Introduction

Le méthane (CH4) est un gaz à effet de serre majeur. Son émission à partir de milieux naturels tels que les zones humides, les océans et les sédiments représente plus de 70% du méthane atmosphérique au niveau mondial (GIEC, 2007). Une évaluation des données publiées a révélé des taux d’émission de méthane différents pour les zones humides, les lacs, les rivières, les estuaires et les océans (par ordre décroissant, figure supplémentaire S1). Les zones humides naturelles représentent à elles seules 62 % de la production de CH4 biogénique (Kirschke et al., 2013 ; Nazaries et al., 2013) et les émissions des zones humides dominent la variabilité interannuelle des sources de méthane (Bousquet et al., 2006). En revanche, la vaste superficie des écosystèmes marins ne contribue que pour environ 8 % aux sources naturelles de CH4 (Nazaries et al., 2013). Au sein de l’émission globale de méthane océanique, moins de 10% est contribué par les estuaires (Bange et al., 1994).

La méthanogénèse, la formation biologique du méthane, est réalisée par des archées méthanogènes qui produisent du méthane principalement à partir de H2/CO2, de groupes méthyles ou d’acétate dans des conditions anoxiques (Thauer et al., 2008). Cette réaction est catalysée par la méthyl-coenzyme M réductase (MCR). Le gène mcrA, qui code pour une sous-unité de cette enzyme, est un marqueur génétique couramment utilisé dans les études moléculaires (Conrad, 2007 ; Bridgham et al., 2013). L’avantage du marqueur génétique mcrA est de capturer à la fois les signatures phylogénétiques et fonctionnelles des méthanogènes, offrant une grande profondeur de séquençage pour cette fonction particulière (Luton et al., 2002 ; Borrel et al., 2013 ; Yang et al., 2014). Un grand nombre de séquences mcrA ont été récupérées dans une variété d’environnements naturels. L’ensemble public de données mcrA permet d’extraire des modèles écologiques généraux et d’étudier les gradients environnementaux à l’échelle mondiale et régionale. En outre, une base de données résumant les propriétés physiologiques de 152 isolats méthanogènes est disponible1 (Jabłoński et al., 2015). Récemment, le binning du génome a révélé des séquences mcrA inhabituelles dans la nouvelle classe de Methanofastidiosa (Nobu et al., 2016) et les nouveaux phyla de Bathyarchaeota (Evans et al., 2015) et Verstraetearchaeota (Vanwonterghem et al., 2016). Ces nouveaux résultats ont élargi nos connaissances sur la diversité des méthanogènes potentiels mais n’ont pas occulté l’applicabilité du gène mcrA comme marqueur moléculaire pour la grande majorité des communautés méthanogènes.

À ce jour, des communautés méthanogènes ont été détectées dans des zones humides, des sédiments, des zones de pergélisol, des rizières, des digesteurs, des sources géothermiques et des évents hydrothermaux (Conrad, 2007 ; Thauer et al., 2008 ; Wagner et Liebner, 2009). La structure de la communauté méthanogène s’est avérée être associée au pH, à la température, à la salinité, au niveau des eaux souterraines et à la dynamique de la végétation à différentes échelles spatiales et temporelles (Megonigal et al., 2005 ; Milferstedt et al., 2010 ; Frank-Fahle et al., 2014 ; McCalley et al., 2014 ; Cui et al., 2015 ; Liebner et al., 2015). Par exemple, la méthanogénèse acétoclastique est généralement entravée par un pH faible car il réduit la dissociation de l’acétate (Megonigal et al., 2005 ; Kotsyurbenko et al., 2007). La végétation peut fournir du carbone organique labile de haute qualité pour alimenter les méthanogènes sous forme d’exsudats de racines ou de détritus, de sorte que les exsudats de plantes favorisent généralement les méthanogènes acétoclastiques principalement dans les fens (Bridgham et al., 2013). Le sulfate de l’eau de mer inhibe la production de méthane dans les zones humides à marée, et la salinité a par conséquent été utilisée comme un prédicteur général des émissions de méthane (Holm et al., 2016). Une étude sur les sédiments de lacs tibétains a montré que l’augmentation de la salinité inhibe les méthanogènes hydrogénotrophes mais renforce la méthanogénèse acétoclastique (Liu et al., 2016). Ces études ont indiqué des facteurs environnementaux pour les communautés méthanogènes, mais se sont concentrées sur des habitats uniques ou des échelles spatiales limitées.

Comprendre l’adaptation des méthanogènes à différents changements environnementaux nécessite cependant une exploration systématique et globale des corrélations entre la composition des communautés microbiennes et les conditions environnementales (Lozupone et Knight, 2007). Actuellement, seules quelques études traitent de la dispersion et du filtrage de l’habitat des communautés méthanogènes (Auguet et al., 2010 ; Barreto et al., 2014). Nous émettons l’hypothèse que les assemblages méthanogènes sont principalement influencés par le filtrage de l’habitat et qu’il est piloté par les contrôles environnementaux globaux. Considérant que les taux d’émission de méthane diffèrent largement entre les écosystèmes naturels, l’intégration explicite de la composition, de la diversité et de la biogéographie des assemblages méthanogènes dans ces écosystèmes peut être fondamentale pour déterminer la réponse de la production de méthane aux changements climatiques actuels et futurs. Cette méta-étude est réalisée pour combler les lacunes associées à la biogéographie méthanogène, la diversité et ses contrôles environnementaux en utilisant les données de séquence mcrA disponibles publiquement et la littérature complétée par les données physiologiques des isolats méthanogènes.

Matériel et méthodes

Collecte de données

Nous avons récupéré les séquences mcrA disponibles dans GenBank (janvier 2016)2. Pour chaque résultat, l’article original a été vérifié et les séquences mcrA correspondantes ont été analysées par un script Perl personnalisé. Comme nous nous sommes concentrés sur les environnements naturels, les séquences mcrA méthanogènes ont été obtenues à partir d’habitats naturels et classées comme sol, sédiments lacustres, estuariens, marins et hydrothermaux, et volcans de boue. Cinq bibliothèques issues du séquençage de nouvelle génération (NGS) ont été incluses en plus des séquences des bibliothèques de clones. Les séquences ont été téléchargées sans tenir compte de l’abondance relative dans l’ensemble de données original. Étant donné que les séquences des bibliothèques de clones couvrent principalement les phylotypes abondants alors que le NGS peut capturer une diversité beaucoup plus profonde, nous avons fait un compromis afin d’utiliser les données NGS tout en atténuant une erreur potentielle due à la différence de résolution des méthodes de séquençage. Par conséquent, nous n’avons choisi que les séquences représentatives des OTUs abondantes avec une abondance relative supérieure à 1%. Nous avons également rejeté les séquences NGS qui ont échoué à la vérification de la traduction des nucléotides en séquences protéiques ou dont la qualité est faible (séquences < 250 bps). Enfin, nous avons construit un ensemble de données contenant 4466 séquences mcrA uniques provenant de 94 sites répartis dans le monde entier (Figure 1 et Tableaux supplémentaires S1, S2). En outre, nous n’avons pas soustrait de l’ensemble de données les séquences mcrA de méthanotrophes archéaux potentiels, qui ont été inévitablement détectés dans l’enquête génomique (Conrad, 2007). Cette partie dépasse le cadre de cette étude.

Les coordonnées géographiques et les paramètres environnementaux, y compris le pH, la salinité, l’altitude, la température annuelle moyenne de l’air (MAAT) et les précipitations annuelles moyennes (MAP) ont été extraits pour chaque site de recherche considéré dans cette étude à partir des publications correspondantes étant donné que les données sont disponibles (voir le tableau supplémentaire S1). Pour tenir compte des paramètres environnementaux manquants dans plusieurs études, nous avons défini qualitativement certaines variables environnementales en fonction des descriptions des sites dans la littérature pertinente, puis nous avons converti ces données de catégorie en valeurs numériques semi-métriques, par exemple, nous avons défini les échantillons de sédiments marins, de sédiments hydrothermaux, de boue volcanique et de sédiments de lacs sodiques comme étant  » salins « , les échantillons de sols et de sédiments de lacs d’eau douce comme étant  » non salins « , et les échantillons de mangroves et d’estuaires comme étant des échantillons  » mixtes « .

Traitement des séquences brutes

Le traitement des séquences a été mis en œuvre avec la plateforme logicielle Mothur (Schloss et al, 2009). Les séquences provenant de différentes bibliothèques ont été regroupées avant le traitement. Les séquences ayant une longueur inférieure à 350 pb ou plus de 8 bases ambiguës ont été écartées. Par la suite, ces séquences ont été alignées contre un sous-ensemble pré-aligné de séquences mcrA, qui ont été récupérées dans la base de données FunGene à http://fungene.cme.msu.edu/ (Fish et al., 2013). Les séquences chimériques ont été identifiées avec le logiciel Mothur en utilisant la méthode uchime (Edgar et al., 2011) avec le jeu de données lui-même comme référence. Ensuite, les séquences nucléotidiques valides du gène mcrA ont été utilisées pour calculer les distances par paires non corrigées entre les séquences d’ADN alignées et ensuite assignées à des unités taxonomiques opérationnelles (OTU) à un seuil de 84 % qui correspond à 97 % pour le gène de l’ARNr 16S (Yang et al., 2014). L’abondance de chaque OTU mcrA n’a été comptabilisée que comme présence ou absence. Nous avons augmenté la précision de la classification taxonomique des OTU en considérant les séquences de nucléotides et d’acides aminés. Au niveau de l’ADN, l’identité taxonomique a été attribuée par la plateforme Mothur selon une base de données de référence (Yang et al., 2014). Au niveau des protéines, les séquences protéiques alignées ont été utilisées pour construire un arbre dans ARB, puis l’affectation taxonomique a été basée sur la base de données correspondante. Si l’affectation d’une OTU était incohérente, nous avons procédé à un blast manuel de la séquence de nucléotides et de protéines dans NCBI et déterminé l’identité taxonomique finale en tenant compte de la couverture de la requête (>95%), de l’identité (>84%) et de la valeur e (<1E-5). Pour les séquences protéiques, le seuil de coupure au niveau du genre se référait au seuil de 83,5% (Hunger et al., 2011).

Analyse écologique et statistique

L’analyse statistique a été réalisée par différents packages R. Les ordinations de l’analyse des coordonnées principales (PCoA) ont été générées sur la base des matrices de distance Jaccard construites à l’aide du paquet vegan v2.2.0 (Oksanen et al., 2015). Une MANOVA (analyse multivariée de la variance) permutationnelle a été réalisée pour évaluer la source de variation de la matrice de Jaccard (McArdle et Anderson, 2001) dans la végane avec 104 permutations. Les mesures de distance de Jaccard sont basées sur la présence/absence de l’espèce, ce qui convient mieux à notre ensemble de données car la plupart des études n’ont fourni que les séquences représentatives alors que les informations sur les abondances sont manquantes. Les fréquences d’incidence taxonomique à travers les habitats ont été visualisées par des diagrammes à bulles avec le paquet ggplot2 (v1.0.0) (Wickham, 2009). Une analyse de regroupement hiérarchique des communautés de sols non salins et de sédiments lacustres a été réalisée par la fonction R  » hclust  » (R Core Team, 2014). Les clusters de communautés obtenus ont été décrits en fonction du régime de pH et de température des échantillons d’origine, car en utilisant la PCoA au préalable, nous avons identifié les deux paramètres pH et température pour influencer la composition des communautés méthanogènes dans les sols non salins et les sédiments lacustres. L’association de chaque lignée méthanogène avec chacun de ces clusters a été déterminée en utilisant une analyse des espèces indicatrices basée sur la corrélation (Dufrene et Legendre, 1997). Les espèces indicatrices sont définies ici comme étant celles qui sont à la fois abondantes dans un type d’habitat spécifique (spécificité) et qui se trouvent de manière prédominante dans ce type d’habitat (fidélité). Dans cette étude, les taxons indicateurs, similaires au concept d’espèce indicatrice, pour les sols non salins et les sédiments lacustres ont été choisis en fonction d’une valeur indicatrice (valeur IndVal) par le package R labdsv (Roberts, 2016) si la probabilité d’obtenir une valeur indicatrice aussi élevée que celle observée sur les itérations spécifiées est inférieure à 0,05. Les indices Chao2 ont été calculés pour chaque échantillon à l’aide du package vegan. Le test de la somme des rangs de Wilcoxon des indices Chao2 entre les habitats a été réalisé par la fonction R ‘wilcox.test’ (R Core Team, 2014). Pour consolider l’impact du filtrage de l’habitat sur les isolats d’archées méthanogènes, les caractéristiques physiologiques et biochimiques des cultures méthanogènes décrites ont été extraites de la3 ‘Methanogenic archaea database’ (Jabłoński et al., 2015). Parmi eux, les isolats présentant des informations sur les besoins optimaux en NaCl ont été filtrés, catégorisés et tracés en fonction de leur source d’isolement.

Pour examiner l’influence de la limitation de la dispersion sur la structure de la communauté méthanogène, une analyse de régression linéaire a été réalisée sur la base d’une matrice de distance géographique et d’une matrice de distance Jaccard de la communauté par la fonction R ‘lm’ (R Core Team, 2014). Nous avons effectué des tests de Mantel et de Mantel partiel pour évaluer les effets de la limitation de la dispersion selon les deux matrices, toujours à l’aide du paquet vegan de R (Oksanen et al., 2015). En outre, une analyse spatiale multivariée (ACP spatiale) a été appliquée à 16 échantillons européens de sols et de sédiments lacustres sur la base de l’indice I de Moran pour explorer la structure spatiale des méthanogènes par la fonction  » multispati  » du paquet R ade4 (Dray et Dufour, 2007). En outre, le clustering de Ward’s Minimum variance qui était basé sur la matrice de distance de Jaccard a été mis en œuvre sur ces 16 échantillons en utilisant la fonction R « hclust » (R Core Team, 2014) et nous avons ensuite projeté les résultats du clustering sur une carte géographique. Le fichier de forme européen pour la cartographie au niveau des États est disponible dans la base de données GSHHG (v2.3.6)4. La carte a été générée en utilisant QGIS v2.18.25.

Résultats

Biogéographie des archées méthanogènes dans les environnements naturels

Les séquences du gène mcrA de 94 environnements naturels répartis dans le monde entier ont été récupérées. L’emplacement et le type d’écosystème de chacun de ces 94 sites sont représentés sur la figure 1. Les fréquences d’incidence (présence/absence) des lignées méthanogènes ont été fusionnées en fonction du type d’écosystème et illustrées dans la figure 2. En bref, Methanoregula est le taxon le plus fréquemment observé dans les sols, avec Methanobacterium, Methanosaeta, Methanocella, Methanomassiliicoccus et Methanosarcina. Dans les sédiments d’estuaire, des séquences de Methanosaeta, Methanobacterium, Methanoregula et Methanoculleus ont été fréquemment détectées. De plus, dans les sédiments lacustres, Methanoregula et Methanosaeta sont principalement présents. Dans les sédiments marins, Methanoculleus et Methanosaeta sont les lignées les plus communes, suivies par Methanolinea.

Même si de nombreux taxons ont été détectés dans différents environnements, certains montrent encore des préférences environnementales. Methanoregula, le taxon fréquemment présent dans les environnements non marins et de transition (sols, sédiments lacustres et estuaires), est absent des habitats marins (sédiments marins, sédiments hydrothermaux et volcans de boue). Methanobacterium et Methanocella, qui prédominent dans les environnements non marins et transitionnels, sont rarement trouvés dans les habitats marins. En revanche, Methanococcoides, en tant que lignée prédominante dans les sédiments marins, les sédiments hydrothermaux et les volcans de boue, est à peine observé dans les sols et les sédiments lacustres. En outre, Methanogenium et Methanolacinia ne sont observés que dans les sédiments estuariens et marins, tandis que Methanospirillum et Methanosphaerula ne sont présents que dans les environnements terrestres. En outre, certains taxons spécifiques sont exclusivement présents dans les sédiments hydrothermaux, notamment Methanocaldococcus, Methanothermococcus, Methanopyrus, Methanotorris et Methanococcus. Bien que certaines lignées telles que Methanosaeta soient présentes dans la plupart des environnements, aucune lignée ne peut être considérée comme omniprésente.

La plus grande richesse de lignées s’est produite dans les sédiments d’estuaire qui abritent également des fréquences d’incidence plus régulières de diverses lignées. En revanche, les volcans de boue et les écosystèmes hydrothermaux présentent une diversité méthanogène relativement faible. Les sols et les sédiments lacustres similaires aux estuaires sont caractérisés par des assemblages méthanogènes diversifiés.

Alpha-Diversité des communautés méthanogènes dans les environnements naturels

La richesse des archées méthanogènes selon l’indice Chao2 variait largement entre les types d’écosystèmes (figure 3). Dans le but de comparer directement les diversités alpha et d’obtenir un compromis raisonnable entre les échantillons, un sous-échantillonnage à 15 séquences pour chaque site a été effectué. L’indice Chao2 montre que les sédiments d’estuaire englobent la plus grande richesse en espèces de méthanogènes parmi les six types d’écosystèmes (tableau supplémentaire S3), ce qui souligne les résultats du graphique à bulles (figure 2). Les sols et les sédiments lacustres, montrant une richesse plus faible que les échantillons de l’estuaire, ont des indices de Chao2 significativement plus élevés que les sédiments marins et les sédiments hydrothermaux et sans différences significatives entre les sédiments marins et les sédiments hydrothermaux (tableau supplémentaire S3).

Contrôles globaux des communautés méthanogènes dans les environnements naturels

Les 94 communautés méthanogènes distribuées globalement ont été regroupées dans un graphe d’ordination en appliquant la PCoA basée sur la matrice de distance de Jaccard. Selon l’analyse PCoA, le premier et le deuxième axe expliquent ensemble 16,3% de la variance totale. Les variations entre les échantillons peuvent donc être largement expliquées par la salinité (figure 4). Puisque les données initiales sur les concentrations de sel n’étaient pas disponibles dans certains cas, nous avons qualitativement assigné ces échantillons comme des échantillons salins, mixtes (intermédiaires) et non salins comme décrit ci-dessus. Les échantillons salins et non salins se séparent effectivement le long du premier axe. Les échantillons mixtes se situent globalement entre les échantillons salins et non salins. La MANOVA permutationnelle basée sur la matrice de distance de Jaccard suggère également que la salinité est le principal facteur abiotique contrôlant la distribution des communautés méthanogènes mondiales (R2 = 0,099, P < 0,001) (tableau 1).

En outre, nous avons vérifié une relation potentielle entre la source d’isolement des cultures pures méthanogènes et la concentration optimale de NaCl pour la croissance. La concentration optimale de NaCl des cultures pures méthanogènes a démontré un déclin des écosystèmes marins aux estuaires, aux sédiments lacustres et aux sols (figure supplémentaire S2). Quelques isolats aberrants proviennent de sédiments de lacs sodiques ou de sols hypersalins.

Contrôles environnementaux et taxons indicateurs méthanogènes dans les sols non salins et les sédiments lacustres

À l’échelle mondiale, les communautés méthanogènes des sols non salins et des sédiments lacustres se regroupent étroitement (Figure 4), de sorte que nous avons analysé plus en détail les contrôles environnementaux des communautés méthanogènes de ces deux habitats qui représentent 33 sites d’étude au total. L’analyse de cluster basée sur la communauté pour ces deux types d’habitats a révélé quatre clusters sur la base de la matrice de distance de Jaccard (figure supplémentaire S3). La MANOVA permutationnelle suggère que le pH (R2 = 0,099, P < 0,001) et la température (R2 = 0,069, P < 0,001) influencent la β-diversité méthanogène dans les sols non salins et les sédiments lacustres (Tableau 2). En conséquence, nous avons attribué les quatre clusters au pH et à la MAAT du site d’échantillonnage initial et avons obtenu des sous-groupes largement cohérents au regroupement des communautés (Figures 5C,D). La combinaison des caractéristiques environnementales et de ces quatre clusters de communautés nous permet de définir ces quatre sous-groupes comme le groupe 1 neutre et froid, le groupe 2 acide et froid, le groupe 3 acide et modéré, et le groupe 4 neutre et chaud (Figure 5). Une ordination PCoA plus poussée basée sur la matrice de dissimilarité de Jaccard suggère que le long de l’axe PC1, la plupart des échantillons des groupes 2 et 3 proviennent de sols acides et de sédiments lacustres tandis que les groupes 1 et 4 proviennent principalement d’environnements neutres (Figure 5A). De plus, les échantillons des sites modérés (groupe 3) se sont séparés de ceux des sites chauds et froids le long de l’axe PC2, tandis que les échantillons des environnements chauds (groupe 4) se sont séparés des autres échantillons le long de l’axe PC3 (Figure 5B). Ainsi, les trois premiers axes de l’ordination PCoA expliquent 38,8% de la variation totale.

Nous avons examiné l’occurrence des lignées méthanogènes dans chaque sous-groupe sur la base des fréquences d’incidence (Figure 6). Methanoregula prévaut dans tous les types d’habitats non salins. En plus de Methanoregula, le sous-groupe neutre et froid (groupe 1) montre une abondance élevée de Methanosaeta, Methanobacterium, et Methanosarcina. Le groupe 2 acide et froid est représenté par Methanobacterium, Methanocella, et Methanosarcina tandis que Methanosaeta est absent ici. Methanocella et Methanosaeta sont communs dans le groupe 3, acide et modéré. Dans le groupe 4, neutre et chaud, Methanolinea et Methanosaeta sont des membres importants. Ce groupe est le seul où Methanoculleus a été identifié.

Pour les quatre groupes, les taxons ayant une incidence élevée sont Methanoregula, Methanobacterium, Methanosarcina, Methanosaeta, Methanomassiliicoccus et Methanocella. Les taxons spécialisés, qui sont significativement plus représentés dans la plupart des sites d’un groupe donné, ont été détectés selon l’analyse des espèces indicatrices comme décrit précédemment. Au total, six des 31 taxons présentaient une valeur indicatrice significative (P < 0,05) (marqués d’un astérisque dans la figure 6). Le groupe 1 (neutre et froid) a montré le plus grand nombre de spécialistes avec des lignées de Methanosaeta, Methanolobus, et Methanomethylovorans. Methanobacterium a servi de taxon spécialiste dans le groupe 2 (froid et acide) tandis que Methanolinea a été identifié comme spécialiste dans le groupe 4 (neutre et chaud) mais a été à peine observé dans les autres groupes. En outre, Methanoregula est largement représenté dans le groupe 3 acide et modéré.

Limitation de la dispersion

Une analyse de régression linéaire (R2= 0,05, P < 0,001) a indiqué une faible corrélation entre la distance géographique et la structure de la communauté méthanogène sur l’ensemble des données mondiales. En même temps, un test de Mantel a montré que les variables environnementales ont une corrélation plus élevée avec la structure de la communauté que les distances géographiques (voir tableau 3). Cette tendance est également confirmée par un test de Mantel partiel contrôlant les effets d’autocorrélation. Le tracé de la distance géographique par rapport à la similarité de la communauté de Jaccard ne montre pas de tendance linéaire claire mais des modèles qui résultent principalement de la distribution globale des points d’échantillonnage (voir la figure supplémentaire S4).

Afin d’analyser davantage l’influence de la dispersion, nous avons limité notre analyse à l’Europe, qui a été échantillonnée de la manière la plus dense et la plus régulière. Les tests de Mantel et les tests de Mantel partiels sur ce sous-ensemble ont reproduit la tendance selon laquelle les données de la communauté sont plus fortement corrélées aux variables environnementales qu’aux distances géographiques (voir tableau 3). Le test de Mantel partiel contrôlant les variables environnementales n’a pu détecter aucune corrélation statistiquement significative entre la communauté microbienne et la distance géographique. Une analyse PCA spatiale sur ces 16 sites européens implique une structure spatiale de la communauté méthanogène (23,7% de la variance totale a été expliquée par cette structure) qui correspond à une autocorrélation spatiale positive des sites comme indiqué par l’indice I de Moran (I de Moran = 0,4018). Seule la première valeur propre était stable et correspondait à une séparation des échantillons entre l’Europe centrale et les États baltes (figure supplémentaire S5). La petite taille de l’ensemble de données complique cependant l’attribution robuste de cette structure spatiale observée à des variables géographiques, environnementales ou aux deux. Nous avons donc effectué une analyse de regroupement sur les communautés méthanogènes comme décrit ci-dessus et avons révélé trois groupes (Figure 7A) que nous avons projetés sur une carte géographique (Figure 7B). Le clustering n’a pas reproduit la séparation de l’ACP spatiale le long de la mer Baltique. En conséquence, certains sites géographiquement très proches les uns des autres présentent des structures de communautés méthanogènes dissemblables et s’assemblent en différents groupes. D’autre part, certains sites géographiquement très éloignés présentent des compositions de communautés très similaires et se regroupent (Figure 7B). La dispersion régionale des groupes en Europe ne semble pas correspondre ou être limitée par une structure géographique.

Discussion

Identifier et appliquer les concepts de biogéographie sur les communautés microbiennes est d’un intérêt majeur en écologie microbienne. On pense que la biogéographie microbienne est régie par l’interaction évolutive et écologique de quatre processus majeurs : le filtrage de l’habitat, la dispersion, la dérive et la mutation (Hanson et al., 2012). Même si l’influence de la dérive et de la mutation dépasse le pouvoir d’interprétation de cette étude, nous montrons qu’il existe des modèles mondiaux de communautés méthanogènes dans les environnements naturels. Cette étude démontre un modèle biogéographique global des communautés méthanogènes qui est plus associé au filtrage de l’habitat qu’à la dispersion géographique. Les communautés méthanogènes des sédiments de lacs sodiques, par exemple, se regroupent étroitement avec des échantillons marins géographiquement éloignés (Figure 4) et des communautés méthanogènes très similaires sont présentes dans les sols et les sédiments lacustres européens bien qu’ils soient très éloignés les uns des autres (Figure 7). Dans l’ensemble, nos tentatives de révéler une limitation potentielle de la dispersion ont révélé une faible influence de la localisation géographique sur la structure de la communauté méthanogène, ce qui contraste avec une influence claire des conditions environnementales. Une exclusion concluante des effets spatiaux sur les communautés microbiennes n’est pas possible avec les points de données disponibles. Les points d’échantillonnage se concentrent sur certains habitats et/ou zones alors que le nombre total d’échantillons est faible. S’il existe un effet, nous supposons que les effets spatiaux se produisent uniquement à l’échelle régionale ou locale. Des limitations locales de la dispersion ont été signalées pour les archées hyperthermophiles en raison de barrières géographiques (Whitaker et al., 2003), pour les bactéries oxydant l’ammoniac dans les marais salants locaux, mais pas à l’échelle régionale ou continentale (Martiny et al., 2011), pour les micro-organismes dans les sédiments des eaux profondes en fonction des paramètres environnementaux (Schauer et al., 2011).2009), et pour les bactéries d’un large ensemble d’environnements de neige hétérogènes, principalement en raison de la disponibilité de carbone allochtone (Lutz et al., 2016). Une influence mineure de la limitation de la dispersion sur les méthanogènes dans les environnements naturels signifie que les méthanogènes peuvent se distribuer aléatoirement dans l’espace, sont sélectionnés avec succès par l’environnement local si leurs exigences physiologiques sont satisfaites et peuvent établir des communautés stables (Martiny et al., 2006 ; von Mering et al., 2007).

Le concept de filtrage de l’habitat implique que les espèces ayant des exigences écologiques similaires devraient cooccurber plus souvent que prévu par hasard (Weiher et Keddy, 2001 ; Cornwell et al., 2006 ; Ulrich et al., 2010). Nos résultats montrent que de grandes différences dans la composition des communautés méthanogènes se produisent entre les écosystèmes marins et ceux des zones humides et des lacs, tandis que les estuaires se situent entre les deux. Des modèles de biogéographie basés sur un ensemble d’études génétiques sur des échantillons environnementaux ont également été signalés pour les bactéries générales (Nemergut et al., 2011), le microbiome des suintements de méthane (Ruff et al., 2015), les archées oxydant l’ammoniac (Cao et al., 2013), les bactéries pélagiques et benthiques marines (Zinger et al., 2011) et les micro-organismes recyclant l’azote (Church et al., 2008). Le filtrage de l’habitat a été spécifiquement signalé pour des archées non cultivées (Auguet et al., 2010), des communautés bactériennes entières dans divers environnements (von Mering et al., 2007 ; Chaffron et al., 2010) ou dans les tourbières d’Amérique du Sud à l’échelle régionale (Oloo et al, 2016), ainsi que des groupes bactériens spécifiques tels que les bactéries oxydant le méthane (Knief, 2015) et les bactéries fixant l’azote (Nelson et al., 2016).

Nos résultats indiquent qu’à l’échelle globale, la salinité régule substantiellement la composition des communautés méthanogènes et détermine de grandes différences entre les assemblages méthanogènes marins et terrestres. De même, les méthanogènes des sédiments des lacs sodiques se regroupent avec ceux des sédiments marins (figure 4), mettant en évidence l’influence globale de la salinité. Ce résultat est en accord avec d’autres études basées sur le gène de l’ARNr 16S qui révèlent que la salinité est un facteur primaire qui façonne les modèles globaux des communautés bactériennes et archéales globales (Lozupone et Knight, 2007 ; Auguet et al., 2010 ; Caporaso et al., 2011 ; Cao et al., 2013). Une faible influence de la séparation géographique mais un fort impact de la salinité sur les communautés microbiennes générales ont également été observés dans des études précédentes (Logares et al., 2013 ; Yang et al., 2016). En conséquence, la salinité détermine en grande partie les lignées qui peuvent survivre. Dans divers habitats, l’activité de production de méthane était négativement corrélée à la salinité (Bartlett et al., 1987 ; Potter et al., 2009 ; Poffenbarger et al., 2011). Il est donc suggéré que l’inhibition de la production de méthane par la salinité coïncide avec une réduction de la taille de la population méthanogène (Pattnaik et al., 2000). L’effet de la salinité sur la méthanogénèse hydrogénotrophique, acétotrophique et méthylotrophique dépend ainsi du niveau de salinité et est différent pour les différentes voies de méthanogénèse (Liu et al., 2016). Actuellement, il n’y a pas de mécanisme clair pour expliquer l’impact de la salinité sur la structure des communautés, mais plusieurs hypothèses peuvent servir d’explication possible. Physiologiquement, la salinité influence l’osmolarité externe et interne des cellules. Les cellules méthanogènes non salines ont développé des adaptations physiologiques pour contrer la pression de turgescence interne, tandis que les cellules adaptées au sel ont perdu cette caractéristique (Zinder, 1993). En outre, l’augmentation de la salinité peut inciter les méthanogènes à synthétiser ou à absorber une proportion accrue de solutés compatibles, ce qui entraîne un coût énergétique et donc métabolique important (McGenity, 2010). Le trait de tolérance au sel se manifeste même dans la concentration optimale de NaCl pour la croissance des cultures pures méthanogènes puisque nous avons constaté que les isolats des sédiments marins et des sédiments hydrothermaux ont une concentration optimale de NaCl significativement plus élevée que ceux des sols (figure supplémentaire S2).

Dans les écosystèmes terrestres non salins, spécifiquement dans les sols et les sédiments lacustres, la composition de la communauté méthanogène est contrôlée par la combinaison de la température et du pH. En conséquence, les méthanogènes de ces environnements peuvent être classés en quatre groupes (figure 6). Contrairement aux écosystèmes marins, les écosystèmes terrestres non salins présentent une grande variabilité naturelle du pH et de la température. La température peut affecter non seulement la voie méthanogène mais aussi les populations méthanogènes elles-mêmes (Conrad, 2007 ; Rooney-Varga et al., 2007). La production de méthane peut être considérablement accrue si la température augmente, en raison des étapes sensibles à la température de la fermentation et de l’acétogenèse (Megonigal et al., 2005 ; Kotsyurbenko et al., 2007). En outre, un pH faible peut limiter considérablement la disponibilité de l’acétate en empêchant la dissociation de l’acétate et ainsi affecter négativement la méthanogénèse acétoclastique (Fukuzaki et al., 1990 ; Bridgham et al., 2013). Cela pourrait être une raison possible de l’absence de Methanosaeta dans le groupe2, alors que Methanosarcina peut passer d’une source à l’autre et n’a pas été influencé de manière substantielle. De plus, le pH peut réguler l’efficacité de la production de méthane et les voies méthanogènes des tourbières ombrotrophes à minérotrophes, par l’inhibition directe des deux voies de méthanogénèse et indirectement par ses effets sur la fermentation (Ye et al., 2012). Par conséquent, la température et le pH peuvent tous deux réguler directement ou indirectement les étapes métaboliques associées à la méthanogénèse et à la fermentation en amont, qui fournit un substrat aux méthanogènes.

Methanoregula est omniprésent et très abondant dans les quatre groupes d’habitats terrestres (Figure 6) mais pratiquement absent du système marin et peut donc s’avérer être un proxy de l’influence de l’eau douce dans le domaine marin. Sa pertinence mondiale a été récemment signalée ailleurs (Yang et al., 2017). Malgré sa distribution omniprésente dans les sols et les sédiments lacustres, Methanoregula apparaît comme une lignée indicatrice dans les habitats acides à température modérée. De plus, (1) Methanolinea semble s’être particulièrement adapté aux environnements terrestres chauds et neutres, (2) Methanobacterium aux environnements froids et acides, et (3) Methanosaeta aux environnements à pH neutre, ce qui est cohérent avec d’autres études (Rosenberg et al., 2014) et souligne la robustesse de notre approche. En général, les conditions géochimiques entourant les communautés méthanogènes conduiront à une différenciation de niche. Comme le tri des niches tend à laisser les spécialistes adaptatifs (Langenheder et Székely, 2011), la sélection environnementale progressive à long terme a généré une variété de niches qui ont été remplies par un ensemble de spécialistes de l’habitat endémique, qui peuvent être moins représentés ou absents dans d’autres conditions environnementales différentes. La communauté est également façonnée par des facteurs biotiques, tels que les interactions écologiques, la dynamique, la compétition et la symbiose. Malgré ces facteurs biologiques, von Mering et al. (2007) ont constaté que les préférences d’habitat sont souvent remarquablement stables dans le temps et que la composition taxonomique distinctive des communautés environnementales, à son tour, peut être un indicateur important de leur écologie et de leur fonction.

Consistant à la préférence d’habitat des archées méthanogènes, il apparaît que des souches méthanogènes étroitement apparentées ont souvent été isolées dans des environnements comparables. Par exemple, Methanoregulaceae semble être assez diversifié dans les environnements naturels (Yang et al., 2017) et les souches neutres peuvent résister à la culture jusqu’à présent. Les souches de Methanoregula actuellement décrites sont toutes deux obtenues dans des environnements légèrement acidophiles, tandis que les deux représentants de Methanolinea proviennent d’habitats relativement chauds, tels que les boues de digesteur et le sol des rizières, respectivement (Rosenberg et al., 2014). Bien que les souches de Methanobacterium aient été isolées de divers environnements, environ la moitié des isolats existants de ce genre présentent des optima de pH légèrement inférieurs à 7. Cela signifie que les lignées indicatrices, qui ont été identifiées sur la base des séquences environnementales, pourraient refléter les différenciations de physiologie et de sources des cultivars méthanogènes existants. Par exemple, la salinité de l’habitat, comme une propriété générale de l’habitat, peut progressivement exposer les organismes à une forte sélection environnementale et filtrer l’assemblage d’un nouvel ensemble d’espèces qui sont les mieux adaptées à la salinité ambiante (Logares et al., 2013).

La conservation et la gestion de la biodiversité est un défi primordial de notre société actuelle. Nous montrons ici que les archées méthanogènes des milieux naturels sont les plus diversifiées dans les sédiments des estuaires. Les estuaires sont des zones de transition entre les écosystèmes marins et terrestres. Cela permet deux processus majeurs qui peuvent contribuer à la richesse des espèces. Premièrement, les microbes provenant de la mer et de la terre se mélangent dans les estuaires et finissent par englober une grande diversité globale (McLusky et Elliott, 2004). Par exemple, on a observé une grande diversité de bactéries, d’archées et de champignons dans les estuaires, et même des bactéries spécifiques remplissant des fonctions uniques (Cunliffe et al., 2008 ; Mosier et Francis, 2008 ; Crump et al., 2012). Un autre aspect est le niveau élevé de nutriments dû aux apports terrestres et de marée dont se nourrissent les organismes de l’estuaire (McLusky et Elliott, 2004 ; Statham, 2012). Dans ce contexte, les environnements estuariens sont importants pour la récupération de la nouveauté générique pour les méthanogènes. Jusqu’à présent, les effets de la diversité des espèces sur les processus des écosystèmes ont suscité d’importants efforts de recherche. Le lien entre la biodiversité et la fonction de l’écosystème fait toujours l’objet de débats et reste insaisissable pour les communautés microbiennes (Loreau et al., 2001 ; Tilman et al., 2014). Même si les sols et les sédiments lacustres sont des sources primaires de méthane et également des habitats à forte diversité méthanogène, nous proposons que la richesse en espèces ne soit pas un indicateur approprié du potentiel de production de méthane et des émissions de méthane des écosystèmes ; elle semble plutôt refléter l’hétérogénéité et l’histoire de l’environnement. Le classement des environnements en fonction de leur richesse en espèces ne signifie pas nécessairement le potentiel des taux d’émission de méthane qui sont les plus élevés dans les sols et les lacs et comparativement mineurs dans les estuaires (Figure 3 et Figure supplémentaire S1).

Enfin, le manque d’informations environnementales dans les bases de données publiques peut avoir empêché une interprétation complète sur les facteurs environnementaux observés ici. Même s’il y a de plus en plus de données de séquençage sur les méthanogènes dans la littérature et les bases de données publiques, les variables abiotiques connexes fournies sont souvent incohérentes et éparses. La quantité limitée d’informations cohérentes pour les variables environnementales limite l’application des analyses statistiques multi-variées. Le fait que les facteurs abiotiques de cette étude ne puissent expliquer qu’une fraction limitée des variances des communautés suggère que d’autres variables explicatives manquent. Les concentrations et la disponibilité des substrats méthanogènes tels que l’acétate, l’hydrogène et les méthylamines pourraient être particulièrement importantes. Néanmoins, les paramètres abiotiques peuvent ne jamais suffire à expliquer complètement ce qui structure les assemblages méthanogènes, simplement parce que les habitats ont des histoires différentes et ne peuvent être étudiés que localement. De plus, parmi les données disponibles sur l’ARMC, les vastes zones du subarctique et de l’arctique russe et canadien sont mal représentées. Une meilleure couverture géographique et une distribution uniforme de l’ensemble des données sur les gènes mcrA amélioreraient une évaluation des communautés méthanogènes à l’échelle mondiale.

Contributions des auteurs

SL et XW ont conçu l’étude. XW et SY ont collecté et analysé les données. XW, SY et FH ont effectué l’analyse statistique. XW, MW et SY ont effectué la correction phylogénétique. XW, SY, FH, MW, DW et SL ont interprété les résultats et rédigé l’article. Tous les auteurs ont contribué aux discussions et ont révisé le manuscrit.

Déclaration de conflit d’intérêts

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière qui pourrait être interprétée comme un conflit d’intérêts potentiel.

Remerciements

Le soutien financier à XW (subvention n° 201408620031 à XW) fourni par le China Scholarship Council (CSC) est remercié. Cette étude a été soutenue par la Helmholtz Gemeinschaft (HGF) en finançant le groupe de jeunes chercheurs Helmholtz de SL (VH-NG-919).

Matériel supplémentaire

Le matériel supplémentaire pour cet article peut être trouvé en ligne à : https://www.frontiersin.org/article/10.3389/fmicb.2017.01339/full#supplementary-material

Notes de bas de page

1. ^ http://metanogen.biotech.uni.wroc.pl/
2. ^ http://www.ncbi.nlm.nih.gov/
3. ^ http://metanogen.biotech.uni.wroc.pl/
4. ^ https://www.ngdc.noaa.gov/mgg/shorelines/gshhs.html
5. ^ http://qgis.osgeo.org

.