汉江潜在致病菌群落物种组成及其分布特征

为探究水体和沉积物潜在致病性细菌群落的物种组成及其分布特征,为汉江致病菌防控提供基础数据,于2014年春、秋两季,在汉江6个监测断面进行样品采集。基于16SrRNAIlluminaMiseq高通量测序技术,利用FAPROTAX软件,对细菌群落进行致病性功能预测,共识别出6类致病菌,隶属6门9纲22目45科105属。研究结果显示,变形菌门是汉江致病菌群落的主要组成物种,占比高达96.56%,Methylopumilus和Roseomonas是属水平的优势物种。多样性分析结果表明沉积物中致病菌比水体中更丰富,浮游群落随季节的变化更显著。环境因子相关性分析结果指示底栖群落对环境因子变化更敏感。零模型分析结果揭示随机过程主导水体和沉积物致病菌群落的构建。     

汉江浮游细菌稀有群落的分布与构建机制

基于Illumina高通量测序,调查汉江浮游细菌整体及稀有、丰富物种的组成、分布与构建机制,得到细菌22门55纲93目132科164属,Proteobacteria,Actinobacteria和Bacteroidetes等为优势菌门。将4035个ASV (80.2%)定义为稀有物种。汉江浮游细菌群落α多样性季节差异显著,而稀有物种受季节的影响更显著。非度量多维尺度分析结果显示,汉江浮游细菌群落季节分布与沿程分布差异不显著。Mantel分析结果表明,溶解氧和氨氮为秋季群落的主要影响因素。方差分解分析结果表明,环境因子对群落的影响大于空间因子。确定性过程为群落总体的主导构建机制,而稀有及丰富物种主要受随机过程影响。与丰富物种相比,稀有物种受环境选择过程的影响更大。     

基于灰度差异与自相关的粒子速度/粒径同场实时测量

曝光时间不同, 粒子的数字图像的灰度也不同. 本文基于双曝光粒子像点各像素灰度总和的差异以及数字图像的自相关处理, 实现了流场粒子速度/粒径的同场实时测量. 介绍了该测量方法的理论基础、流场成像及数字图像处理流程, 并对分别添加有35 和75 μm 标准粒子的低速流场进行了速度/粒径的同场实时测量. 图形化结果显示该方法得到的速度/粒径信息能够反映流场的真实流动情况; 另外, 除分布范围略有不同外, 速度/粒径测量结果整体接近正态分布, 中心峰值与预设数值一致. 表明该测量方法能够满足一定的测量精度, 可进一步用于燃油喷雾场等高速流场的速度/粒径测量.     

汉江水体和沉积物中噬菌体特征研究

基于2014年3月和10月汉江中下游6个断面的水体和沉积物监测样品,获得384个高质量vOTUs(viralOperationalTaxonomicUnits)。研究表明,vOTUs中95%以上隶属Caudovirales (有尾噬菌体目),丰度居前3位的科分别为Myoviridae (肌尾噬菌体科)、Siphoviridae (长尾噬菌体科)和Podoviridae(短尾噬菌体科)。主坐标分析和相似性分析结果表明,沉积物中病毒群落结构相对稳定,而水体中群落易随季节发生变化,同流域的水体和沉积物中群落可能具有连通性。宿主来自2域(界) 19门,丰度最高的宿主是Proteobacteria门(变形菌门)。88%的vOTUs具有单一的门水平的宿主,有3个vOTUs跨越5个门。跨域(界)感染的vOTUs在感染古菌界Thermoproteota门的同时,最常见的是感染细菌界的Bacteroidota门(拟杆菌门)。与水体相比,沉积物中宿主的群落组成更加多样。Pearson相关分析表明,噬菌体与其宿主的组成在门水平上一致。     

湟水河西宁段水体和沉积物中氮素转化关键过程与影响因素分析

于丰水期(2018年7月)和枯水期(2019年4月)分别在湟水河西宁段典型断面采集水体和沉积物样品共58个,枯水期同时采集污水处理厂出水样6个。利用实时荧光定量PCR方法,对12种氮转化功能基因进行定量分析。结果表明,湟水河平均总氮浓度为3.06±1.23 (1.308～6.51) mg/L。水体和沉积物中相对丰度较高的氮转化功能基因是narG,nirS和nosZ。氮转化功能基因的丰度和组成在沉积物中存在明显的季节差异,在水体中无明显季节差异。关键氮素转化过程是反硝化,对水体和沉积物氮素的去除贡献率分别为88%和98%。水体氮素转化主要受pH值、总氮及NO₃^--N调控,其中,氨氧化与NO₃^--N浓度负相关,反硝化与pH负相关。沉积物氮素转化与水体氮素浓度、沉积物pH值、总氮、总磷和有机碳等相关,其中,氨氧化与水体氮素浓度负相关,而反硝化主要受沉积物性质影响。进一步的分析结果表明,污水处理厂排放会显著降低水体中AOA-amoA, CMX-amo A, nir S, nxr B, napA, nar G...     

基于图卷积循环网络的非定常周期性流体流动预测

基于纳维-斯托克斯（Navier-Stokes, N-S）方程的计算流体力学（computational fluid dynamics, CFD）数值模拟是研究非定常周期性流体流动问题的常用方法之一，但其计算需占用大量时间。针对N-S方程求解CFD过程费时的问题，本文提出一种基于图卷积循环网络的非定常周期性流体流动预测框架，实现流体流动状态的快速预测。文中输入历史流体流动数据，通过图卷积循环网络学习非定常周期性流体流动的物理过程，预测流场变量分布。结果表明，基于图卷积循环网络的预测模型可以准确预测流体力学规律，其在流速、涡旋、压力等流场变量预测方面均具有较好表现。相比于传统N-S方程求解方法，采用图卷积循环网络预测速度提高了5倍以上，为流场变量的预测提供了一种新方法。