СРАВНИТЕЛЬНАЯ ХАРАКТЕРИСТИКА КИШЕЧНОГО МИКРОБИОМА СИГОВЫХ РЫБ

COMPARATIVE CHARACTERISTICS OF THE INTESTINAL MICROBIOME OF WHITEFISH

Voronov Konstantin Evgenievich

Postgraduate student, St. Petersburg Branch of the Russian Federal Research Institute of Fisheries and Oceanography (Berg GosNIORKh),

Russia, St. Petersburg

АННОТАЦИЯ

Сопоставлен кишечный микробиом сиговых рыб из естественной популяции Онежского озера, садкового хозяйства Кондопожской губы и индустриальной бассейновой системы. Во всех группах преобладали Proteobacteria, но состав доминирующих таксонов различался. Индекс Шеннона не подтвердил линейного снижения разнообразия при усилении технологического контроля. Анализ Брея–Кертиса и PERMANOVA выявил различия общей структуры сообществ (p = 0,001).

ABSTRACT

The gut microbiomes of whitefish from a natural population in Lake Onega, a cage farm in Kondopoga Bay, and an industrial basin system were compared. Proteobacteria predominated in all groups, but the composition of the dominant taxa varied. The Shannon index did not confirm a linear decline in diversity with increasing technological control. Bray-Curtis and PERMANOVA analyses revealed differences in the overall community structure (p = 0.001).

Ключевые слова: сиговые рыбы; кишечный микробиом; Coregonus; ампликонное секвенирование; аквакультура.

Keywords: whitefish; intestinal microbiota; Coregonus; amplicon sequencing; aquaculture.

ВВЕДЕНИЕ

Кишечная микробиота рыб формируется при совместном действии внешних микробных источников и селективных условий пищеварительного тракта. Ее структура связана с местом обитания, рационом и биологическими особенностями хозяина [1]. У сиговых показаны различия микробиоты между экологическими формами и трофическими нишами [2; 3], однако природные, садковые и бассейновые условия редко рассматриваются в единой сравнительной схеме. Для Coregonus nasus ранее получены данные о составе кишечного сообщества в аквакультуре [4]. Цель настоящего исследования состояла в выявлении особенностей микробиоты сиговых при различной степени технологического воздействия.

МАТЕРИАЛЫ И МЕТОДЫ

Материал включал 15 особей Coregonus lavaretus из естественных популяций Онежского озера, 9 особей C. lavaretus из садкового хозяйства Кондопожской губы и 19 производителей C. nasus из индустриального хозяйства Ленинградской области. Две природные точки не различались по показателям альфа- и бета-разнообразия и были объединены. Для рыб определяли длину, массу, пол, стадию зрелости и возраст.

Кишечную микробиоту исследовали методом ампликонного секвенирования регионов V3–V4 и V4–V5 гена 16S рРНК на платформе Illumina MiSeq. Данные обрабатывали в QIIME 2 версии 2023.5 [5]; коррекцию ошибок, удаление химер и формирование ASV выполняли алгоритмом DADA2 [6]. Таксономию определяли по SILVA 138, нецелевые последовательности удаляли, глубину анализа выравнивали до 752 чтений на образец. Альфа-разнообразие оценивали по индексу Шеннона и критерию Краскела–Уоллиса, бета-разнообразие — по расстояниям Брея–Кертиса, PCoA и PERMANOVA с 999 перестановками.

РЕЗУЛЬТАТЫ

Группы различались по морфометрии. Средняя абсолютная длина природных, садковых и бассейновых рыб составляла соответственно 34,02, 48,44 и 42,13 см, средняя масса — 483,67, 1191,11 и 1014,74 г. Поэтому групповой фактор включал не только систему выращивания, но также видовую принадлежность, возраст, размеры, рацион и особенности среды.

Локальные гидрохимические условия природной и садковой акваторий также различались. В Кондопожской губе pH составлял 5,83 против 7,24–7,26 в природной точке; содержание общего фосфора — 22 против 6–9 мкгР/дм³, нитратного азота — 0,133 против 0,058–0,077 мгN/дм³. Эти параметры характеризовали экологический фон и не использовались для прямого объяснения представленности отдельных бактерий.

Во всех группах доминировали Proteobacteria, относительная доля которых составляла около 74 % в природной, 65 % в садковой и 50 % в бассейновой группе. Firmicutes занимали приблизительно 15–17 %. В садковой группе возрастал вклад Fusobacteriota, а в бассейновой — Bacteroidota и Actinobacteriota. Следовательно, усиление технологического контроля сопровождалось перераспределением крупных бактериальных групп, а не их однонаправленным обеднением.

В природной выборке наибольшую представленность имели неклассифицированные Gammaproteobacteria (24,4 %), Aeromonadales (11,3 %) и Aeromonas (7,3 %). Садковая группа характеризовалась Fusobacteriaceae (13,5 %), Aeromonas (12,7 %), Enterobacteriaceae (11,8 %), Aeromonadales (11,5 %), Lactococcus (10,9 %) и Cetobacterium (5,5 %). Сохранение Aeromonas и Aeromonadales в обеих группах соответствовало их связи с одним озерным бассейном, тогда как другие доминанты формировали самостоятельный садковый профиль.

Бассейновая серия отличалась высокой долей Sphingomonadaceae (18,1 %) и присутствием Staphylococcus (6,9 %), Cutibacterium (5,8 %) и Flavobacterium (5,1 %). Таксоны, характерные для садковой группы, в итоговых бассейновых профилях практически не выявлялись. Различия могли быть связаны с технологическим микробным фоном, рационом и видом хозяина; вклад этих факторов по отдельности в имеющемся дизайне не устанавливался.

Альфа-разнообразие не снижалось линейно от природной к индустриальной среде. Медиана индекса Шеннона составляла около 3,5 в природной группе и 2,8–2,9 в садковой; бассейновые профили имели значения выше 4,1. Природная и садковая группы не различались (p = 0,286). Для сравнений с бассейновой серией исходные p-значения составляли 0,028 и 0,034, однако после коррекции Бенджамини–Хохберга значение q составило 0,0508 и не достигло принятого уровня статистической значимости q < 0,05. Показатель Шеннона, следовательно, не может рассматриваться как самостоятельный индикатор благополучия рыб.

При анализе бета-разнообразия природные, садковые и бассейновые профили занимали разные области пространства главных координат. PERMANOVA выявил значимую связь между исследуемой группой и общей структурой микробного сообщества (p = 0,001). Различия затрагивали многомерный профиль микробиоты, а не только долю нескольких доминирующих таксонов.

Садковая группа не являлась простым промежуточным вариантом между природной и бассейновой микробиотой: она сохраняла отдельные признаки озерного фона, но имела собственное сочетание бактерий. Наиболее крупные садковые рыбы не характеризовались максимальным индексом Шеннона, поэтому морфометрия не объясняла различия самостоятельно. Бассейновая серия формировала наиболее обособленный профиль и более равномерное распределение крупных филумов.

Таким образом, происхождение и условия содержания сиговых рыб были связаны с таксономическим составом и общей структурой кишечной микробиоты. Технологическая регуляция задавала отдельную траекторию перестройки сообщества и не приводила к универсальному снижению разнообразия. Полученные профили могут использоваться как основа экологического мониторинга только при совместном учете воды, корма, биопленок, морфометрии и физиологического состояния рыб.

Список литературы:

1. Kim P. S., Shin N.-R., Lee J.-B. et al. Host habitat is the major determinant of the gut microbiome of fish // Microbiome. 2021. Vol. 9, no. 1. Article 166. DOI: 10.1186/s40168-021-01113-x.
2. Simon J. C., Marchesi J. R., Mougel C., Selosse M.-A. Host-microbiota interactions: from holobiont theory to analysis // Microbiome. 2019. Vol. 7, no. 1. Article 5. DOI: 10.1186/s40168-019-0619-4.
3. Kashinskaya E. N., Simonov E. P., Poddubnaya L. G. et al. Trophic diversification and parasitic invasion as ecological niche modulators for gut microbiota of whitefish // Frontiers in Microbiology. 2023. Vol. 14. Article 1090899. DOI: 10.3389/fmicb.2023.1090899.
4. Voronov K. E., Muge N. S., Lukina J. N. et al. Analysis of the Intestinal Microbiome of Coregonus nasus Using 16S rRNA Sequencing // Russian Journal of Genetics. 2026. Vol. 62, no. 2. P. 170–177. DOI: 10.1134/S1022795425701467.
5. Bolyen E., Rideout J. R., Dillon M. R. et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2 // Nature Biotechnology. 2019. Vol. 37, no. 8. P. 852–857. DOI: 10.1038/s41587-019-0209-9.
6. Callahan B. J., McMurdie P. J., Rosen M. J. et al. DADA2: High-resolution sample inference from Illumina amplicon data // Nature Methods. 2016. Vol. 13, no. 7. P. 581–583. DOI: 10.1038/nmeth.3869.