Ciencia del medio ambiente total 742 (2020) 140314

Listas de contenidos disponibles en ScienceDirect

Ciencia del Medio Ambiente Total

revista Página de inicio: www.el sev i er .com / l ocate / sc i totenv

Análisis de redes de comunidades microbianas de reactores anaeróbicos alimentados con

purines bovinos y porcinos

Eliane Cristina Gruszka Vendruscolo a , ⁎ , Dany Mesa B , Daniel Vasconcelos Rissi C , Bruno Henrique Meyer D ,
Fábio de Oliveira Pedrosa B , Emanuel Maltempi de Souza B , Leonardo Magalhães Cruz B , D
a Departamento de Biociencias, Universidad Federal de Paraná, Sector Palotina, R. Pioneiro, 215, Jardim Dallas, Palotina, PR, 85900-000, Brasil
B Departamento de Bioquímica y Biología Molecular, Universidad Federal de Paraná, Av. Coronel Francisco H. dos Santos, 100, CP 19031, Centro Politécnico, Curitiba, PR, 81531-980, Brasil
C Sector de Educación Profesional y Tecnológica, Universidad Federal de Paraná, R. Dr. Alcides Vieira Arcoverde, 1225 - Jardim das Américas, Curitiba, PR, 81520-260, Brasil
D Departamento de Informática, Universidad Federal de Paraná, R. Evaristo F. Ferreira da Costa, 383-391 - Jardim das Américas, Curitiba, PR, 82590-300, Brasil

DESTACAR GRÁFICAMENTE ABSTRACTO

• La estructura de la comunidad microbiana cambió

estacionalmente y con la etapa de crecimiento animal.
• Los parámetros físico-químicos se
correlacionaron positivamente con la producción
de biogás / metano.
• El rendimiento de biogás depende de la riqueza
de la comunidad microbiana y la abundancia de
especi fi c grupos.
• El análisis del algoritmo de Random Forest
reveló taxones clave microbianos para cada
biodigestor.
• Los conglomerados en muestras de
bovinos y porcinos indicaron un complejo
de redes positivas y negativas entre los
taxones en los reactores.

información del artículo resumen

Historia del artículo: La digestión anaeróbica puede producir biogás como fuente de energía ecológica, impulsada por un proceso microbiano dependiente de
Recibido el 1 de marzo de 2020 la comunidad y, como tal, sufre en fl uencias de muchos factores bióticos y abióticos. Comprender a los jugadores y cómo interactúan, los
Recibido en forma revisada el 18 de mayo de 2020
mecanismos involucrados, cuáles son los factores y cómo actúan. fl influir en el proceso y la producción de biogás es una forma
Aceptado el 15 de junio de 2020
importante de controlarlo mejor y hacer que sea más eficaz fi cient. El enfoque metagenómico es una herramienta poderosa para evaluar
On-line el 23 de junio de 2020
la diversidad microbiana y, además, permite correlacionar los cambios en las comunidades microbianas con múltiples factores en

Editor: Yifeng Zhang prácticamente todos los entornos. En el presente estudio, utilizamos un enfoque metagenómico para evaluar los cambios en la estructura
de la comunidad microbiana en dos biodigestores, que difieren en su capacidad de producción de biogás, arquitectura y alimentación. Se
Palabras clave: obtuvieron y analizaron un total de 1.440.096 lecturas de la región V4 del gen de ARNr 16S. Los principales filos bacterianos fueron
Biogás Firmicutes y Bacteroidetes en ambos biodigestores, pero la biodiversidad fue mayor en el Up fl u Reactor de manto de lodo anaeróbico
Comunidades microbianas (UASB) alimentado con estiércol bovino que en el reactor de tanque agitado continuo (CSTR) alimentado con estiércol de cerdo, lo que
Gen de ARNr 16S también se correlacionó con un aumento en la producción de biogás o metano. La estructura de la comunidad microbiana asociada con
Aprendizaje automático
los biodigestores cambia estacionalmente y depende de la etapa de crecimiento del animal. El análisis de algoritmos forestales aleatorios
reveló taxones microbianos clave para cada biodigestor. Candidatus Cloacomonas, Methanospirillum, y Methanosphaera fueron los
taxones marcadores para UASB y los grupos de arqueas
Metanobrevibacter y Candidatus Methanoplasma fueron los taxones marcadores para CSTR. Una gran abundancia de
Candidatus Methanoplasma y el clado Marinimicrobia SAR406 sugirieron incrementos más bajos en metano

⁎ Autor correspondiente.
Dirección de correo electrónico: vendruscolo@ufpr.br (ECG Vendruscolo).

https://doi.org/10.1016/j.scitotenv.2020.140314
0048-9697 / © 2020 Elsevier BV Todos los derechos reservados.
2 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
producción. El análisis de la red señaló asociaciones negativas y positivas y especi fi c grupos clave, esenciales para
mantener el proceso de digestión anaeróbica (DA), como no cultivados Parcubacterias bacterias Candidatus
Cloacomonas, y Candidatus Methanoplasma grupos cuyas funciones en AD requieren investigación.
1. Introducción
La sustitución de los combustibles fósiles por una fuente de energía renovable es
una tarea desafiante ( Sun et al., 2015 ). Una alternativa prometedora al ismetano, una
fuente de energía renovable multipropósito ( Kullander, 2010 ) que es más respetuoso con
el medio ambiente ( Fehrenbach et al., 2008 ). En consecuencia, la construcción de plantas
de biogás ha aumentado rápidamente en todo el mundo en los últimos años. La
producción de metano mediante procesos biológicos (biogás) tiene la ventaja de utilizar
subproductos lignocelulósicos agrícolas y ganaderos, que luego se transforman en
energía eléctrica, térmica y energética a través de un proceso relativamente fácil de
manejar en pequeñas unidades industriales / agrícolas ( Antoni y col., 2007 ). Este
suministro de energía podría reducir los costos en la agricultura, sustituir las costosas
fuentes de energía (electricidad, fi madera y aceite), producen biofertilizantes como
subproducto y reducen la contaminación ambiental en términos de emisiones de gases
de efecto invernadero y saneamiento ( Carballa et al., 2015 ; Manyi-Loh et al., 2013 ; Weiland,
2010 ). Además, la digestión anaeróbica (DA) es una tecnología viable para los países
tropicales y subtropicales donde el funcionamiento de los reactores se puede lograr a la
temperatura normal del aire ( Duda et al., 2015 ).
La EA es un proceso de degradación de varios pasos ( Antoni y col., 2007 ; Gopinath alimentados con diferentes sustratos (estiércol de lechería más co-sustratos
y col., 2014 ) que implica un especi fi c consorcio de organismos, donde el producto
de un paso se convierte en el sustrato del siguiente. Primero, los materiales
complejos, incluidos los componentes de la pared celular (p. Ej., Xilano, celulosa,
proteínas y lípidos) se hidrolizan enzimáticamente en oligosacáridos, aminoácidos
y ácidos grasos de cadena larga ( Cirne y col., 2007 ; Weiland, 2010 ). En el segundo
paso (acidogénesis), estos productos se convierten en volátiles.
ácidos grasos (AGV) o directamente al ácido acético, H 2, y compañía 2 ( también producido
en el tercer paso, conocido como acetogénesis / deshidrogenación) bajo anaero-
oxidación bic. Finalmente, en el cuarto paso (metanogénesis), se produce metano.
Clostridios y bacilos celulolíticos, pero también, en menor grado, anaerobios
facultativos (p. Ej., Estreptococos y Enterobacterias), son los principales agentes de
microorganismos en el fi primera etapa del proceso. En el segundo / tercer paso, el
acetato y el hidrógeno se producen a partir de AGV por bacterias acetogénicas
productoras de hidrógeno obligadas (p. Ej., Acetobacterium woodii, Clostridium
acetium, y Thermoanaerobacterium) ( Drake y col., 1997 ; Gopinath y col., 2014 ; Shin
y Youn, 2005 ). Finalmente, la producción de metano en el cuarto paso es realizada
exclusivamente por Archaea.
Aunque el número de estudios sobre el microbioma de EA a partir de lodos
animales ha aumentado durante la última década ( Ali et al., 2020 ; Bozan et al.,
2017 ; Duda et al., 2015 ; Pagliano et al., 2019 ), el proceso de fermentación es
altamente fl influido por muchos parámetros operativos ( Goswami et al., 2016 ; Li et
al., 2015 ; Wu y col., 2019a ), que puede causar signi fi No se pueden producir
cambios en los microbiomas a través de estos estudios, haciéndolos menos
comparables. Sin embargo, a pesar de la gran diversidad y los cambios
observados en el microbioma, se plantea la hipótesis de que las plantas de
tratamiento de aguas residuales tienen una comunidad bacteriana central
pequeña y global ( Wu y col., 2019b ). Por otro lado, en una resolución taxonómica
profunda, pocos genomas son compartidos por plantas de tratamiento de aguas
residuales a gran escala geográficamente distantes cuando se comparan los
grandes datos metagenómicos ( Ye et al., 2020 ).
El desarrollo y la aplicación de la tecnología de secuenciación de alto
rendimiento en microbiología ha significado que este método ha superado a los
métodos clásicos en términos de uso y es responsable de un enorme aumento en
el conocimiento adquirido en las últimas décadas en este campo. fi vejez. Además,
la secuenciación microbiana ha dado como resultado la generación de una
cantidad cada vez mayor de datos y ha revelado las interacciones extensas y
complejas de las comunidades microbianas dentro de
© 2020 Elsevier BV Todos los derechos reservados.
sus entornos y anfitriones ( Qu et al., 2019 ; Srinivasan et al., 2012 ).
Los métodos de aprendizaje automático (ML) han demostrado ser un enfoque
poderoso en microbiología ( Qu et al., 2019 ) para hacer predicciones en muchas
aplicaciones útiles, como predicciones de enfermedades para la productividad de
los cultivos ( Chang et al., 2017 ). En particular, ML se ha utilizado en clases
taxonómicas fi catión para explorar las interacciones entre los microorganismos y
su entorno circundante ( Qu et al., 2019 ) e identificar especi fi c grupos bacterianos
dentro de los microbiomas que modifican el entorno o realizan actividades
específicas fi c funciona dentro de los procesos biológicos. Además, los modelos de
red pueden revelar interacciones o patrones biológicos subyacentes a lo largo del
tiempo y el espacio en un sistema complejo y, por lo tanto, pueden proporcionar
nuevas perspectivas sobre las asociaciones de comunidades microbianas dentro
de los reactores ( Barberán et al., 2012 ; Proulx y col., 2005 ). Como ejemplo de
aplicación de ML en el análisis del microbioma de cultivos y el proceso de DA ( Lammel
et al., 2018 ), la aplicación del análisis de ML permitió la identi fi cación de los
parámetros del suelo que se vieron más fuertemente afectados en respuesta a las
variaciones en las especificaciones fi c unidades taxonómicas operativas (OTU) de
estructuras comunitarias. Regueiro y col. (2015) evaluaron cuatro CSTR mesófilos
hidrolizado alcalino, desperdicio de alimentos y glicerol crudo); ML identi fi ed
Natranaerobiales como grupo clave en hidrolizado alcalino y Bacteroidetes como
grupo clave en cosustrato de desperdicio de alimentos. Chang y col. (2017) correlacionó
el microbioma del suelo a granel con la productividad y encontró que
Actinomycetales era perjudicial para la salud de los cultivos, utilizando modelos
ML.
A gran escala, las comparaciones de datos metagenómicos de diferentes
sistemas de tratamiento de aguas residuales fi Confirmó la alta precisión de
predicción de ML al mostrar que la microbiota tenía sus funciones seleccionadas,
aunque las especies de EA en diferentes biodigestores difirieron, lo que indica una
adaptación funcional ( Ye et al., 2020 ). Otro estudio realizado por Mei y col. (2019) La
cuantificación de la inmigración microbiana en los reactores de lodos activados
mostró que la regresión de aprendizaje supervisado resaltó los parámetros
ambientales clave que afectan el desempeño del proceso cuando se consideró el
subconjunto activo de la comunidad. Wu y col. (2019b) , mediante la aplicación de
un modelo de bosque aleatorio (RF), reveló OTU esenciales para predecir la
temperatura en una colección de metadatos global y concluyó que la temperatura
es la principal variable ambiental que da forma a las composiciones bacterianas
del lodo activado a escala global.
En resumen, ML puede ayudar a explorar big data al lograr una reducción
dimensional de grandes conjuntos de datos e interpretar las dependencias entre
los miembros de estas comunidades y el medio ambiente al identificar taxones
asociados que promueven el equilibrio del proceso y revelan asociaciones ocultas ( Friedman
y Alm, 2012 ; Qu et al., 2019 ;
Telenti, 2020 ). A su vez, esto puede revelar nuevos conocimientos sobre la microbiota del biogás
(fermentador).
En este estudio, abordamos cuestiones relacionadas con la dinámica de la EA
en dos tipos comunes de biodigestores; Arriba fl o Manto de lodo anaeróbico
(UASB) y reactor de tanque agitado continuo (CSTR), comúnmente utilizado en el
sur de Brasil. Evaluamos si el estiércol porcino utilizado para alimentar
biodigestores en diferentes fases de crecimiento, por lo tanto, tiene en fl influyó en
el microbioma de los biodigestores. También investigamos si las temporadas de
cultivo (suministro de pasto alto y bajo) en fl uencia del estiércol de ganado y el
microbioma en biodigestores. Se investigaron los parámetros físicos y químicos
correlacionados con el microbioma en biodigestores y se determinaron los
principales actores en microbiomas de biodigestores.
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
2. Material y métodos
2.1. Digestores anaeróbicos
En este estudio se utilizaron dos plantas de biogás mesófilas (20 ° C a 45 ° C).
Uno era un reactor UASB modelo B20 BioKöhler, ubicado en Linha Ajuricaba
(Marechal Candido Rondon-PR / Brasil). La instalación es parte de una granja
lechera agrícola con 38 a 40 vacas Holstein. Los animales (promedio fi cinco años de
edad) fueron alimentados ad libitum con cantidades iguales de pastos y fórmula
de cereales compuesta por 60% de maíz, 20% de trigo y 20% de salvado de soja.
En este sistema, el purín animal recolectado durante el ordeño se bombeaba
al biodigestor compuesto por una caja de suministro que acumulaba los desechos
antes de alimentar el reactor AD. El reactor o cámara digerida estaba medio
enterrado, con el cuerpo protegido con vidrio. fi ber. Constaba de una caja de
pesaje por la que pasaba el biofertilizante después de salir del reactor, un
estanque para almacenar el biofertilizante y un gasómetro ( Figura 1 A). La fl El
caudal en este tipo de biodigestor fue de 0,67 m 3 ·día - 1.
Después del ordeño, la lechada se barrió en una proporción de 1: 1 (material /
agua) por un canal que conectaba con el fondo del digestor vertical rígido de 20
m. 3 capacidad ubicada en un nivel inferior (para asegurar que el
fl Flujo ocurrido debido a la gravedad). A medida que llegaban los desechos, los desechos
más antiguos eran empujados hacia arriba hasta encontrar un embudo dentro del
biodigestor. Cuando el estiércol llegó a esta sección, llegó por gravedad al tanque de
biofertilizante. Todo el gas metano producido durante el proceso se canalizó a través de
ampollas de 50 mm hacia el gasómetro contenido en una bolsa de lona de plástico para
su almacenamiento. El tiempo de retención hidráulica (HRT) de los sustratos sólidos en el
fermentador fue de 33 días. Se proporciona más información en tabla 1 .
El segundo biodigestor fue un CSTR ubicado en una fábrica de cerámica (Entre Rios
do Oeste-PR, Brasil) que forma parte de un complejo que contiene una granja porcina de
3000 lechones ( Figura 1 B y tabla 1 ). Se colocaron lechones blancos grandes (60 días de
edad, 25 kg; vivero) en un establo de cerdos y se los alimentó constantemente ad libitum
con una fórmula de cereales que consistía en salvado de maíz (70 - 76%), salvado de soja
(17 - 23%) y minerales (~ 7%). Normalmente, los animales pasaban de 120 a 160 días en el
establo hasta que estaban listos para el sacrificio.
Las lechadas de animales se enviaron por gravedad. fl Flujo a canales laterales
a través de tubos de cloruro de polivinilo de 150 mm. La finca se limpió raspando
en seco y " paci fi er " Se utilizaron bebederos de tipo para los cerdos para reducir el
volumen de agua presente (agua: estiércol, 1: 1). Este biodigestor estaba
compuesto por un tanque circular de 1700 m 3 volumen neto construido
A 1
C
BRASIL
EN
HECHO
CONJUNTO
L.
ENCENDIDO
DE
ORDEN
1-5-3-6-2-4
9,610,0,110,006,0
4 2
B 4
3
Figura 1. Esquema de plantas de biogás UASB y CSTR. (A) Arriba fl Flujo Reactor Anaeróbico de Manta de Lodo (UASB) y (B) Reactor de Tanque Agitado Continuo (CSTR); 1.Stall, 2. Fermentador, 3.
Almacenamiento de biofertilizantes, 4.Gasholder y generador de electricidad; en este estudio, UASB se alimentó con estiércol de bovino y CSTR se alimentó con estiércol de cerdo; Se tomaron muestras
de las temporadas de invierno (agosto / 2017) y verano (enero / 2018) de UASB y de vivero (65 th días de edad), creciendo (100 th días de edad) y terminación (150 th días de edad) fases de producción de
ganado porcino de CSTR.
3
con tierra fl pavimento y revestido con lona plástica de polietileno de alta densidad
(Vinimanta negro) con la entrada y salida dispuestas para mantener la continuidad
fl flujo de residuos (20 - 36m 3 ·día - 1). El sistema se agitó cada 4 h durante 30 min
utilizando una hélice accionada por un motor eléctrico (Brasuma ™). La mezcla de
los sustratos de alimentación en los fermentadores fue constante y se realizó
utilizando una bomba de tornillo excéntrico. La aireación del sustrato fue
proporcionada por el fl Flujo de aire a 1200 L · h - 1. Una tubería independiente en el
biodigestor recogió el gas generado. El gas se recogió utilizando una tubería de 50
mm de diámetro para un generador de electricidad trifásico. La TRH de los
sustratos sólidos en el fermentador fue de 30 días. En ambas granjas se aplicaron
vacunas y antibióticos de acuerdo con la recomendación veterinaria.
2.2. Análisis físico-químico
La temperatura de las muestras se obtuvo con un termómetro digital durante
la recolección de la muestra. Aproximadamente 2 L del sustrato recolectado de la
caja de entrada se utilizaron para la determinación de sólidos totales (TS), fi También
se recolectaron sólidos fijos (FS) y sólidos volátiles (VS), siguiendo metodologías
estándar (SMEWW 2540 G (23rd)), y sólidos sedimentables (SS) (SMEWW 2540F
(23rd)) y pH (SMEWW 4500H (23rd)) y grabado, respectivamente. Potencial de
producción de biogás en términos de porcentaje de metano (revisión VDI 4630
PE005
5) se determinó siguiendo los procedimientos estándar del Asociación
Estadounidense de Salud Pública (2012) . Las muestras se refrigeraron y enviaron a
Labiogás-Cibiogás / PTI-Foz do Iguaçu-PR. Las muestras se analizaron por
triplicado.
En el Laboratorio de Bioquímica y Genética (Labiogen) / UFPR
- Palotina / PR, la conductividad eléctrica se midió utilizando un medidor de
conductividad NT-CVM. La concentración de proteína total (TP) se determinó como
se describió anteriormente ( Lowry y col., 1951 ). Los azúcares reductores totales
(TRS) se obtuvieron utilizando una metodología descrita previamente
( Maldonade et al., 2013 ). Nitrógeno amoniacal (N-NH 4) fue evaluado por
metodología titrimétrica (SMEWW 4500C (23rd)) ( APHA, 2012 ).
Estos ensayos se realizaron por quintuplicado.
2.3. Preparación y secuenciación de muestras
El UASB se muestreó en agosto de 2017 (invierno) y enero de 2018 (verano)
para evaluar los cambios de la microbiota en diferentes estaciones. Para el
digestor CSTR, se tomaron muestras en tres ocasiones distintas,
2
4 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314

tabla 1
Parámetros físico-químicos y bioquímicos evaluados desde Up fl Muestras de plantas de biogás de Reactor Anaeróbico de Manta de Lodo (UASB) y Reactor de Tanque Agitado Continuo (CSTR).

UASB (1) UASB (2) CSTR (1) CSTR (2) CSTR (3)

pH 6,8 7.1 7.1 7.1 7.0

Conductividad (mS · cm - 1) 4,70 ± 0,10 4,44 ± 0,01 13,75 ± 0,24 13,03 ± 0,74 13,67 ± 0,23
Proteína total (g · g - 1) 0,24 ± 0,07 0,07 ± 0,02 0,21 ± 0,01 0,22 ± 0,09 0,15 ± 0,06
TRS (mg · L - 1) 376,19 ± 10,14 ⁎ 21,08 ± 3,68 81,14 ± 8,81 167,91 ± 25,17 187,08 ± 42,64 ⁎
TS (g · kg - 1) 35,30 ± 1,02 ⁎ 25,80 ± 0,91 13,80 ± 0,04 33,40 ± 0,32 40,40 ± 0,34 ⁎
FS (g · kg - 1) 230,10 ± 4,33 395,50 ± 6,12 ⁎ 260,40 ± 0,67 ⁎ 218,60 ± 2,04 252,20 ± 2,11
VS (g · kg - 1) 769,90 ± 4,33 ⁎ 604,50 ± 6,11 739,60 ± 0,65 781,40 ± 2,04 ⁎ 747,80 ± 2,10
NUEVA HAMPSHIRE 4- N (g NH 4- N · L - 1) 0,34 ± 0,11 0,68 ± 0,03 ⁎ 1,83 ± 0,13 1,87 ± 0,11 2,60 ± 0,36
L norte · Biogás · kg SV - 1 410,00 ± 3,00 ⁎ 227,66 ± 18,14 656,66 ± 16,50 454,00 ± 83,19 412,33 ± 47,60
% Metano 68 72 75 71 72
Rendimiento potencial de biogás estimado (m 3 ·día - 1 ·animal - 1) 3,94 ± 0,04 ⁎ 1,72 ± 0,16 1,21 ± 0,03 0,89 ± 0,16 0,77 ± 0,08

TRS-Azúcares reductores totales; TS-Sólidos totales; Sólidos fijos FS; VS-sólidos volátiles; UASB1 y 2, muestras recolectadas en invierno y verano, respectivamente, de UASB alimentadas con estiércol bovino; CSTR1 a 3,
muestras recolectadas en las fases de vivero, crecimiento y terminación de la producción de ganado porcino de CSTR alimentadas con estiércol porcino; Medias ± desviación estándar.
⁎ Estadísticamente signi fi cance en p B 0.10 por prueba t.

correlacionadas con las etapas de manejo porcino (15, 50 y 100 días
correspondientes a vivero, cría y fi fases finales, respectivamente).
Antes del muestreo, se descartaron aproximadamente 2 L del sustrato del
fermentador y se recogieron alícuotas de 0,25 L de lodo de fermentación en
recipientes de plástico limpios. Se obtuvieron muestras quintuplicadas de los
digestores UASB y CSTR ( Figura 1 ). Para la extracción de ADN, las muestras se
procesaron inmediatamente después de su transporte al laboratorio. Luego, se
centrifugaron 2 mL del sustrato líquido a 10,000 × gramo durante 2min. Se
descartó el sobrenadante y se utilizó un sustrato sólido (150 mg) para la extracción
de ADN.
El ADN genómico total se extrajo utilizando el kit FastDNA Spin para suelo (MP
Biomedicals, Santa Ana, CA, EE. UU.) De acuerdo con las instrucciones del
fabricante. Las concentraciones y la calidad del ADN extraído se midieron
utilizando un espectrofotómetro Nano Drop (Nanodrop Technologies, Wilmington,
DE, EE. UU.). La integridad del ADN también se vio afectada fi rmed por
electroforesis en un gel de agarosa al 0,8% con tampón TAE 1x.
Los cebadores de PCR (F515 / R806) se utilizaron para amplificar la región V4
del gen de ARNr 16S. Las reacciones se realizaron a 94 ° C durante 3 min para
desnaturalizar el ADN, después de lo cual se realizaron 28 ciclos a 94 ° C durante
45 s, 50 ° C durante 60 sy 72 ° C durante 90 s, con un fi extensión final de 10 min a
72 ° C para asegurar una amplificación completa fi catión Caporaso et al., 2011 ). Los
amplicones fueron quanti fi ed con Qubit usando un kit HS dsDNA (Invitrogen,
Carlsbad, CA, EE. UU.), se diluyó a 500 pM y se combinó. A continuación, se
secuenció 16 pM de ADN combinado usando el reactivo MiSeq 500 V2 (Illumina,
San Diego, CA, EE. UU.). La secuenciación se realizó utilizando un secuenciador
MiSeq® (Illumina), obteniendo lecturas de 250 pb como se describió
anteriormente ( Caporaso et al., 2011 ).
2.4. Análisis de la secuencia de amplicones de metagenómica
Para el análisis de la diversidad de la comunidad, se obtuvo un total de
1.440.974 secuencias sin procesar de la región V4 del gen de ARNr 16S de los dos
biodigestores anaeróbicos. La calidad de las lecturas se evaluó mediante FastQC ( Andrews
y col., 2018 ). Las lecturas de baja calidad y por debajo de 250 pb se eliminaron del
conjunto de datos, y las 896,774 secuencias restantes se utilizaron para el análisis
descendente. Quimera fi El filtrado se realizó utilizando el algoritmo USEARCH ( Edgar,
2010 ).
El análisis de taxonomía se realizó utilizando QIIME 1.9.1 ( Caporaso et al., 2012 )
asociado con el Asignador de taxonomía de consenso de Uclust ( Edgar, 2010 ), con
un umbral del 97% de identidad y mediante el elegir OTU abiertas estrategia. Esta
estrategia utiliza dos rondas para la clasificación taxonómica.
fi catión. En el fi primera ronda, las OTU se clasificaron fi ed según la base de datos
de referencia SILVA 128. En la segunda ronda, las OTU restantes fueron clasi fi ed
utilizando una estrategia taxonómica de novo. Otro fi Se llevó a cabo un proceso de
filtrado para eliminar las secuencias de cloroplasto y mitocondrias. Finalmente, los
datos se normalizaron a la muestra más pequeña a 4530 secuencias por muestra
(complementario fi le 1 - Tabla S1).
El análisis estadístico de diversidad beta y las comparaciones de grupos
taxonómicos entre muestras se realizaron utilizando STAMP 2.1.3 ( Parks et al.,
2014 ). Los índices de diversidad alfa se determinaron utilizando el número total de
OTU observadas en MetaComet ( Wang et al., 2016 ).
2.5. Análisis ML
2.5.1. Predicción grupal y selección de características con ML
La biblioteca Scikit-Learn ( Pedregosa et al., 2015 ) de Python se utilizó
para aplicar el algoritmo de RF como se describió anteriormente ( Chang et al.,
2017 ). La " ExtraTreeClassi fi er " Se utilizó el método de la biblioteca, que permite la
elaboración de un modelo que clasifica fi Es las diferentes duplicaciones de acuerdo
con estas muestras utilizando solo la información asociada con la abundancia
relativa de cada taxón. El modelo se construyó con 500 árboles, " Impureza de gini " como
criterio de calidad de las divisiones, y el número de características máximas
utilizadas para calcular la mejor división igual a la raíz cuadrada de los taxones
totales. Para estimar la importancia de cada taxón para la predicción de diferentes
muestras, se generó un modelo de RF utilizando todas las muestras. El modelo
construido se utilizó para extraer el valor referente a la importancia de Gini de
cada taxón entre los diferentes árboles, que representa la importancia de cada
característica relativa al modelo (Suplementario fi le 2 y 3).
2.5.2. Visualización de análisis de correlación
Para cada nivel taxonómico, el coeficiente de correlación de rango-orden de Spearman
fi ciente se calculó entre los diferentes taxones ( Statnikov y col., 2013 ). Para cada
combinación de unidades taxonómicas entre los diferentes niveles, el coef fi ciente
de relación se calculó utilizando la biblioteca SciPy ( Jones y col., 2001 ) en Python.
La visualización de la red se implementó utilizando la biblioteca vis.js del lenguaje
de programación JavaScript, que permite la visualización de resultados en
navegadores web. El algoritmo
" forceAtlas2Based " presente en la biblioteca se utilizó para organizar los nodos
automáticamente en la red (Suplementario fi le 2 y 3).
3. Resultados
Se comparó la diversidad de bacterias y arqueas basándose en las secuencias
del gen ARNr 16S de UASB y CSTR. En ambos conjuntos de datos, no hubo una
asíntota aparente en las curvas de rarefacción, lo que sugiere que las bibliotecas
no abarcaron el alcance total de la riqueza de OTU en ambas comunidades
(bovinos y porcinos) cuando fi ned con un umbral de identidad de secuencia del
97% (complementario fi le 1 - Fig. S1). En total, se incluyeron 22 muestras en la
principal comparación entre la microbiota porcina y bovina. Se normalizaron a
4530 secuencias por muestra, totalizando 99,660 lecturas y 7600 OTU, lo que
representa 54 phyla bacterianos, con Bacteroidetes (42%), Firmicutes (18%) y
Proteobacteria (7%) en una mayor abundancia relativa. El diagrama de Venn y el
análisis de componentes principales (PCA) revelaron diferencias en las estructuras
de la comunidad
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
entre ambos biodigestores, UASB versus CSTR ( Figura 2 A). El mismo análisis
también reveló posibles variaciones dentro de ambos reactores, como lo muestra
la agrupación de muestras a lo largo de los ejes. Considerando el digestor UASB,
las submuestras se agruparon por temporadas (UASB1 y UASB2), y PC1 representa
el 85% de la variación explicada ( Figura 2 B). En las muestras CSTR (CSTR1, CSTR2 y
CSTR3), se pudieron distinguir tres conglomerados en los dos componentes
principales (PC) correspondientes a las muestras en estadio de crecimiento
porcino, lo que sugiere una mayor diferencia en la estructura de la comunidad ( Figura 3.2. Variación en la diversidad comunitaria dentro del biodigestor UASB
2 C). Para determinar si estas diferencias podrían explicarse por muestreo puntual
y si eran estadísticamente sólidas, realizamos análisis adicionales considerando las
comunidades microbianas dentro de cada biorreactor.
3.1. Comparación de la diversidad de comunidades microbianas en biodigestores
Las OTU compartidas y únicas entre biodigestores y dentro de muestras de
digestor bovino y porcino se muestran en diagramas de Venn en
Figura 2 . Solo el 6,7% de todas las OTU se compartieron cuando se compararon ambos
biodigestores, con las restantes OTU exclusivas de UASB (57%) o CSTR (36,3%) ( Figura 2 A).
La riqueza y uniformidad estimadas de bacterias / arqueas de acuerdo con las OTU
observadas para la microbiota de biodigestores alimentados con estiércol bovino (UASB)
fueron más altas en comparación con las de la planta porcina (CSTR) y fueron
estadísticamente significativas fi cant (p B 0,05; Suplementario
fi le 1 - Fig. S2). Un subconjunto de 20 de 54 (37%) phyla difirió signi fi significativamenteabundancia relativa de invierno a verano. Por el contrario, el clado Marinimicrobia
en términos de abundancia relativa entre los biodigestores. Sólo 27 de 1187 (2,3%)
géneros observados fueron estadísticamente signi fi entre biodigestores basado en
la prueba de Welch (p. B 0.05, corregido para múltiples pruebas por el método
Bonferroni) (Suplementario fi le 1 - Fig. S3 y S4).
A nivel de filo, Bacteroidetes y Firmicutes fueron los microorganismos más
abundantes en ambos reactores, representando 30% y 47%, y 13% y 21% en el
UASB y CSTR, respectivamente. Estos resultados complementan la diversidad alfa
y los PCA ( Figura 2 A), que mostró diferencias en la estructura de la comunidad y
diferencias detalladas en la abundancia relativa de los principales participantes
que actúan en ambos reactores. Curiosamente, mientras que las Proteobacterias y
Marinimicrobia predominaron como participantes principales en el biodigestor
UASB, representando el 12% y el 6%, respectivamente, representaron sólo el 1,5%
y el 0,4%, respectivamente, en el biodigestor CSTR. Además, Cloacimonetes y
Verrumicrobia aparecieron en abundancia relativamente alta en UASB (5% en cada
uno, respectivamente), pero con menos importancia en CSTR ( ≤ 5%) ( Figura 2 D).
Finalmente, se observaron los siguientes filos aproximadamente al mismo nivel en
ambos biodigestores (UASB / CSTR): Tenericutes (5% / 2%) y Spirochaetae (4% /
6%). Omnitrophica, Parcubacteria, Planctomycetes y Fusobacteria aparecieron en
baja abundancia en el UASB (3%, 2%, 1% y 1%, respectivamente). En el biodigestor
CSTR, Atribacteria (2%) y Fibrobacteres (1%) estuvieron entre los filo más
abundantes ( Figura 2 E y H, complementario fi le 1 Fig. S4). A un nivel taxonómico
más profundo, Grupo de lodos de aguas residuales VadinBC27 ( Bacteroidetes)
(11%), bacterias sin signo del clado Marinimicrobia SAR406 (6%) y Smithella 5%)
(Proteobacteria), fueron los géneros más abundantes encontrados en el
biodigestor UASB. En el biodigestor CSTR, VadinBC27 ( Bacteroidetes) (22%), Draconibacteriaceae
de crecimiento se eliminaron del análisis adicional (Suplementario fi le 1 - Tabla S1).
bacterias no cultivadas (8%), y Acholesplama / Clostridia ( 4% cada uno) (Firmicutes)
también aparecieron como los géneros más abundantes. Speci fi-
cally, Treponema en CSTR (3%) y UASB (2%) fue el género principal encontrado en
el phylum Spirochaetae.
Los datos de metagenómica relacionados con los grupos de arqueas
metanogénicas sugirieron que solo una pequeña parte de la comunidad
microbiana estaba presente en todos los conjuntos de datos (3% de todas las
secuencias). En ambos biodigestores (UASB / CSTR), Euryarchaeota (45% / 60%) fue
el filo más abundante y Woesearchaeota (19% / 22%) también mostró alta
abundancia relativa ( Figura 2 FG). Por el contrario, el filo Bathyarchaeota mostró
una alta abundancia relativa en el biodigestor UASB (26% de todas las arqueas),
pero con baja representatividad en el biodigestor CSTR (2% de todas las arqueas).
Los géneros más abundantes encontrados en el biodigestor UASB perteneciente al
filo Euryarchaeota fueron Metanocorpúsculo
(27%), Methanobrevibacter ( 20%), y Metanolina ( 14%). Candidatus
5
Metanoplasma ( 44%) y Thermoplasmatales Incertae Sedis archeon no cultivado
fueron los géneros más abundantes pertenecientes al filo Euryarcheota en el
biodigestor CSTR. En los biodigestores UASB y CSTR, las secuencias compartidas
del orden Thermoplasmatales de Euryarchaeota mostraron mayor abundancia en
porcinos (75%) que en bovinos (22%).
Se secuenciaron un total de 46,630 lecturas para UASB (4663 secuencias por
muestra), distribuidas en fi cinco muestras recolectadas durante el invierno de 2017
(UASB1) y fi cinco muestras recolectadas durante el verano de 2018 (UASB2). La
agrupación de las secuencias en un umbral de identidad del 97% dio como resultado
4873 OTU. La comparación entre los grupos de muestras mostró que el 33% de las OTU
eran específicas fi c para las muestras UASB1, el 39% de las OTU fueron específicas fi c en
muestras UASB2, y el 28% eran OTU compartidas ( Figura 2 B).
La diversidad beta indicó una mayor diversidad de microbiota en el verano
que en las muestras de invierno (Suplementario fi le 1 - Fig. S2) de UASB. Para estas
muestras, las bacterias representaron el 98% y las arqueas el 2% de todas las
secuencias. Ocho phyla mostraron abundancias relativas que fueron
estadísticamente diferentes al comparar temporadas mediante la prueba de
Welch (p. B 0,05) después de la corrección de Bonferroni ( Fig. 3 A). Entre estos
phyla, Parcubacteria y Verrumicrobia tuvo un signi fi no puede disminuir la
SAR406 aumentó casi 15 veces en las muestras de verano. Unclassi fi ed secuencias
mostraron signi fi abundancia ligeramente alta.
Once familias / géneros mostraron diferencias en abundancias relativas entre
temporadas ( Fig. 3 A, complementario fi le 1 - Fig. S4). Muchos géneros
responsables de estas diferencias pertenecen a bacterias no cultivadas, incluidas
las familias Parcubacteria y Desulfobacteraceae no cultivadas, Treponema ( Espiroquetas),
Candidatus cloacamonas ( Cloacimonetes), y
Caldithrix ( Deferribacteres) fueron los más signi fi géneros abundantes según la
prueba de Welch (p. B 0,05) en muestras de verano UASB. El dominio Archaea
estuvo representado principalmente por el filo Euryarchaeota (45%) con mayor
abundancia relativa de géneros. Metanobrevibacter en muestras de invierno y Metanobacteri
en muestras de verano Figura 4 A y C).
3.3. Variación en la diversidad comunitaria dentro del biodigestor CSTR
El biodigestor CSTR se alimentó exclusivamente con lodos porcinos y se
tomaron un total de 15 muestras de tres diferentes fases de crecimiento en el
manejo de la producción porcina; fi ve durante la fase de vivero (CSTR1),
fi ve durante la fase de crecimiento (CSTR2), y fi ve durante la fase de terminación
(CSTR3) para construir y secuenciar bibliotecas de ADN. Se utilizaron un total de
37,557 lecturas para el análisis de secuencias, normalizadas a 2886 secuencias por
muestra ( Figura 2 C). Debido al bajo número de secuencias por muestra (por
debajo del umbral normalizado), una muestra de la fase de vivero y una de la fase
La agrupación de secuencias generó un total de 2449 OTU anotadas en 11 phyla y
20 familias / géneros que difieren signi fi cantly entre vivero y fi fases finales, como
se muestra en los diagramas de barras de error extendidos ( Fig. 3 B,
complementario fi le 1 Fig. S4).
La microbiota en las muestras de biodigestor CSTR estaba compuesta
principalmente por bacterias (97%), con una baja abundancia relativa de arqueas
(3%). Según la diversidad beta, la microbiota en este biodigestor mostró la menor
diversidad durante la fase de crianza, la mayor diversidad en la fase de
crecimiento y una diversidad intermedia en la fase de terminación de la
producción porcina (Suplementario fi le 1 - Fig. S2C).
De CSTR1, el 17% de las OTU eran muestras específicas fi C. Muestreo oc-
curado el día 15 de asentamiento de lechones en el establo, durante la fase de
crianza. Los principales filos de bacterias fueron Firmicutes (58%), Bacteroidetes
(21%) y Actinobacteria (6%). Los principales géneros fueron Clostridium sensu
stricto 1 ( 13% de Clostridiales) y Prevotella 7 (10% de Bacteroidales). Las arqueas
(0,5%) se detectaron mal en el inicio
 6
ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314

Figura 2. Diversidad comparativa entre plantas de biogás UASB y CSTR. (AC) Diagramas de Venn del número de OTU compartidas y análisis de componentes principales (PCA) de las distancias de Bray Curtis de las comunidades microbianas de las plantas de biogás UASB y CSTR. (DG) Distribución
de las bacterias y archaea phyla más abundantes. (H) Pro taxonómico fi ling que muestra phyla relativa abundancia de comunidades microbianas. Invierno (UASB1); Verano (UASB2); Guardería (CSTR1); Muestras de fase de crecimiento (CSTR2) y terminación (CSTR3).
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314 7

Fig. 3. Cambio en grupos taxonómicos dentro de muestras UASB y CSTR. Diferencias de phyla representativos y familias / géneros entre (A) muestras de invierno (UASB1) y de verano (UASB2). (B) vivero (CSTR1); muestras
de las fases de crecimiento (CSTR2) y terminación (CSTR3). Las diferencias estadísticas entre tratamientos fueron realizadas por Welch t- prueba (p B 0,05) y corregido por la prueba de Bonferroni, n = 5. El análisis se realizó
mediante STAMP; líneas de puntos resaltadas por "*" marque un punto de quiebre en la escala para mejorar la visualización de datos.
8 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314

Candidatus Methanoplasma

Figura 4. Distribución de la abundancia de géneros de arqueas metanogénicas dentro de las comunidades UASB y CSTR. Cambio en géneros de arqueas entre muestras UASB (A) y CSTR (B); Las
diferencias estadísticas entre tratamientos fueron realizadas por Welch t- prueba (p B 0,05) y corregido con la prueba de Bonferroni, n = 5 y 4; El análisis se realizó utilizando STAMP. Distribución
taxonómica de Archaea: (C) Muestras recolectadas en invierno (UASB1) y verano (UASB2) y (D) Muestras recolectadas en diferentes fases de crecimiento porcino: vivero (CSTR1), crecimiento (CSTR2) y
terminación (CSTR3).

fase, siendo Euryarchaeota (67%) y Bathyarchaeota (33%) los phyla y Metanobrevibacterfases para Methanospirillum, Methanobrevibacter, Methanosphaera, y
el género principal (33%).
En la fase de crecimiento (CSTR2) muestreados el día 50 después del
asentamiento de los lechones, el 21% de las OTUswere muestra especi fi C. Las
phylawere más abundantes Firmicutes (35%), Bacteroidetes (25%) y Proteobacteria
(15%). En Firmicutes, los géneros no cultivados de Ruminococcaceae ( 37% de
Clostridiales) estuvieron presentes como la proporción más alta, así como
bacterias no cultivadas de la familia Rikenellaceae en Bacteroidetes (32%). Archaea
representó solo el 2% de todas las secuencias en CSTR2, y estaban más
representadas por Euryarchaeota (94%), con los géneros Candidatus
Methanoplasma ( 45%) y Candidatus Methanomethylophilus ( 18%) de la familia
Thermoplasmatales Incertae Sedis mostrando la mayor abundancia.
En la fase de terminación (CSTR3) muestreados el día 100 después del asentamiento de los
lechones, el 24% de las OTU fueron muestras específicas fi C. Los filos más abundantes fueron
Firmicutes (43%), Bacteroidetes (29%) y Mollicutes (8%). Como se observó para las muestras
CSTR2, los géneros no cultivados de Ruminococcaceae (39%) y Grupo de lodos de aguas
residuales Vadin BC27
(64%; Rikenellaceae / Bacteroidetes) fueron los principales géneros. Todas las
secuencias identi fi ed en el dominio archaea pertenecía al phylum Euryarchaeota
(2%), con Candidatus Methanoplasma ( 60%), Methanoculleus ( 80% de
Methanomicrobiales), y Methanobrevibacter ( 17%) que representan los principales
géneros.
Un análisis comparativo reveló signi fi abundancia significativamente
disminuida de Firmicutes y Atribacteria en CSTR2 ( Fig. 3 B). Los géneros
Tepidanaerobacter ( Familia III), género no cultivado de la Familia XIV,
Sedimentibacter ( Familia XI), Fastidiosipila ( Ruminococcaceae) y bacterias sin
cultivar (Syntrophomonadaceae) muestran signi fi disminuyó considerablemente la
abundancia relativa de CSTR1 a CSTR2. CSTR2 y CSTR3 diferían en la abundancia
relativa del clado phylum Marinimicrobia SAR406; un signi fi Se observó un
aumento de canto (seis veces) en el
Grupo de lodos de aguas residuales Vadin BC27 (Rikenellaceae) género en el día 100 de
evaluación ( Fig. 3 B).
Finalmente, comparando el inicial (CSTR1) y fi fases de crecimiento finales
(CSTR3), signi fi Se observó variación de canto en 10 phyla y 16 géneros ( Fig. 3 B).
Entre los filos, Atribacteria y Firmicutes se redujeron fi cinco y dos veces,
respectivamente, en términos de abundancia relativa ( Fig. 3 B). Entre los géneros,
bacterias no cultivadas de la familia Porphyromadaceae (Bacteroidetes), Erysipelotrichaceae
Methanoplasma, Methanocorpusculum,
( Firmicutes), y Treponema 2 (espiroquetas) mostraron marcados aumentos en su
abundancia relativa (13, seis y tres veces, respectivamente). A diferencia de,
Clostridium sensu stricto 1 mostró una reducción de 10 veces en abundancia.
Las arqueas Candidatus Methanoplasma fueron signi fi aumentó significativamente en
términos de abundancia relativa en el período de muestreo de 35 días entre CSTR1 y CSTR2 ( Figura
4 B y D). Además, las proporciones de lecturas destacaron las diferencias en la abundancia relativa
en el crecimiento animal.
Metanobacteria, que mostraron reducciones en sus proporciones hasta la fase de
terminación del 24%, 12%, 11% y 6%, respectivamente ( Figura 4 D). Candidatus
Methanoplasma de la familia Thermoplasmatales Incertae Sedis fue la más
abundante en CSRT2 (38%) y CSRT3 (56%). La proporción de arqueas aumentó en
las tres fases de crecimiento (0,5% a 3%).
La microbiota core estaba compuesta por un 18% de OTU ( Figura 2 C). La bacte-
ria estuvo representada principalmente por Bacteroidetes (54%), Firmicutes (20%)
y Spirochaetae (6%). Hubo una mayor proporción de Euryarchaeota (64%), y los
géneros de arqueones sin cultivar de las familias Thermoplasmatales Incertae
Sedis (45%) y Methanobrevibacter (6%) tuvieron proporciones relativas más altas
entre las secuencias compartidas.
3.4. Parámetros bioquímicos y fisicoquímicos en fl influenciar la estructura de la
comunidad y el análisis de predicción funcional
Se evaluaron un total de 11 parámetros fisicoquímicos y bioquímicos. Estos
incluían temperatura, TS, FS, VS, SS, pH, porcentaje de metano (como indicativo de
la producción de metano), conducción eléctrica
actividad, TP, TRS y N-NH 4. Se utilizaron escalas multidimensionales no métricas (NMDS) y
análisis de conglomerados basados en los datos de abundancia relativa para
identificar las relaciones entre las estructuras comunitarias de la microbiota y los
parámetros bioquímicos / fisicoquímicos ( Figura 5 A a D). Los datos de NMDS
mostraron una separación de muestras similar a la observada previamente en PCA
(valor de tensión = 0,998) (complementario fi le 1- Fig. S5), aunque en estos análisis
se utilizaron diferentes grupos de bacterias / arqueas.
En reactores de alimentación bovina (UASB), N-NH 4 y TRS fueron signi fi parámetros
de cant en fl influir en la microbiota bacteriana Figura 5 A, C y Supple-
mental fi le 1- Fig. S6). Haliangio ( Proteobacteria / Haliangiaceae) y Treponema 2
(Spirochaetae) fueron los principales géneros estrechamente relacionados con las
muestras de invierno ( Figura 5 A), pero el análisis NMDS no reveló ninguna
especificación fi c género bacteriano que estaba más cerca del grupo de muestras
de verano (elipse naranja en Figura 5 A). Los principales géneros de arqueas
asociados con muestras de invierno (UASB1, elipse verde en Figura 5 C) fueron
Methanimicrococcus, Methanobacterium, y Methanoculleus. Se asociaron
diferentes géneros de arqueas con muestras de verano (UASB2, elipse naranja): Candidatus
y Methanomassiliicoccus ( Figura 5 C). Un signi fi Fue evidente el efecto de TRS sobre
la composición de arqueas y bacterias de las muestras de UASB1. Sin embargo,
para muestras UASB2, TRS y
otros parámetros bioquímicos (es decir, VS, TP, N-NH 4 niveles, temperatura y
concentraciones de biogás / metano) no tenían significación fi efectos de canto en
la comunidad de arqueas, que estaba con fi rmed por el análisis de Pearson
(Suplementario fi le 1- Fig. S7). N-NH 4 y la conductividad parecían ser los principales
factores fisicoquímicos correlacionados con los grupos de arqueas en
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314 9

A C
Sólidos fijos Metanorregula

Metano de biogás C. Metanoplasma

2.0
Solidos totales Proteina total
Metanocorpúsculo
Metanobacterias
VadinBC27
Haliangio Nitrógeno amoniacal
Smithella

0.0
- 0,15 -0,10 -0,05 0,00 0,05 0,10 0,15
Methanomassiliicoccus
Conductividad
Methanoculleus
Methanimicrococcus

NMDS2
Metanolina

NMDS2
pH

- 0,2
Metanobrevibacter
Reducción total
Prolixibacter azúcar Temperatura
Sólidos volátiles
Treponema2
Methanospirillum
C. Cloacamonas Metanosaeta

- 0,4
Azúcar reductor total
Azúcar reductor total
Amoníaco
nitrógeno

- 0,6
- 0,2 - 0,1 0.0 0,1 0,2 0,3 0.4 - 1.0 - 0,5 0.0 0,5 1.0

B NMDS1
D
NMDS1

VadinBC27
Solidos totales Metanosarcina
0,2

0,6
Azúcar reductor total

Temperatura
Nitrógeno amoniacal
0,1

0.4
Sólidos fijos pH Methanoculleus
Biogás
Metano
0.0

Metanobacterias

0,2
Fastidiosipila C. Cloacomonas
NMDS2

Methanospirillum

NMDS2
Treponema2 Proteina total Sólidos volátiles
Clostridium ss1 Sólidos volátiles Conductividad
- 0,1

Conductividad Metanocorpúsculo
C Metanoplasma Metanometilofilos

0.0
Methanimicrococcus
Proteina total Reparado sólidos Methanomassiliicoccus

pH
- 0,2

Biogás Nitrógeno amoniacal

- 0,2
Metano Solidos totales
C. MethanogranumAzúcar reductor total
- 0,3

Metanobrevibacter

- 0,4
Methanosphaera Temperatura
Acholeplasma

- 0,6 - 0,4 - 0,2 0.0 0,2 0.4 - 1.0 - 0,5 0.0 0,5 1.0

NMDS1 NMDS1

Figura 5. En fl uencia de parámetros fisicoquímicos y bioquímicos en comunidades microbianas UASB y CSTR. Análisis de escala multidimensional no métrica (NMDS) basado en la disimilitud de
Bray-Curtis de la mayoría de los géneros de abundancia relativa de bacterias (AC) y arqueas (BD); las elipses muestran la variación de la muestra: A. verde claro (UASB1), naranja (UASB2), violeta (CSTR1),
amarillo (CSTR2) y marrón (CSTR3). Solo se incluyeron en el análisis y se muestran los géneros de bacterias o arqueas con más del 5% de abundancia relativa; los vectores indican la no significación
observada fi cant (azul) y signi fi gradientes de inclinación (rojo) para los parámetros fisicoquímicos y bioquímicos.

el biodigestor UASB. En general, los datos de UASB indicaron interacciones entre 3.5. Revelando la red de interacción de taxones dentro del proceso de DA
la comunidad de arqueas como el principal significado fi correlación de canto.
Candidatus Methanoplasma y Methanomassiliicoccus parecían ser los géneros Para determinar si las composiciones de microbioma de los biorreactores
más importantes para la producción de biogás / metano en ambas temporadas, podrían ser informativas en la caracterización de cada muestra, se adaptó el RF,
como lo demuestra la alta significación fi correlación de canto según el índice de un algoritmo ML, para estimar el poder discriminatorio en cada nivel taxonómico,
Pearson. Los dos géneros también fueron signi fi correlacionados entre sí. considerando cada grupo de muestras (UASB1, UASB2, CSTR1, CSTR2, y CSTR3) en
el interior de los reactores porcino y bovino. La ocurrencia y co-ocurrencia de
En el digestor de cerdos (CSTR), a nivel bacteriano, Fastidiosipila bacterias y arqueas en las muestras reveló una red compleja de interacciones
y Clostridium sensu stricto 1 ( ambos pertenecientes a Firmicutes) fueron signi fi correlacionado
negativas y positivas entre la abundancia relativa de taxones, con una alta
con FS en la etapa de vivero ( Figura 5 B). La producción de biogás / metano y TP se densidad de conexiones entre las muestras ( Figura 6 A). Cuando sólo se
asociaron principalmente con la fase de crecimiento porcino (muestras CSTR2, correlacionaron 27 géneros bacterianos con puntuaciones más altas (puntuación
elipse amarilla). Acholeplasma ( Mollicutes) y umbral mínima de 0,0077), la red mostró tres grupos; muestras predominantes
Treponema 2 (Spirochaetae) fueron los géneros más importantes tanto en la fase de discriminadas, bacterias no cultivadas y organismos no cultivados como los
crecimiento como en la de terminación, de acuerdo con el análisis de Pearson. taxones con mayor poder discriminatorio para muestras UASB2 ( Figura 6 B). Una
ysis (complementario fi le 1 - Fig. S8). Temperatura, TRS, TS y N-NH 4 interacción fuertemente negativa entre el CSTR3 ( SC103 / Vadin BC27), También se
se correlacionaron con la fase terminal (muestras CSTR3, elipse verde) observaron agrupaciones UASB1 y UASB2. Candidatus Cloacomonas fue el único
y el genero Vadin BC27 ( Bacteroidetes). En particular, el pH, que es un impulsor de taxón que mejor discriminó la muestra UASB2, pero la correlación negativa
los cambios del microbioma en diferentes entornos, no mostró signi fi- observada entre todos taxones también se puede utilizar para discriminar sin
No hay variación en ninguno de los biodigestores. El pH se mantuvo estable en 7.0 en todos los ambigüedades muestras UASB2. Ningún taxón fue capaz de discriminar muestras
períodos evaluados. CSTR1 y CSTR2 ( Figura 6 B), aunque un signi fi Se observó una gran diferencia en la
En CSTR, los géneros de arqueas se distribuyeron claramente en las muestras diversidad de estas muestras (Suplementario fi le 1Fig. S2C).
de la fase de crecimiento ( Figura 5 D). Methanospirillum, Methanobacterium,
Methanobrevibacter, y Methanosphaera fueron los principales géneros
correlacionados con alto rendimiento de biogás en la fase inicial (muestra CSTR1, Con respecto a la red que consta solo de arqueas, se observaron cuatro
elipse púrpura). Lo mas en fl El factor de influencia correlacionado con esta muestra grupos. Candidatus Methanoplasma y archaeon sin cultivar mostraron el mayor
fue FS. Con el crecimiento animal, nuevos géneros ( Candidatus poder discriminatorio para las muestras CSTR3 y CSTR2, respectivamente ( Figura 6 C).
Methanomethylophilus, Candidatus Methanoplasma, y Metanocorpúsculo) con Candidatus Methanoplasma también mostró una correlación negativa con los
altas proporciones relativas aparecieron en fl uential en la producción de metano conglomerados formados por muestras UASB1 y UASB2 (lodos bovinos). Methanospirillum
(muestra CSTR2). CSTR2 (elipse amarilla) y CSTR3 (elipse marrón) se vieron y Methanosphaera podría discriminar muestras CSRT1 y Metanobrevibacter y la
afectados por parámetros bioquímicos similares (temperatura de las muestras, arqueona sin cultivar formó un grupo aislado que discriminaba muestras CSTR2.
amoníaco, TRS, VS y conductividad) y el rendimiento de biogás / metano no
diferencia entre la recolección de muestras ( tabla 1 ). En la última fase de A diferencia de las bacterias, las muestras CSTR1 y CSTR2 podrían ser
crecimiento, Methanomassiliicoccus, Methanimicrococcus, y Candidatus discriminadas por algunos taxones de arqueas. El análisis de RF indicó la
Methanogranum fueron los principales géneros de arqueas representados complejidad de las interacciones entre los grupos de bacterias y arqueas
(muestras CSTR3). Estos resultados también fueron respaldados por el análisis de (considerando puntajes de género norte 0.0077), aunque solo un taxón de arqueas
Pearson fi encontrando que ambas comunidades estaban fuertemente ( Candidatus Methanoplasma) apareció debido al bajo número de taxones de
correlacionadas con parámetros fisicoquímicos y bioquímicos de TRS, arqueas identi fi ed en este estudio. Este género de arqueas mostró una interacción
temperatura, VS, conductividad y amoniaco ( Figura 5 D y suplementario fi le 1 - Fig. negativa similar a la SC103 y
S9). Vadin BC27 géneros de bacterias.
 10

A B C

UASB1 UASB2 CSTR1 CSTR2 CSTR3

Elevado Bajo
Poder de discriminación

D mi F
a
Illinois
.SV- 1
ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314

.Kgramo
Lnorte

F a s tiDIos Ipag

Fastidiosipila

Figura 6. Redes UASB y CSTR y OTU clave en comunidades microbianas de plantas de biogás. A. Red de microbiomas de bacterias y archaea géneros identi fi ed de OTU agrupados al 97% de identidad; B. Subred de (A) que muestra la red de géneros de bacterias con la puntuación más alta de 27;
C. Subred de (A) que muestra la red de géneros de arqueas con puntajes más altos; D. Subred de (A) que muestra el 5% de los géneros de bacterias y arqueas más abundantes; E. índice de Gini, que muestra la importancia de los filos y géneros; F. Vista detallada de Fastidiosipila correlación con el
rendimiento de biogás. Color de fondo de los nodos re fl ect el poder discriminatorio de los nodos para diferenciar las muestras y los colores de los bordes correspondientes a la muestra a la que pertenece la OTU. Los bordes entre los nodos representan correlaciones entre los nodos que
conectan, con el ancho y la sombra del borde que indican la magnitud de la correlación, y los colores rojo y azul indican correlaciones positivas y negativas, respectivamente. Para mayor claridad, solo se dibujan los bordes correspondientes a las correlaciones cuya magnitud es mayor que 0,8 y
se omiten los nodos no conectados.
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314 11

Cuando la red se construyó con el 5% de los géneros más abundantes, hubo debe realizarse a velocidades equilibradas para evitar una acidez excesiva fi catión Enzmann
et al., 2018 ). La composición del estiércol es un factor importante en el
más interacciones negativas que positivas ( Figura 6 D). En esta red, incultos Parcubacterias
y las bacterias tuvieron mayor poder discriminatorio relacionado con las muestras mantenimiento de este delicado equilibrio, ya que determina directamente el
UASB1 y UASB2, respectivamente. CSRT1 fue discriminado por fi cinco géneros: Prevotellaceae
rendimiento de metano y el nivel de reacciones bioquímicas que tienen lugar
UCG-001, Clostridium sensu stricto 1, Fastidiosipila, Terrisporobacter, y una dentro del sistema fermentador, que depende de las operaciones ganaderas,
bacteria no cultivada. La Grupo de lodos de aguas residuales Vadin BC27 discriminaron incluido el régimen dietético, el manejo de desechos y diseño de digestor Divya et
muestras CSTR3, mientras que Acholeplasma y Grupo de lodos de aguas al., 2015 ; Manyi-Loh et al., 2013 ; S arapatka, 1993 ).
residuales blvii28 muestras CSTR2 discriminadas.
Nuestros resultados mostraron que las poblaciones bacterianas de los
Al correlacionar los 27 géneros que mostraron puntuaciones más altas en el fermentadores anaeróbicos pueden ser muy diversas a pesar de compartir una
modelo de RF, el índice de Gini categorizó 15 diferentes filos importantes ( Figura 6 MI). materia prima común. Aunque la composición de las comunidades bacterianas
Entre ellos, Bacteroidetes, Firmicutes y Proteobacteria fueron los tres más puede ser diferente entre los tipos de reactores ( Bengelsdorf y col., 2013 ), con fi rmedidos
importantes para discriminar todas las muestras (índice de Gini 0,03 - 0,06). A nivel por este estudio, observamos que los filos predominantes eran similares en
de género, los géneros más importantes fueron ambos fermentadores. Bacteroidetes, Firmicutes y Proteobacteria, que se
Carboxilivirga, Macellibacteroides, Prevotella 9, Grupo de lodos de aguas encuentran aquí como los más abundantes y forman un microbioma central, se
residuales Vadin BC27, y Maritimimonas en Bacteroidetes; Smithella, Haliangium, detectan típicamente en el proceso de EA debido a su alto potencial hidrolítico y
y Grupo de sedimentos SVA0081 en Proteobacteria; y Helcococcus, Eubacterium grupo, son importantes para la fase inicial de la disolución de carbohidratos, almidón,
Ruminococcaceae UCG-008 y 009, y Syntrophaceticus proteínas, y en la degradación de AGV ( Carballa et al., 2015 ; Hanreich et al., 2013 ;
en Firmicutes. Hassa et al., 2018 ; Ozbayram et al., 2018 ; Tsapekos et al., 2017 ).
Además, el análisis de RF nos permitió correlacionar diferentes atributos Como los biodigestores se alimentaron exclusivamente con estiércol como sustrato, se
dentro de cada grupo. Por ejemplo, Fastidiosipila ( en muestras CSTR1), entre otros, esperaba una mayor concentración de materiales de lignocelulosa recalcitrantes en el ganado
parecían altamente correlacionados con el rendimiento de biogás (puntaje 0.0061, que el estiércol de cerdo (a pesar de la carga de material de lignocelulosa recalcitrante). fi brous
Figura 6 F). Methanobacterium, Methanosphaera (Methanobacteriales), y en el manejo de este último), por lo tanto, la presencia y alta abundancia de bacterias hidrolíticas
Methanospirillum (Methanomicrobiales) son géneros de arqueas que estaban altamente con características metabólicas versátiles y marcado potencial para degradar estiércol
correlacionados con el rendimiento de biogás / metano (se obtuvo el mismo resultado en recalcitrante (p. ej., Firmicutes) son esenciales ( Li y col., 2013 ; Tsapekos et al., 2017 ). Una mayor
el análisis NMDS; Figura 5 A). abundancia de Firmicutes también se ha relacionado con un mejor rendimiento del reactor ( Zamanzadeh
Considerando las 10 bacterias principales por grupos de puntuación (5% más et al., 2017 ), que también fue fi rmed en este estudio, donde se observaron Firmicutes entre el 5%
taxones abundantes), RF indicó la fuerte correlación entre los taxones y los phyla más abundante con seis géneros de alta importancia, como lo muestra el índice de Gini ( Figura
atributos del lodo: i) La concentración de N amoniacal se correlaciona con Grupo 6 MI). Además, Clostridia apareció en mayor abundancia en ambas comunidades de biodigestores
de lodos de aguas residuales Vadin BC27, Treponema, y arqueas Candidatus (10% y 27% de los especímenes fi c comunidad bacteriana para UASB y CSTR, respectivamente)
Metanoplasma en digestor CSTR3 y con Candidatus cloacamonas en digestor que eran compatibles con la naturaleza del sustrato lignocelulolítico de las muestras. Los
UASB2; ii) la conductividad se correlaciona con Candidatus cloacamonas en UASB2, Treponema,
clostridios producen celulosomas, que son estructuras celulares complejas que incluyen muchas
y Grupo de lodos de aguas residuales Vadin BC27 en CSTR3, Fastidiosipila familias de enzimas (celulasa, celobiohidrollasa y celobiosa fosforilasa) con un especi fi c papel en
en CSTR1, Candidatus Methanoplasma en CSTR3, Methanospirillum, la hidrólisis de plantas fi-
y Methanosphaera en CSTR1; y iii) TRS se correlaciona con grupo de parcubacterias
no cultivadas y Haliangio en UASB1, Treponema en CSTR3, y algunas arqueas ( Methanocorpusculum,
Methanolinea, y bers Hanreich et al., 2013 ). Clostridium se ha encontrado que es omnipresente en todas
Methanobrevibacter) en UASB1. Sin embargo, algunos se encontraron en escasa las plantas de biogás ( Bengelsdorf y col., 2013 ), como con fi rmed por nuestros análisis
abundancia. estadísticos multivariados y ML en ambos digestores.
RF permitió la evaluación de las interacciones generales entre la abundancia En nuestros datos, el microbioma central encontrado en los biodigestores
relativa de taxones y los atributos, por ejemplo, Candidatus Cloacomonas CSTR y UASB incluyó 29% y 21% de Bacteroidia, respectivamente. Esta clase incluye
parece verse afectado por compuestos orgánicos en el sustrato, medidos a través bacterias que son importantes en la descomposición inicial de polisacáridos y
de la conductividad (Suplementario fi le 1-Fig. S10A). Por otro lado, la abundancia proteoglicanos. Estas bacterias producen una serie de enzimas (p. Ej., β- galactosidasa,
de Ruminococcaceae UCG-005 está relacionado con el contenido de TRS (Fig. S10B). β- manosidasa, y α- amilasa) y ácido acético por degradación de sustratos
Las interacciones negativas entre estos taxones se observaron en la red como se orgánicos ( Hanreich et al., 2013 ; Liu et al., 2019 ). La mayor disponibilidad de
destaca en la Fig. S10C. oligosacáridos parece incrementar el número de proteobacterias, re fl afectando su
Comparando ambas metodologías, NMDS y RF, aplicadas al 5% de los géneros papel secundario en la degradación de polisacáridos ( Hanreich et al., 2013 ).
más abundantes (27 géneros), el análisis de RF pudo identificar diferentes taxones Además, este filo incluye muchos géneros ( Syntrophus, Pelobacter, Smithella,
correlacionados con las muestras. Estos incluyen géneros Syntrophorhabdus, y Syntrophobacte r) asociado con arqueas metanogénicas ( Bengelsdorf
Ruminococcaceae UCG-005, UCG-010, UCG-014, Erysipelotrichaceae UCG- y col., 2013 ; McInerney y col., 2008 ).
004, y Grupo Christensenellaceae R-7 en el filo Firmicutes;
Acholeplasma de Tenericutes; Treponema de Spirochaetae; Por el contrario, la metanogénesis involucra exclusivamente a representantes
Prevotellaceae UCG-001, grupo intestinal Rikenellaceae RC9, y Grupo de lodos de del dominio de las arqueas. La mayor parte de la comunidad de arqueas no se
aguas residuales blvii28 del orden Bacteroidia, y, Sintrofo pudo determinar a nivel de género en nuestro conjunto de datos, y el porcentaje
y Syntrophorhabdus perteneciente a Deltaproteobacteria dentro de de OTU de arqueas fue bajo en ambos fermentadores. Otros ( Dennehy et al., 2017 ;
Proteobacteria. El análisis de RF reveló exclusivamente que bacteria del grupo Yang et al., 2014 ). La diferencia entre los estudios podría reflejarse parcialmente fl ect
Parcubacteria no cultivada y Candidatus omnitrophus pertenecía a phyla la metodología de extracción de ADN y el uso de no específicos fi cebadores c para
parcubacteria y omnitrophus (suplementario fi le 1 Tabla S2). Estos resultados amplificar el gen ARNr 16S (región V4) ( Kim et al., 2015 ), lo que podría haber
coinciden con los obtenidos mediante NMDS ( Figura 5 ) pero RF mostró un mayor contribuido al bajo número de secuencias de arqueas observadas en nuestro
número de grupos microbianos relacionados. conjunto de datos (aproximadamente el 3% del total). En estudios anteriores,
Euryarchaeota fue el filo de arqueas dominante durante la EA ( Sun et al., 2015 ; Sundberg
4. Discusión et al., 2013 ; Zakrzewski et al., 2012 ). Nuestros resultados mostraron que los
géneros más abundantes pertenecían a Methanomicrobiales y
El estiércol animal (p. Ej., Estiércol de bovino y cerdo) se usa ampliamente para Methanobacteriales en ambos reactores, similar a resultados anteriores en
la EA porque el material está enriquecido en microorganismos. Para producción sustratos porcinos ( Duda et al., 2015 ). Nuestros datos también
estable de metano, hidrólisis, acidogénesis, acetogénesis y metanogénesis
12 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
apoyan la conclusión de que los metanógenos utilizan sustratos versátiles a través
de las vías acetoclásticas e hidrogenotróficas, pero con el predominio de los
metanógenos hidrogenotróficos en los digestores alimentados con estiércol ( Zamanzadeh Fastidiosipila y Clostridium sensu stricto 1 son géneros pertenecientes a
et al., 2017 ). Además, el digestor alimentado con lodo bovino mostró una alta
similitud con la estructura de la microbiota metanogénica reportada en el rumen
de las vacas ( Danielsson y col., 2012 ; Sun et al., 2015 ). Sin embargo, la alta
abundancia del orden Thermoplasmatales ( Candidatus Methanoplasma) en CSTR2
y CSTR3 durante las fases de crecimiento y terminación de la producción porcina,
respectivamente, posiblemente se relacione con menores tasas de biogás por
animal, incluso con mayor abundancia de arqueas (3%), en comparación con la
fase de cría (CSTR1) (0,5%). Candidatus Methanoplasma también presenta la vía
metilotrófica en la producción de metano y biogás ( Lange y Ahring, 2001 ).
La microbiota de los animales se ve afectada por muchos factores como la
edad del animal ( Kim et al., 2015 ), género, parentesco ( Yang et al., 2017 ) y dieta ( Kumar Los resultados del digestor CSTR para el rendimiento de biogás están muy de
et al., 2015 ; Shanks et al., 2011 ). Nuestros datos para comunidad bovina son muy
similares a los obtenidos para heces de vaca recién depositadas compuestas
principalmente por Bacteroidetes y Firmicutes ( Ozbayram et al., 2018 ; Wong et al.,
2016 ), con filos menores pertenecientes a Parcubacteria, clado Marinimicrobia
SAR406 y Verrumicrobia ( Fig. 3 A). Además, los microbiomas asociados con el
digestor CSRT alimentado con estiércol porcino fueron muy similares a los de la
microbiota intestinal de los animales de los que se obtuvo el estiércol, compuesto
principalmente por Firmicutes y Bacteroidetes ( Kim et al., 2015 ) ( Fig. 3 B). En un
estudio anterior se ha descrito la disminución de la abundancia de Bacteroidetes
con el aumento del peso del animal. Sin embargo, en el presente estudio,
observamos una disminución en la abundancia de Firmicutes.
En el reactor UASB, que se alimentaba exclusivamente con estiércol bovino, se
recolectaron muestras en dos temporadas diferentes con signi fi-
grandes diferencias en la temperatura media y las precipitaciones (24 ° C / 164
mm en verano y 17 ° C / 87 mm en invierno, respectivamente). Durante el invierno,
las heladas y la escasez de precipitaciones pueden reducir la producción de biogás
al reducir la producción de forraje ( Hellbrugge et al., 2008 ) o reduciendo la
temperatura interna del reactor ( Pham et al., 2014 ; Tavares et al., 2016 ). Estas
diferencias en temperatura y pluviosidad podrían explicar parcialmente la
variación observada en la microbiota del biogás al comparar las dos estaciones de
las muestras del reactor de la UASB debido a la
fl influencia sobre la calidad y cantidad de pastos consumidos por los animales (en
este estudio, el 50% de la dieta de las vacas proviene del pasto). El digestor UASB
mostró un mayor rendimiento de biogás durante el invierno, posiblemente
explicado por la baja proporción de fi brous en la dieta de los animales, una
hipótesis que aún no se ha fi rmed. La composición de la dieta puede modificar la
microbiota de la vaca, lo que tiene un fuerte impacto en la producción de biogás. Kumarsustratos (es decir, pulpa de remolacha azucarera, ensilaje de maíz, ensilaje de cultivos y pastos
y col. (2015) informaron que la edad y la dieta pueden interferir con la microbiota
ruminal ya que el intercambio de una dieta baja en energía (80% forraje y 20%
concentrado) por una dieta alta en energía (50% forraje y 50% concentrado) podría
incrementar los Bacteroidetes y reducir las poblaciones de Firmicutes. Orrico
Junior y col. (2012) mostró que la adición del concentrado y la reducción de fi brous
en la dieta animal puede favorecer la producción de metano al reducir TS y VS. La
mayor proporción de dietas voluminosas o herbáceas, que es común durante el
verano, condujo a una menor ef fi eficiencia del proceso de DA, lo que podría
explicar la disminución en el rendimiento estimado de biogás en UASB2 ( tabla 1 ).
En consecuencia, también observamos variaciones en las comunidades microbianas en el
digestor CSTR correlacionadas con las etapas de crecimiento en la producción porcina. La
microbiota intestinal porcina puede explicar parcialmente la variación en el microbioma CSTR,
aunque esto aún no se ha probado. La gutmicrobiota porcina se desarrollan y son modi fi durante
todo el ciclo de vida del animal, y el período posnatal es el período más importante para
establecer una microbiota estable ( St-Pierre y Wright, 2014 ). También se observó variación en el
microbioma fecal porcino en cada etapa de crecimiento, y las diferencias en términos de OTU
fueron más significativas fi cant entre cultivadores y
fi nishers Kim et al., 2015 ). Nuestros resultados muestran que la estructura de la
microbiota de CSTR1 cambió en 35 días (CSTR2), posiblemente en fl influido por la
microbiota asociada al intestino animal. Los antibióticos en gran parte
aplicado a lechones puede ser otro factor importante relacionado con los cambios en el
microbioma del biogás.
Firmicutes que pueden ser importantes en el inicio de la EA con capacidades
hidrolíticas y ácidas ( Vincent et al., 2018 ). El primero estaba altamente
correlacionado con el rendimiento de biogás en este estudio ( Figura 6 F). En las
muestras CSTR, casi el 38% de las OTU ( Figura 2 C) se compartieron comúnmente
entre las etapas de crecimiento, lo que sugiere que el cambio bacteriano de las
fases de vivero a las de terminación puede deberse a la abundancia relativa de
taxones de bacterias representativos en lugar de cambios en los taxones. La
presencia de un núcleo taxonómico de bacterias y arqueas (Bacteroidia, Clostridia,
Deltaproteobacteria, Spirochaetes, Methanomicrobia y Thermoplasmata) podría
explicar el mantenimiento de la producción continua de biogás durante el
crecimiento animal ( tabla 1 ).
acuerdo con los anteriores. fi ndings Amaral et al., 2015 ) en la etapa de crianza, en
comparación con otras etapas de crecimiento en el manejo porcino de gestación,
parto y fi finalizando. A medida que los animales crecen, la microbiota del digestor
se estabiliza con pequeñas alteraciones en los géneros del dominio de las arqueas,
lo que contribuye menos a la producción de biogás y metano. La producción de
metano parece depender del tipo y la proporción de sustrato consumido (incluida
una combinación de fuentes), más que del número de metanógenos en la EA. La
estructura de la comunidad cambió según el tiempo y el crecimiento animal,
seguida de cambios en muchos parámetros del proceso. Sin embargo, nuestro fi Los
hallazgos sugieren una comunidad microbiana resiliente asociada con la
producción de metano. Kushkevych y col. (2018) observó una alta producción de
metano, a pesar de la significativa fi números ligeramente bajos (445 OTU · mL - 1) de
géneros en el dominio de arqueas en un digestor anaeróbico, lo que sugiere más
cualitativo (grupo taxonómico particular y actividad metabólica) que cuantitativo
(abundancia relativa) en fl influencia del microbioma en la producción de biogás.
Actualmente, aunque los resultados del análisis de abundancia relativa mostraron
signi fi Las diferencias importantes entre las estructuras de la comunidad en todas
las muestras a nivel de género dentro del dominio de las arqueas, los análisis de
NMDS y RF mostraron que es probable que un grupo restringido de arqueas sea
responsable de la metanogénesis.
Las comunidades microbianas en los reactores UASB y CSRT tenían una correlación de
Pearson similar entre sus parámetros fisicoquímicos y bioquímicos (por ejemplo, TRS, TP y
conductividad), con fi rmed por análisis NMDS y RF, enfatizando que la calidad nutricional del
sustrato es el factor más importante para la producción de biogás, con sustratos de mejor calidad
que posiblemente promuevan el crecimiento microbiano (Suplementario fi le 1 -Fig. S4 a S7). En
acuerdo, Kushkevych y col. (2018) informó que coef de correlación múltiple fi Los pacientes
muestran una estrecha asociación con el porcentaje de producción de biogás y los parámetros
investigados (es decir, pH, potencial redox, TS y VS) en fermentadores alimentados con diferentes
enteros, y estiércol de ganado). Además, la TRS se midió como un indicador de la degradación de
carbohidratos complejos, desde compuestos de alto peso (p. Ej., Lignina y hemicelulosa) a
compuestos de bajo peso molecular (p. Ej., Glucosa y fructosa). Estos últimos compuestos son
asimilados por microorganismos durante la EA. Los sustratos de estiércol bovino presentan
valores más altos de TRS. Sin embargo, en comparación con otros sustratos, como la caña de
azúcar (0,9 g · L - 1) y residuos de yuca (2,4 g · L - 1), Los valores del sustrato de estiércol bovino son
relativamente bajos, lo que muestra que los materiales lignocelulósicos presentes en el estiércol
animal están casi completamente degradados ( Gehlen et al., 2016 ; Zempulski y col., 2014 ).
En nuestro estudio, al aplicar un enfoque ML para analizar los datos de la
comunidad de microbiomas, pudimos construir una red de interacción compleja
de bacterias y arqueas e identificar microbios centrales en fermentadores de
biogás (nodos más grandes en Figura 6 B, C y D). Esta complejidad ya se observó
con fermentadores de biogás mostrando signi fi significativamente más conexiones
que otras comunidades microbianas ( Oleskowicz-Popiel, 2018 ). Hubmicrobes,
incluidas las bacterias no cultivadas, Grupo de aguas residuales de parcubacterias, y
Candidatus Methanoplasma, se detectaron en todas las condiciones evaluadas
(que componen el microbioma central) y son necesarias para mantener muchas
vías metabólicas, incluidas las especies con funciones relevantes en el proceso de
EA. La ausencia de estos concentradores de red puede provocar pérdidas en
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
Miembros de la comunidad ( Berry y Widder, 2014 ; Oleskowicz-Popiel, 2018 ). Agler y col.
(2016) af fi Confirmó que los microbios centrales median entre factores (por ejemplo,
disponibilidad y dispersión de nutrientes), crecimiento microbiano y colonización,
proporcionando condiciones ambientales internas para estabilizar la abundancia de
especímenes fi c jugadores durante el proceso de AD.
Firmicutes, Bacteroidetes y Proteobacteria pueden ser los filos más
importantes para determinar la microbiota global detectada por RF como quanti fi ed
por el valor de importancia de Gini ( Figura 6 MI). Parcubacteria no cultivada,
bacteria no cultivada, y Candidatus Methanoplasma exhibió una densidad
significativamente alta de conexiones en la red de fermentadores, lo que indica la
gran fl influencia sobre los 24 géneros principales asociados con la EA.
En UASB (alimentados con estiércol bovino), los taxones clave fueron Candidatus
Cloacomonas y dos grupos de bacterias sin cultivar Methanospirillum y
Methanosphaera. En contraste, CSTR (alimentado con estiércol de cerdo) mostró
diferentes arqueas como miembros clave: Methanobrevibacter, Candidatus
Methanoplasma, y arqueon inculto. Candidatus Methanoplasma de
Thermoplasmatales apenas ha sido estudiado como un metanógeno esencial en el
proceso de EA, y su función y efecto sobre grupos microbianos debe ser
examinado ya que este taxón está relacionado con una menor producción de
metano.
Se debe prestar especial atención al clado Marinimicrobia SAR406, que
presentó un aumento sorprendente de abundancia (15 veces) en las muestras de
verano del reactor UASB (UASB2). Este grupo también aumentó más de 100 veces
en muestras de fase de terminación en el reactor CSTR (CSTR3; Fig. 3 A y B),
sugiriendo speci fi c funciones en el AD no con-
fi rmed por el análisis de RF. Los clados de Marinimicrobia parecen estar relacionados con la
materia microbiana oscura, induciendo interacciones metabólicas principalmente en el ciclo
biogeoquímico del nitrógeno y el azufre ( Hawley y col., 2017 ) o puede producir hidrógeno (hierro
hidrogenasa presente) ( Hu et al., 2016 ).
Methanoculleus marisnigri, un miembro de la clase Marinimicrobia aislado de
sedimentos marinos, se encontró que era abundante en fermentadores de biogás
( Schlüter et al., 2008 ).
Nuestros análisis también mostraron una asociación negativa, con fi rmed por
la correlación de Spearman, que indica el aumento de la abundancia relativa de Candidatus
acceso de BioSample SAMN10735118.
Methanoplasma, Candidatus Cloacamonas, SC103, y
Grupo de lodos de aguas residuales Vadin BC27 que conduce a una disminución en
Macellibacteroides, entre otros grupos ( Figura 6 B). En arqueas, la abundancia de Candidatus
Methanoplasma parece estar relacionado negativamente con
Methanolinea, Methanosaeta, y Euryarchaeota inculta Figura 6 C). Por otro lado,
una asociación positiva significaría que la abundancia relativa de Smithella podría
conducir a un aumento en Caldithrix y
Carboxilirviga entre otros taxones microbianos, como se muestra en Figura 6 B y D.
Las interacciones entre lodo y microbioma reactor son complejas y todavía están en
gran parte inexploradas debido a la complejidad de las relaciones entre los grupos
microbianos y las características del reactor. Además, el comportamiento colectivo es el
resultado de muchas interacciones dentro de los ecosistemas microbianos ( Layeghifard
et al., 2017 ; Poudel et al., 2016 ) y el uso de diferentes herramientas de AA puede ayudar a
desenredar estas interacciones.
5. Conclusiones
En conclusión, nuestros resultados mostraron que la fuente principal de
sustratos, el manejo del ganado y las plantas de biogás juegan un papel clave en
la determinación de la estructura de la comunidad bacteriana en el proceso de EA.
Firmicutes, Proteobacteria y Bacteroidetes establecen la comunidad central, lo que
sugiere su papel esencial en la conducción del proceso. Por otro lado, samplespeci fi
c taxa (Marinimicrobia SAR406 clade y Candidatus Cloacomonas)
es probable que den forma al proceso y la producción de gas ef fi eficiencia y se
correlacionan con especi fi c condiciones, en nuestro caso, relacionadas con menores
incrementos en la producción de metano. Las bacterias aparecen como el dominio
mucho más abundante, incluso durante la fase de alta producción de metano,
apareciendo arqueas metanogénicas con menos del 3% de abundancia relativa. Estas fi Los
hallazgos proporcionan un conocimiento complementario adicional del proceso de DA y
su control para la producción de biogás.
En este estudio, comparamos dos digestores diferentes y los resultados mostraron
una mayor biodiversidad en el UASB alimentado con estiércol de ganado que
13
en el CSTR alimentados con estiércol porcino. Nuestros resultados sugieren
además una correlación entre esta mayor biodiversidad y una mayor producción
de biogás. La diversidad también estaba en fl influido por la temporada en el
digestor UASB (mayor durante el invierno) y por la fase de crecimiento de los
animales durante el manejo en el CSTR, con el microbioma volviéndose más
estable y menos diverso durante las fases media y terminal, asociado con la
disminución de la producción de biogás. Una interacción positiva entre los
parámetros fisicoquímicos indicó una dependencia de la riqueza y las condiciones
óptimas de crecimiento microbiano.
Además, al utilizar el enfoque de aML, descubrimos una compleja red de interacción
entre los principales actores e identi fi ed que se correlacionan con muchos otros grupos
de taxones, lo que sugiere su posible papel funcional importante, así como su papel
como un biomarcador potencial para las fases y los efectos del proceso de EA.
fi tipos de biodigestores y biodigestores. Candidatus Cloacomonas, Methanospirillum,
y Methanosphaera fueron identi fi ed como taxones marcadores para UASB y los
grupos de arqueas Metanobrevibacter y Candidatus Methanoplasma
para CSTR. Además, identificamos fi ed Bacterias no cultivadas de parcubacterias,
Candidatus Cloacomonas, y Candidatus Methanoplasma como grupos clave para
mantener el funcionamiento de AD en estas condiciones operativas. El papel de
estos grupos en la EA aún no se ha explorado. También llamamos la atención
sobre dos asociaciones negativas y una positiva en la red de la siguiente manera ( Figura
6 BD): i) aumento observado en C. Methanoplasma, C. Cloacomonas, SC103, y Vadin
BC27 asociado con una disminución en Macellibacteroides
y otros; ii) aumento observado en C. Metanoplasma asociado con una disminución
en Methanolinea, Methanosaeta, y Euryarchaeota inculta; y iii) aumento observado
en Smithella asociado con un aumento en
Caldithrix, Carboxylicivirga, y otros.
Se pueden encontrar datos complementarios a este artículo en línea en https: // doi.
org / 10.1016 / j.scitotenv.2020.140314 .
Disponibilidad de datos y material
El conjunto de datos se envió a la base de datos del NCBI con el código de
Fondos
Este proyecto fue fi financiado financieramente por CNPQ (Conselho Nacional
de Pesquisa e Desenvolvimento Tecnológico-Brazil) (INCT FBN / Grant número
46.5510 / 2014-0).
Declaración de contribución de autoría de CRediT
Eliane Cristina Gruszka Vendruscolo: Metodología, Investigación, Redacción -
borrador original. Dany Mesa: Software. Daniel Vasconcelos Rissi:
Software. Bruno Henrique Meyer: Software. Fábio de Oliveira Pedrosa:
Administración de proyectos, Adquisición de fondos. Emanuel Maltempi de Souza: Administra
de proyectos, Adquisición de fondos. LeonardoMagalhães Cruz: Conceptualización,
redacción - revisión y edición.
Declaración de intereses en competencia
Los autores declaran que no tienen conocimiento de competidores fi intereses
económicos o relaciones personales que podrían haber aparecido en fl influyen en el
trabajo informado en este documento.
Agradecimientos
Agradecemos a CIBIOGÁS / Labiogás (Centro Internacional de Energias
Renováveis) por el análisis de biogás. Queremos agradecer al Prof a Dr a
Dilcemara Cristina Zenatti por la asistencia técnica, así como el Dr. Eduardo
Balsanelli y Valter Baura por secuenciación del genoma. Nos gustaría agradecer a
Editage ( www.editage.com ) para la edición en inglés.
14 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
Referencias
Agler, MT, Ruhe, J., Kroll, S., Morhenn, C., Kim, ST, Weigel, D., Kemen, EM, 2016. Micro-
Los taxones del eje bial vinculan los factores abióticos y del huésped con la variación del microbioma de la planta.
PLoS Biol. 14, 1 - 42. https://doi.org/10.1371/journal.pbio.1002352 .
Ali, N., Gong, H., Liu, X., Giwa, AS, Wang, K., 2020. Evaluación de la asociación bacteriana en
Vías de generación de metano de un lodo digestivo anaeróbico mediante secuenciación
metagenómica. Arco. Microbiol. 202, 31 - 41. https://doi.org/10.1007/s00203-019-01716-x .
Amaral, AC, Kunz, A., Steinmetz, RLR, Scussiato, LA, Tapparo, D., 2015. Anaero-
digestión bic del estiércol de cerdo: estratos fi ed unidades de producción y su potencial de
biogás. IV Symp. Agric. Gestión de residuos agroindustriales, 2009 - 2012 https://doi.org/
10.13140 / RG.2.1.5014.5444 .
Asociación Estadounidense de Salud Pública (APHA), 2012. Métodos estándar para el examen
de agua y aguas residuales, métodos estándar para el análisis de agua y aguas residuales,
23. Asociación Estadounidense de Salud Pública, Asociación Estadounidense de Obras
Hidráulicas, Federación Ambiental del Agua, Washington, DC, EE. UU. Https://doi.org/ISBN
9780875532875.
Andrews, S., Krueger, F., Seconds-Pichon, A., Biggins, F., Wingett, S., 2018. FastQC una calidad
herramienta de control para datos de secuencia de alto rendimiento. https: //www.bioinformática.
babraham.ac.uk/projects/fastqcs/ .
Antoni, D., Zverlov, VV, Schwarz, WH, 2007. Biocombustibles a partir de microbios. Apl. Microbiol.
Biotechnol. 77, 23 - 35. https://doi.org/10.1007/s00253-007-1163-x .
Barberán, A., Bates, ST, Casamayor, EO, Fierer, N., 2012. Usando análisis de redes para ex-
plore los patrones de co-ocurrencia en las comunidades microbianas del suelo. ISME J 6, 343 - 351.
https://doi.org/10.1038/ismej.2011.119 .
Bengelsdorf, FR, Gerischer, U., Langer, S., Zak, M., Kazda, M., 2013. Estabilidad de un biogás
produciendo residuos de alimentos que degradan la comunidad de bacterias, arqueas y hongos.
FEMS Microbiol. Ecol. 84, 201 - 212. https://doi.org/10.1111/1574-6941.12055 .
Berry, D., Widder, S., 2014. Descifrando interacciones microbianas y detección de clave
especies con redes de co-ocurrencia. Parte delantera. Microbiol. 5, 1 - 14. https://doi.org/
10.3389 / fmicb.2014.00219 .
Bozan, M., Akyol, Ç., Ince, O., Aydin, S., Ince, B., 2017. Aplicación de la próxima generación
métodos de secuenciación para el control microbiano de la digestión anaeróbica de biomasa
lignocelulósica. Apl. Microbiol. Biotechnol. 101, 6849 - 6864. https://doi.org/10.1007/
s00253-017-8438-7 .
Caporaso, JG, Lauber, CL, Walters, WA, Berg-Lyons, D., Lozupone, CA, Turnbaugh, PJ,
Fierer, N., Knight, R., 2011. Patrones globales de diversidad de ARNr 16S a una profundidad de
millones de secuencias por muestra. Proc. Natl. Acad. Sci. 108, 4516 - 4522. https://doi.org/
10.1073 / pnas.1000080107 .
Caporaso, JG, Lauber, CL, Walters, WA, Berg-Lyons, D., Huntley, J., Fierer, N., Owens,
SM, Betley, J., Fraser, L., Bauer, M., Gormley, N., Gilbert, JA, Smith, G., Knight, R.,
2012. Análisis de comunidades microbianas de rendimiento ultra alto en las plataformas
Illumina HiSeq y MiSeq. ISME J 6, 1621 - 1624. https://doi.org/10.1038/ismej.2012.8 .
Carballa, M., Regueiro, L., Lema, JM, 2015. Manejo microbiano de la digestión anaeróbica:
explotar el nexo microbioma-funcionalidad. Curr. Opin. Biotechnol. 33, 103 - 111.
https://doi.org/10.1016/j.copbio.2015.01.008 .
Chang, H., Haudenshield, JS, Bowen, CR, Hartman, GL, 2017. Asociación de todo el metagenoma
estudio de ación y predicción de aprendizaje automático del microbioma del suelo a granel y la productividad de
los cultivos. Parte delantera. Microbiol. 8, 1 - 11. https://doi.org/10.3389/fmicb.2017.00519 .
Cirne, DG, Lehtomäki, A., Björnsson, L., Blackall, LL, 2007. Hidrólisis y composición microbiana
análisis de la comunidad en la digestión anaeróbica en dos etapas de cultivos energéticos. J. Appl. Microbiol.
103, 516 - 527. https://doi.org/10.1111/j.1365-2672.2006.03270.x .
Danielsson, R., Schnürer, A., Arthurson, V., Bertilsson, J., 2012. Población metanogénica
y producción de CH4 en vacas lecheras suecas alimentadas con diferentes niveles de forraje. Apl.
Reinar. Microbiol. 78, 6172 - 6179. https://doi.org/10.1128/AEM.00675-12 .
Dennehy, C., Lawlor, PG, Gardiner, GE, Jiang, Y., Cormican, P., McCabe, MS, Zhan, X.,
2017. Estabilidad del proceso y composición de la comunidad microbiana en co-digestores anaeróbicos de
estiércol de cerdo y desperdicios de alimentos operados a bajas TRH. Parte delantera. Reinar. Sci. Eng.
11, 1 - 13. https://doi.org/10.1007/s11783-017-0923-9 .
Divya, D., Gopinath, LR, Merlin Christy, P., 2015. Una revisión sobre aspectos actuales y diversos
perspectivas para mejorar la producción de biogás de forma sostenible. Renovar. Sust. Energ.
Apocalipsis 42, 690 - 699. https://doi.org/10.1016/j.rser.2014.10.055 .
Drake, HL, Daniel, SL, Küsel, K., Matthies, C., Kuhner, C., Braus-Stromeyer, S., 1997.
Bacterias acetogénicas: cuáles son las consecuencias in situ de sus diversas versatilidades
metabólicas. BioFactores 6, 13 - 24. https://doi.org/10.1002/biof.5520060103 .
Duda, RM, Vantini, SJ, Martins, LS, Varani, ADM, Lemos, VMF, Ferro, MI, Oliveira,
RA De, 2015. Una microbiota equilibrada ef fi Cientificamente produce metano en un nuevo reactor
anaeróbico horizontal de alta velocidad para el tratamiento de aguas residuales porcinas. Bioresour.
Technol. 197, 152 - 160. https://doi.org/10.1016/j.biortech.2015.08.004 .
Edgar, RC, 2010. Búsqueda y agrupamiento en órdenes de magnitud más rápido que BLAST. Bioinfor-
matemáticas 26, 2460 - 2461. https://doi.org/10.1093/bioinformatics/btq461 .
Enzmann, F., Mayer, F., Rother, M., Holtmann, D., 2018. Metanógenos: respaldo bioquímico
aplicaciones terrestres y biotecnológicas. AMB Express 8, 1 - 22. https://doi.org/
10.1186 / s13568-017-0531-x .
Fehrenbach, H., Giegrich, J., Reinhardt, G., Schmitz, J., Sayer, U., Gretz, M., Seizinger, E.,
Lanje, K., Reinhardt, DG, Sayer, DU, 2008. Criterios para un uso sostenible de la bioenergía a
escala global. Proyecto I + D No 206 41112 - UBA. Texte Res. Rep. 130 https: // doi. org / 206
41 112.
Friedman, J., Alm, EJ, 2012. Inferir redes de correlación a partir de datos de encuestas genómicas.
PLoS Comput. Biol. 8, 1 - 11. https://doi.org/10.1371/journal.pcbi.1002687 .
Gehlen, LR, Zenatti, DC, Alexandre, C., Pessuti, A., Canan, AL, Berger, JS, 2016. La medida-
ment de fi ber niveles de conversión en azúcares reductores de bagazo de caña de azúcar hidrolizado
con catalizadores ácidos. Engevista 18, 318 - 328.
Gopinath, LR, Christy, PM, Mahesh, K., Divya, RBD, Bhuvaneswari, R., Divya, D., Divya,
RBD, Bhuvaneswari, R., Divya, D., 2014. Identi fi cación y evaluación de la eficacia
consorcios bacterianos para ef fi ciente producción de biogás. IOSR J. Environ. Sci. Toxicol.
Food Technol. 8, 80 - 86. https://www.iosrjournals.org .
Goswami, R., Chattopadhyay, P., Shome, A., Banerjee, SN, Chakraborty, AK, Mathew,
AK, Chaudhury, S., 2016. Una visión general de los mecanismos físico-químicos de la
producción de biogás por comunidades microbianas: un paso hacia la gestión sostenible de
residuos. Biotecnología 6 (3), 1 - 12. https://doi.org/10.1007/s13205-016-0395-9 .
Hanreich, A., Schimpf, U., Zakrzewski, M., Schlüter, A., Benndorf, D., Heyer, R., Rapp, E.,
Pühler, A., Reichl, U., Klocke, M., 2013. Los análisis de metagenomas y metaproteomas de
comunidades microbianas en fermentaciones anaeróbicas por lotes mesófilos que producen biogás
indican una degradación concertada de carbohidratos de las plantas. Syst. Apl. Microbiol. 36, 330 - 338. https://doi.org/10
.
Hassa, J., Maus, I., Off, S., Pühler, A., Scherer, P., Klocke, M., Schlüter, A., 2018. Metagenome,
Los enfoques de metatranscriptoma y metaproteoma desentrañaron las composiciones y las relaciones
funcionales de las comunidades microbianas que residen en las plantas de biogás. Apl. Microbiol. Biotechnol.
102, 5045 - 5063. https://doi.org/10.1007/s00253-018-8976-7 .
Hawley, AK, Nobu, MK, Wright, JJ, Durno, WE, Morgan-Lang, C., Sage, B., Schwientek,
P., Swan, BK, Rinke, C., Torres-Beltrán, M., Mewis, K., Liu, WT, Stepanauskas, R., Woyke, T.,
Hallam, SJ, 2017. Diversas bacterias Marinimicrobia pueden mediar acopladas Ciclos
biogeoquímicos a lo largo de gradientes eco-termodinámicos. Nat. Comun. 8, 1 - 9.
https://doi.org/10.1038/s41467-017-01376-9 .
Hellbrugge, C., Moreira, FB, Mizubuti, IY, 2008. Rendimiento de novillos pastando raigrás
(Lolium Multi fl orum) con o sin suplementación energética. Semina 29, 723 - 730.
Hu, P., Tom, L., Singh, A., Thomas, BC, Baker, BJ, Piceno, YM, Andersen, GL, Ban fi campo, JF,
2016. El análisis metagenómico resuelto por el genoma revela roles para el candidato Phyla y otros
miembros de la comunidad microbiana en las transformaciones biogeoquímicas en yacimientos de
petróleo. MBio 7, 1 - 12. https://doi.org/10.1128/mBio.01669-15 .
Jones, E., Oliphant, T., Peterson, P., 2001. SciPy: Científico de código abierto fi c Herramientas para Python.
Kim, J., Nguyen, SG, Guevarra, RB, Lee, I., Unno, T., 2015. Análisis de micro-
biota en varias etapas de crecimiento. Arco. Microbiol. 197, 753 - 759. https://doi.org/
10.1007 / s00203-015-1108-1 .
Kullander, S., 2010. Seguridad alimentaria: cultivos para personas, no para automóviles. Ambio 39, 249 - 256.
https://doi.org/10.1007/s13280-010-0032-5 .
Kumar, S., Krishnani, KK, Bhushan, B., Brahmane, MP, 2015. Metagenomics: retrospectiva
y perspectivas en la era de alto rendimiento. Biotechnol. Res. En t. 2015, 1 - 13. https: // doi.
org / 10.1155 / 2015/121735 .
Kushkevych, I., Vít mi zová, M., Vít mi z, T., Ková C, J., Kaucká, P., Jesionek, W., Barto s, M., Barton,
L., 2018. Una nueva combinación de sustratos: producción de biogás y diversidad de microorganismos
metanogénicos. Ciencia de la vida abierta 13, 119 - 128.
Lammel, DR, Barth, G., Ovaskainen, O., Cruz, LM, Zanatta, JA, Ryo, M., de Souza, EM,
Pedrosa, FO, 2018. Los efectos directos e indirectos de un gradiente de pH aportan conocimientos
sobre los mecanismos que impulsan las estructuras de la comunidad procariota. Microbioma 6, 7 - 9.
https://doi.org/10.1186/s40168-018-0482-8 .
Lange, M., Ahring, BK, 2001. Un estudio completo sobre la metodología molecular
y biología molecular de arqueas metanogénicas. FEMS Microbiol. Apocalipsis 25, 553 - 571. https://doi.org/10.
.
Layeghifard, M., Hwang, DM, Guttman, DS, 2017. Desenredamiento de interacciones en
microbioma: una perspectiva de red. Trends Microbiol. 25, 217 - 228. https://doi.org/
10.1016 / j.tim.2016.11.008 .
Li, A., Chu, Y., Wang, X., Ren, L., Yu, J., Liu, X., Yan, J., Zhang, L., Wu, S., Li, S., 2013. Un estudio metagenómico
basado en pirosecuenciación de la comunidad microbiana productora de metano en un reactor de
biogás de estado sólido. Biotechnol. Biocombustibles 6, 1 - 17. https://doi.org/
10.1186 / 1754-6834-6-3 .
Li, J., Rui, J., Yao, M., Zhang, S., Yan, X., Wang, Y., Yan, Z., Li, X., 2015. El tipo de sustrato y el amoníaco libre
determinan la comunidad bacteriana estructura en digestores anaerobios mesofílicos a gran escala
para el tratamiento de estiércol de ganado o porcino. Parte delantera. Microbiol. 6, 1 - 10. https://doi.org/
10.3389 / fmicb.2015.01337 .
Liu, Y., Wachemo, AC, Yuan, HR, Li, XJ, 2019. Rendimiento de digestión anaeróbica y micro-
estructura de la comunidad bial de rastrojo de maíz en reactores de tanque de agitación continua de
tres etapas. Bioresour. Technol. 287, 121339. https://doi.org/10.1016/j.biortech.2019.121339 .
Lowry, OH, Rosebrough, Nueva Jersey, Lewis Farr, A., Randall, RJ, 1951. Medición de proteínas con
el reactivo de folin fenol. J. Biol. Chem. 193, 265 - 275.
Maldonade, IR, Carvalho, PGB, Ferreira, NA, Moulin, BSF, 2013. Comunicado Técnico
86-Protocolo para determinação de açúcares redutores pelo método de SomogyiNelson
(Brasília-DF).
Manyi-Loh, CE, Mamphweli, SN, Meyer, EL, Okoh, AI, Makaka, G., Simon, M., 2013. Micro-
digestión anaeróbica biológica (biodigestores) como enfoque de descontaminación de desechos
animales en el control de la contaminación y la generación de energía renovable. En t. J. Environ. Res.
Salud Pública 10, 4390 - 4417. https://doi.org/10.3390/ijerph10094390 .
McInerney, MJ, Struchtemeyer, CG, Sieber, J., Mouttaki, H., Stams, AJM, Schink, B.,
Rohlin, L., Gunsalus, RP, 2008. Fisiología, ecología, filogenia y genómica de microorganismos
capaces de metabolismo sintrófico. Ana. NY Acad. Sci. 1125, 58 - 72.
https://doi.org/10.1196/annals.1419.005 .
Mei, R., Kim, J., Wilson, FP, Bocher, BTW, Liu, WT, 2019. Cinética de crecimiento de acoplamiento
El modelado con aprendizaje automático revela impactos e identi fi es parámetros
ambientales clave en un proceso de tratamiento biológico de aguas residuales. Microbioma
7, 1 - 9. https://doi.org/10.1186/s40168-019-0682-x .
Oleskowicz-Popiel, P., 2018. Diseño de microbiomas de reactor para producción química
de residuos orgánicos. Trends Biotechnol. 36, 747 - 750. https://doi.org/10.1016/j.
tibtech.2018.01.002 .
Orrico Junior, MAP, Orrico, ACA, de Lucas Junior, J., Sampaio, AAM, Fernandes, ARM,
de Oliveira, EA, 2012. Biodigestão anaeróbia dos dejetos da bovinocultura de corte: In fl uência
do período, do genótipo e da dieta. Rev. Bras. Zootec. 41, 1533 - 1538.
https://doi.org/10.1590/S1516-35982012000600030 .
 ECG Vendruscolo y col. / Ciencia del medio ambiente total 742 (2020) 140314
Ozbayram, E., Ince, O., Ince, B., Harms, H., Kleinsteuber, S., 2018. Comparación de rumen y
microbiomas de estiércol e implicaciones para la inoculación de digestores anaeróbicos.
Microorganismos 6, 15. https://doi.org/10.3390/microorganisms6010015 .
Pagliano, G., Ventorino, V., Panico, A., Romano, I., Pirozzi, F., Pepe, O., 2019.Programa anaeróbico
proceso de recuperación de bioenergía a partir de residuos lácteos: metaanálisis y enumeración de la comunidad
microbiana relacionada con la producción de intermedios. Parte delantera. Microbiol. 9, 1 - 15.
https://doi.org/10.3389/fmicb.2018.03229 .
Parks, DH, Tyson, GW, Hugenholtz, P., Beiko, RG, 2014. SELLO: análisis estadístico de
pro taxonómico y funcional fi les. Bioinformática 30, 3123 - 3124. https://doi.org/
10.1093 / bioinformática / btu494 .
Pedregosa, F., Varoquaux, G., Buitinck, L., Louppe, G., Grisel, O., Mueller, A., 2015. Scikit-
aprender. J. Mach. Aprender. Res. 19, 29 - 33. https://doi.org/10.1145/2786984.2786995 .
Pham, CH, Vu, CC, Sommer, SG, Bruun, S., 2014. Factores que afectan la temperatura del proceso
y producción de biogás en digestores de biogás rurales a pequeña escala en invierno en el norte de
Vietnam. 27 págs.1050 - 1056.
Poudel, R., Jumpponen, A., Schlatter, DC, Paulitz, TC, McSpadden Gardener, BB, Kinkel,
LL, Garrett, KA, 2016. Redes de microbiomas: un marco de sistemas para identificar
ensamblajes microbianos candidatos para el manejo de enfermedades. Fitopatología 106,
1083 - 1096. https://doi.org/10.1094/PHYTO-02-16-0058-FI .
Proulx, SR, Promislow, DEL, Phillips, PC, 2005. Pensamiento en red en ecología y evolución.
ción. Tendencias Ecol. Evol. 20, 345 - 353. https://doi.org/10.1016/j.tree.2005.04.004 .
Qu, K., Guo, F., Liu, X., Lin, Y., Zou, Q., 2019. Aplicación del aprendizaje automático en microbiología
ogy. Parte delantera. Microbiol. 10, 1 - 10. https://doi.org/10.3389/fmicb.2019.00827 .
Regueiro, L., Spirito, CM, Usack, JG, Hospodsky, D., Werner, JJ, Angenent, LT, 2015.
Comparación de los umbrales inhibitorios de los codigestores de estiércol de leche después de
períodos prolongados de aclimatación: parte 2 - correlaciones entre microbiomas y medio ambiente.
Agua Res. 87, 458 - 466. https://doi.org/10.1016/j.watres.2015.05.046 .
S arapatka, B., 1993. Un estudio de la producción de biogás durante la fermentación anaeróbica de
estiércol. Bioenergía de biomasa 5, 387 - 393. https://doi.org/10.1016/0961-9534(93) 90018-Y .
Schlüter, A., Bekel, T., Diaz, NN, Dondrup, M., Eichenlaub, R., Gartemann, KH, Krahn, I.,
Krause, L., Krömeke, H., Kruse, O., Mussgnug, JH, Neuweger, H., Niehaus, K., Pühler,
A., Runte, KJ, Szczepanowski, R., Tauch, A., Tilker, A., Viehöver, P., Goesmann, A.,
2008. El metagenoma de una comunidad microbiana productora de biogás de una planta
fermentadora de biogás a escala de producción analizada por la tecnología de
pirosecuenciación 454. J. Biotechnol. 136, 77 - 90. https://doi.org/10.1016/j.jbiotec.2008.05.008 .
Shanks, OC, Kelty, CA, Archibeque, S., Jenkins, M., Newton, RJ, Mclellan, SL, Huse, SM,
Sogin, ML, 2011. Estructuras comunitarias de bacterias fecales en bovinos de diferentes
operaciones de alimentación animal. Apl. Reinar. Microbiol. 77, 2992 - 3001. https://doi.org/
10.1128 / AEM.02988-10 .
Shin, H., Youn, J., 2005. Conversión de residuos de alimentos en hidrógeno por termofílico
acidogénesis. Biodegradación 16, 33 - 44. https://doi.org/10.1007/s10531-004-0377-9 .
Srinivasan, S., Hoffman, NG, Morgan, MT, Matsen, FA, Fiedler, TL, Hall, RW, Ross, FJ,
McCoy, CO, Bumgarner, R., Marrazzo, JM, Fredricks, DN, 2012. Comunidades bacterianas en
mujeres con vaginosis bacteriana: análisis filogenéticos de alta resolución revelan relaciones
de la microbiota con criterios clínicos. PLoS One 7. https://doi.org/10.1371/
journal.pone.0037818 .
Statnikov, A., Henaff, M., Narendra, V., Konganti, K., Li, Z., Yang, L., Pei, Z., Blaser, MJ,
Aliferis, CF, Alekseyenko, AV, 2013. Una evaluación integral de clasi multicategoría fi métodos
de cationes para datos microbiómicos. Microbioma 1, 1 - 12. http: // www.
microbiomejournal.com/content/1/1/11 .
St-Pierre, B., Wright, A.-DG, 2014. Análisis metagenómico comparativo de poblaciones bacterianas
en tres digestores de estiércol anaeróbicos mesófilos a gran escala. Apl. Microbiol.
Biotechnol. 98, 2709 - 2717. https://doi.org/10.1007/s00253-013-5220-3 .
Sun, L., Pope, PB, Eijsink, VGH, Schnürer, A., 2015. Caracterización de compuestos microbianos
estructura comunitaria durante la digestión anaeróbica continua de paja y estiércol de vaca.
Microb. Biotechnol. 8, 815 - 827. https://doi.org/10.1111/1751-7915.12298 .
15
Sundberg, C., Al-soud, WA, Larsson, M., Alm, E., Yekta, SS, Svensson, BH, Sørensen, SJ,
Karlsson, A., 2013. 454 análisis de pirosecuenciación de la riqueza de bacterias y arqueas en
21 digestores de biogás a gran escala. FEMS Microbiol. Ecol. 85, 612 - 626. https://doi.org/
10.1111 / 1574-6941.12148 .
Tavares, SG, Feiden, A., Correia, AF, Soares, CMT, Gregolin, MRP, 2016. En fl uência das
Variações Térmicas e Climáticas na Produção de Biogás. Nativa 4, 287 - 295. https: //
doi.org/10.14583/2318-7670.v04n05a04 .
Telenti, A., 2020. Aprendizaje automático para decodificar genómica. Clin. Chem. 66, 45 - 47. https: // doi.
org / 10.1373 / clinchem.2019.308296 .
Tsapekos, P., Kougias, PG, Treu, L., Campanaro, S., Angelidaki, I., 2017. Ejecución del proceso
mance y análisis metagenómico comparativo durante la codigestión de estiércol y biomasa
lignocelulósica para la producción de biogás. Apl. Energía 185, 126 - 135. https: //
doi.org/10.1016/j.apenergy.2016.10.081 .
Vincent, NM, Wei, Y., Tong, J., Zhang, J., Yu, D., 2018. Caracterización y cambio dinámico
de comunidades microbianas durante la puesta en marcha, la sobrecarga y el estado estacionario en
un biorreactor de membrana anaeróbica. En t. J. Environ. Res. Salud Pública 15, 1 - 20. https://doi.org/
10.3390 / ijerph15071399 .
Wang, Y., Xu, L., Gu, YQ, Coleman-Derr, D., 2016. MetaCoMET: una plataforma web para el descubrimiento
ery y visualización del microbioma central. Bioinformática 32, 3469 - 3470. https: //
doi.org/10.1093/bioinformatics/btw507 .
Weiland, P., 2010. Producción de biogás: estado actual y perspectivas. Apl. Microbiol.
Biotechnol., 849 - 860. https://doi.org/10.1007/s00253-009-2246-7 .
Wong, K., Shaw, TI, Oladeinde, A., Glenn, TC, Oakley, B., Molina, M., 2016. Rápido
Cambios en el microbioma en heces de vaca recién depositadas en condiciones de campo. 7,
págs.1 - 12. https://doi.org/10.3389/fmicb.2016.00500 .
Wu, D., Li, L., Zhao, X., Peng, Y., Yang, P., Peng, X., 2019a. Digestión anaeróbica: una revisión sobre
seguimiento del proceso. Renovar. Sust. Energ. Apocalipsis 103, 1 - 12. https://doi.org/10.1016/j.
rser.2018.12.039 .
Wu, L., Ning, D., Zhang, B., Li, Y., Zhang, P., Shan, X., Zhang, Q., Brown, M., Li, Z., Van
Nostrand, JD, Ling, F., Xiao, N., Zhang, Y., Vierheilig, J., Wells, GF, Yang, Y., Deng, Y., Tu, Q.,
Wang, A., Zhang, T., He, Z., Keller, J., Nielsen, PH, Alvarez, PJJ, Criddle, CS, Wagner, M., Tiedje,
JM, He, Q., Curtis, TP, Stahl, DA, Alvarez-Cohen , L., Rittmann,
BE, Wen, X., Zhou, J., 2019b. Diversidad global y biogeografía de comunidades bacterianas en
plantas de tratamiento de aguas residuales. Nat. Microbiol. 4, 1183 - 1195. https://doi.org/
10.1038 / s41564-019-0426-5 .
Yang, H., Huang, X., Fang, S., He, M., Zhao, Y., 2017. Desentrañar la microbiota fecal y
Capacidad funcional metagenómica asociada con la alimentación Ef fi eficiencia en cerdos. 8,
págs.1 - 11. https://doi.org/10.3389/fmicb.2017.01555 .
Yang, Y., Yu, K., Xia, Y., Lau, FTK, Tang, DTW, Fung, WC, Fang, HHP, Zhang, T., 2014.
Análisis metagenómico de lodos de digestores anaeróbicos a gran escala operados en plantas de
tratamiento de aguas residuales municipales. Apl. Microbiol. Biotechnol. 98, 5709 - 5718.
https://doi.org/10.1007/s00253-014-5648-0 .
Ye, L., Mei, R., Liu, WT, Ren, H., Zhang, XX, 2020. Análisis asistido por aprendizaje automático de
miles de borradores de genomas revelan especi fi c características de los procesos de lodos activados.
Microbioma 8, 1 - 13. https://doi.org/10.1186/s40168-020-0794-3 .
Zakrzewski, M., Goesmann, A., Jaenicke, S., Jünemann, S., Eikmeyer, F., Szczepanowski, R.,
Al-soud, WA, Sørensen, S., Pühler, A., Schlüter, A., 2012. Pro fi de la comunidad
metabólicamente activa de una planta de biogás a escala de producción mediante la
secuenciación de metatranscriptomas de alto rendimiento. J. Biotechnol. 158, 248 - 258. https://doi.org/10
j.jbiotec.2012.01.020 .
Zamanzadeh, M., Hagen, LH, Svensson, K., Linjordet, R., Horn, SJ, 2017. Producción de biogás
ción del desperdicio de alimentos a través de codigestión y digestión: efectos sobre el rendimiento y
la ecología microbiana. Sci. Rep. 7, 1 - 12. https://doi.org/10.1038/s41598-017-15784-w .
Zempulski, DA, Andressa, K., Viar, P., Delallo, L., Lampa, M., 2014. Fermentação Anaeróbia
De Manipueira. Engevista 16, 431 - 447.