sequences. Bioinformatics, 2006, 22(13): 1658-1659
LI Y H, ZHAO J, LI D, et al. Factors controlling the phytoplankton crops, taxonomic composition, and particulate organic carbon stocks in the Cosmonaut Sea, East Antarctica. Journal of Oceanology and Limnology, 2024, 42(6): 1895-1908
LIN Y J, CASSAR N, MARCHETTI A, et al. Specific eukaryotic plankton are good predictors of net community production in the Western Antarctic Peninsula. Scientific Reports, 2017, 7(1): 14845
LIU C L, ZHANG X L, WANG X L. DNA metabarcoding data reveals harmful algal-bloom species undescribed previously at the northern Antarctic Peninsula region. Polar Biology, 2022, 45(9): 1495-1512
LIU L, XU Q Z, SUN P, et al. Revealing the variety in phytoplankton communities in waters near the Antarctic Peninsula by high-throughput sequencing. Marine Biology Research, 2024, 20(1/2): 29-37
LIU L, ZHANG J C, ZHAO Y X, et al. Net-phytoplankton communities and influencing factors in the Antarctic Peninsula region in the late austral summer 2019/2020. Frontiers in Marine Science, 2023, 10: 1254043
LOZUPONE C A, HAMADY M, KELLEY S T, et al. Quantitative and qualitative beta diversity measures lead to different insights into factors that structure microbial communities. Applied and Environmental Microbiology, 2007, 73(5): 1576-1585
LUAN Q S, SUN J Q, WU Q, et al. Phytoplankton community in adjoining water of the Antarctic Peninsula during austral summer 2010. Advances in Marine Science, 2012, 30(4): 508-518[栾青杉, 孙坚强, 吴强, 等. 2010年夏南极半岛邻近海域的浮游植物群落. 海洋科学进展, 2012, 30(4): 508-518]
MALVIYA S, SCALCO E, AUDIC S, et al. Insights into global diatom distribution and diversity in the world’s ocean. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(11): E1516-E1525
MANGOT J F, DOMAIZON I, TAIB N, et al. Short-term dynamics of diversity patterns: Evidence of continual reassembly within lacustrine small eukaryotes. Environmental Microbiology, 2013, 15(6): 1745-1758
MARRARI M, DALY K L, HU C M. Spatial and temporal variability of SeaWiFS chlorophyll a distributions west of the Antarctic Peninsula: Implications for krill production. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2008, 55(3/4): 377-392
MASSANA R, GOBET A, AUDIC S, et al. Marine protist diversity in European coastal waters and sediments as revealed by high-throughput sequencing. Environmental Microbiology, 2015, 17(10): 4035-4049
MENDES C R B, TAVANO V M, LEAL M C, et al. Shifts in the dominance between diatoms and cryptophytes during three late summers in the Bransfield Strait (Antarctic Peninsula). Polar Biology, 2013, 36(4): 537-547
MOCK T, OTILLAR R P, STRAUSS J, et al. Evolutionary genomics of the cold-adapted diatom Fragilariopsis cylindrus. Nature, 2017, 541(7638): 536-540
NEARING J T, DOUGLAS G M, COMEAU A M, et al. Denoising the Denoisers: An independent evaluation of microbiome sequence error-correction approaches. PeerJ, 2018, 6: e5364
OBIOL A, GINER C R, SÁNCHEZ P, et al. A metagenomic assessment of microbial eukaryotic diversity in the global ocean. Molecular Ecology Resources, 2020, 20(3): 718-731
PAWLOWSKI J, AUDIC S, ADL S, et al. CBOL protist working group: Barcoding eukaryotic richness beyond the animal, plant, and fungal kingdoms. PLoS Biology, 2012, 10(11): e1001419
QIAO L, CHANG Z Q, LI J, et al. Comparison of phytoplankton community diversity in the ecological aquaculture system of a marine pond using morphological analysis and high-throughout sequencing. Progress in Fishery Sciences, 2022, 43(2): 32-43[乔玲, 常志强, 李健, 等. 基于形态学和高通量测序的海水池塘生态养殖系统中浮游植物多样性比较. 渔业科学进展, 2022, 43(2): 32-43]
ROGNES T, FLOURI T, NICHOLS B, et al. VSEARCH: A versatile open source tool for metagenomics. PeerJ, 2016, 4: e2584
ROZEMA P D, VENABLES H J, VAN DE POLL W H, et al. Interannual variability in phytoplankton biomass and species composition in northern Marguerite Bay (West Antarctic Peninsula) is governed by both winter sea ice cover and summer stratification. Limnology and Oceanography, 2017, 62(1): 235-252
SHADE A. Diversity is the question, not the answer. The ISME Journal, 2017, 11(1): 1-6
SHAPIRO S S, WILK M B. An analysis of variance test for normality (complete samples). Biometrika, 1965, 52(3/4): 591-611
SIMON N, CRAS A L, FOULON E, et al. Diversity and evolution of marine phytoplankton. Comptes Rendus Biologies, 2009, 332(2/3): 159-170
STOECK T, BASS D, NEBEL M, et al. Multiple marker parallel tag environmental DNA sequencing reveals a highly complex eukaryotic community in marine anoxic water. Molecular Ecology, 2010, 19(Suppl 1): 21-31
SUN J, LIU D Y, NING X R, et al. Phytoplankton in the Prydz Bay and the adjacent Indian sector of the Southern Ocean during the austral summer 2001/2002. Oceanologia et Limnologia Sinica, 2003, 34(5): 519-532[孙军, 刘东艳, 宁修仁, 等. 2001/2002年夏季南极普里兹湾及其邻近海域的浮游植物. 海洋与湖沼, 2003, 34(5): 519-532]
TRAGIN M, ZINGONE A, VAULOT D. Comparison of coastal phytoplankton composition estimated from the V4 and V9 regions of the 18S rRNA gene with a focus on photosynthetic groups and especially Chlorophyta. Environmental Microbiology, 2018, 20(2): 506-520
TREFAULT N, DE LA IGLESIA R, MORENO-PINO M, et al. Annual phytoplankton dynamics in coastal waters from Fildes Bay, Western Antarctic Peninsula. Scientific Reports, 2021, 11: 1368
TRÉGUER P, BOWLER C, MORICEAU B, et al. Influence of diatom diversity on the ocean biological carbon pump. Nature Geoscience, 2018, 11(1): 27-37
WILCOXON F. Individual comparisons by ranking methods. Breakthroughs in statistics: Methodology and distribution. New York, NY: Springer New York, 1992, 196-202
XUE M, ZHU G P. Stomach content analysis and feeding habit of the Antarctic krill Euphausia superba: A review. Journal of Fishery Sciences of China, 2021, 28(9): 1238-1250[薛梅, 朱国平. 南极磷虾胃含物分析进展及其在食性研究中的应用. 中国水产科学, 2021, 28(9): 1238-1250]
ZHANG F, HE J F, LIN L, et al. Dominance of picophytoplankton in the newly open surface water of the central Arctic Ocean. Polar Biology, 2015, 38(7): 1081-1089
ZHAO Y X, WANG X L, YING Y P, et al. Research progress on the impact of environmental factors on Antarctic krill resources and fishery dynamics. Journal of Fishery Sciences of China, 2025, 32(2): 258-275[赵云霞, 王新良, 应一平, 等. 南极磷虾资源与渔场变动及其对环境响应的研究进展. 中国水产科学, 2025, 32(2): 258-275]
ZHONG H, LIU Y J, WANG B H, et al. Effects of analysis method on the analyzed result of 16S rRNA amplicon sequencing in bacterial communities. Biotechnology Bulletin, 2022, 38(6): 81-92[钟辉, 刘亚军, 王滨花, 等. 分析方法对细菌群落16S rRNA基因扩增测序分析结果的影响. 生物技术通报, 2022, 38(6): 81-92]
ZIMMERMANN J, JAHN R, GEMEINHOLZER B. Barcoding diatoms: Evaluation of the V4 subregion on the 18S rRNA gene, including new primers and protocols. Organisms Diversity & Evolution, 2011, 11(3): 173-192
ZUO T, CHEN D, ZHAO X Y, et al. The abundance, distribution, and stage-specific compositions of Euphausia superba in the water around the Antarctic Peninsula. Progress in Fishery Sciences, 2015, 36(2): 1-10[左涛, 陈丹, 赵宪勇, 等. 南极半岛邻近海域南极大磷虾(Euphausia superba Dana)的数量组成和分布. 渔业科学进展, 2015, 36(2): 1-10]
  • You are the：th visitor today   Total visits：
  • Switchboard：(86)532-85833580  Email：yykxjz@ysfri.ac.cn
  • Address：Editorial Office of Progress of Fishery Sciences
    No. 106 Nanjing Rd, Qingdao, Shandong, 266071, P.R. China      Zip Code：266071
  • Public security filing number ：公网安备37020202001466号  ICP Filing Number ：  Supported by:Beijing E-Tiller Technology Development Co., Ltd.