Федеральное государственное бюджетное научное учреждение «Федеральный аграрный научный центр Северо-Востока имени Н.В. Рудницкого»
В последние годы в научных исследованиях активно развиваются методы, основанные на использовании
искусственного интеллекта (ИИ) и больших языковых моделей (БЯМ), которые способны обрабатывать и интерпретировать значительные объёмы текстовой и структурированной (таблицы, числовые и категориальные данные, данные датчиков и т. п.) информации. Экология почвы как область, характеризующаяся быстрым накоплением разнородных данных, включая результаты метагеномных анализов почвенных микробиомов, может потенциально извлечь существенную пользу от применения подобных инструментов. В настоящем обзоре рассмотрены основные направления использования ИИ в исследованиях в области почвенной экологии и микробиологии, включая анализ научной литературы, аннотирование и систематизацию микробиологических, агрохимических и агрофизических данных, а также создание моделей для прогнозирования на основе метагеномных данных почвенных микробиомов показателей плодородия и продуктивности сельскохозяйственных угодий. Обсуждаются ключевые преимущества данных подходов, их ограничения и возможные методологические риски. Несмотря на необходимость дальнейшего усовершенствования и оптимизации имеющихся к настоящему времени технологий ИИ и БЯМ, выполненный
анализ литературы свидетельствует об их значительном потенциале в обеспечении дальнейшего развития почвенно-экологических исследований и достижении практических результатов в аграрном производстве.
Ключевые слова: искусственный интеллект, нейронные сети, машинное обучение, большие языковые модели, экология микроорганизмов, почвенный микробиом, метагеномика, аграрное производство
Список процитированных источников
1. Dobrovol’skii G.V. Dokuchaev and present-day natural science // Eurasian Soil Sc. 1996. V. 29. No. 2. P. 105–110.
2. Dokuchaev V.V. Essays: in 9 volumes. Moskva; Leningrad: Publishing House of the USSR Academy of Sciences, 1949–1961. (in Russian).
3. Montgomery D.R. Soil erosion and agricultural sustainability // Proc. Natl. Acad. Sci. USA. 2007. V. 104. No. 33. P. 13268–13272. doi: 10.1073/pnas.0611508104
4. Dobrovolskiy G.V. Soil degradation as a threat of global ecological crisis // Vek globalizatsii. 2008. No. 2. P. 54–65 (in Russian).
5. Giller K.E., Delaune T., Silva J.V., Descheemaeker K., van de Ven G., Schut A.G.T., van Wijk M., Hammond J., Hochman Z., Taulya G., Chikowo R., Narayanan S., Kishore A., Bresciani F., Teixeira H.M., Andersson J.A., van Ittersum M.K. The future of farming: who will produce our food? // Food Sec. 2021. V. 13. P. 1073–1099. doi: 10.1007/s12571-021-01184-6
6. Kurmanbayev A.A., Syndet T.R. Soil health concept and modern soil health indicators // Soil Science and Agrichemistry. 2023. No. 2. P. 91–106 (in Russian). doi: 10.51886/1999-740Х_2023_2_91
7. Nikitin D.A., Semenov M.V., Chernov T.I., Ksenofontova N.A., Zhelezova A.D., Ivanova E.A., Khitrov N.B., Stepanov A.L. Microbiological indicators of ecological soil functions: a review // Eurasian Soil Sc. 2022. V. 55. P. 221–234. doi: 10.1134/S1064229322020090
8. Golubev A.S., Berestetskiy A.O. Future directions for use of biological and biorational herbicides in Russia (review) // Agricultural Biology. 2021. V. 56. No. 5. P. 868–884 (in Russian). doi: 10.15389/ agrobiology.2021.5.868rus
9. Mohanty L.K., Singh N.K., Raj P., Prakash A., Tiwari A.K., Singh V., Sachan P. Nurturing crops, enhancing soil health, and sustaining agricultural prosperity worldwide through agronomy // J. Exp. Agric. Int. 2024. V. 46. No. 2. P. 46–67. doi: 10.9734/jeai/2024/v46i22308
10. Ryazanov S.S., Kulagina V.I. Soil health: an overview of concepts and monitoring methods // Moscow Univ. Soil Sci. Bull. 2026. V. 81. P. 16–31. doi: 10.3103/ S0147687425700711
11. Slobodkin A.I., Slobodkina G.B. Diversity of sulfur- disproportionating microorganisms // Microbiology. 2019. V. 88. P. 509–522. doi: 10.1134/S0026261719050138
12. Zavarzina D.G. The role of dissimilatory Fe(III)-reducing bacteria in transformation of iron minerals // Paleontol. J. 2004. V. 38. No. 3. P. 231–237.
13. Vecherskii M.V., Semenov M.V., Lisenkova A.A., Stepankov A.A. Metagenomics: a new direction in ecology // Biol. Bull. Russ. Acad. Sci. 2022. V. 48. Suppl. 3. P. S107–S117. doi: 10.1134/S1062359022010150
14. Semenov M.V. Metabarcoding and metagenomics in soil ecological research: achievements, problems and opportunities // Biol. Bull. Rev. 2021. V. 11. P. 40–53. doi: 10.1134/S2079086421010084
15. Nesme J., Achouak W., Agathos S.N., Bailey M., Baldrian P., Brunel D., Frostegård Å., Heulin T., Jansson J.K., Jurkevitch E., Kruus K.L., Kowalchuk G.A., Lagares A., Lappin-Scott H.M., Lemanceau P., Le Paslier D., Mandic-Mulec I., Murrell J.C., Myrold D.D., Nalin R., Nannipieri P., Neufeld J.D., O’Gara F., Parnell J.J., Pühler A., Pylro V., Ramos J.L., Roesch L.F.W., Schloter M., Schleper C., Sczyrba A., Sessitsch A., Sjöling S., Sørensen J., Sørensen S.J., Tebbe C.C., Topp E., Tsiamis G., van Elsas J.D., van Keulen G., Widmer F., Wagner M., Zhang T., Zhang X., Zhao L., Zhu Y.G., Vogel T.M., Simonet P. Back to the future of soil metagenomics // Front. Microbiol. 2016. V. 7. Article No. 73. doi: 10.3389/fmicb.2016.00073
16. Leite M.F.A., van den Broek S.W.E.B., Kuramae E.E. Current challenges and pitfalls in soil metagenomics // Microorganisms. 2022. V. 10. No. 10. Article No. 1900. doi: 10.3390/microorganisms10101900
17. Wydro U. Soil microbiome study based on DNA extraction: a review // Water. 2022. V. 14. No. 24. Article No. 3999. doi: 10.3390/w14243999
18. Veselovsky V., Romanov M., Zoruk P., Larin A., Babenko V., Morozov M., Strokach A., Zakharevich N., Khamidova S., Danilova A., Vatlin A., Pavshintsev V., Chenguang F., Tsybizov D., Mitkin N., Galanova O., Zakharenko A., Golokhvast K., Klimina K. Comparative evaluation of sequencing platforms: Pacific Biosciences, Oxford Nanopore Technologies, and Illumina for 16S rRNA-based soil microbiome profiling // Front. Microbiol. 2025. V. 16. Article No. 1633360. doi: 10.3389/fmicb.2025.1633360
19. D’Argenio V. The high-throughput analyses era: are we ready for the data struggle? // High Throughput. 2018. V. 7. No. 1. Article No. 8. doi: 10.3390/ht7010008
20. Sharpton T.J. An introduction to the analysis of shotgun metagenomic data // Front. Plant Sci. 2014. V. 5. Article No. 209. doi: 10.3389/fpls.2014.00209
21. Panciu B.-I., Barbu Dragne G.-L. A.I. in agriculture – a bibliometric approach // Proceedings of the International Conference on Business Excellence. 2025. V. 19. No. 1. P. 5189–5199. doi: 10.2478/picbe-2025-0397
22. Zhao Y., Liang J., Chen B., Deng X., Zhang Y., Xiong Z., Pan M., Meng X. Applications research progress and prospects of multi-agent large language models in agricultural // Smart Agric. 2025. V. 7. No. 5. P. 37–51. doi: 10.12133/j.smartag.SA202503026
23. Sirilertmekasakul C., Rattanawong W., Gongvatana A., Srikiatkhachorn A. The current state of artificial intelligence-augmented digitized neurocognitive screening test // Front. Hum. Neurosci. 2023. V. 17. Article No. 1133632. doi: 10.3389/fnhum.2023.1133632
24. Saied M., Mokhtar N., Badr A., Adel M., Boles P., Khoriba G. AI in literature reviews: a survey of current and emerging methods // Proceedings of the 2024 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC). Cairo, Egypt, 2024. P. 61–65. doi: 10.1109/MIUCC62295.2024.10783597
25. Naudé W. Artificial intelligence vs COVID-19: limitations, constraints and pitfalls // AI & Soc. 2020. V. 35. No. 3. P. 761–765. doi: 10.1007/s00146-020-00978-0
26. Gerlich M. AI tools in society: impacts on cognitive offloading and the future of critical thinking // Societies. 2025. V. 15. No. 1. Article No. 6. doi: 10.3390/soc15010006
27. Schmidt L., Cree I., Campbell F., WCT EVI MAP group. Digital tools to support the systematic review process: an introduction // J. Eval. Clin. Pract. 2025. V. 31. No. 3. Article No. e70100. doi: 10.1111/jep.70100
28. Filimonov V.Yu. Large language models and their role in modern scientific discoveries // Philosophical Problems of IT and Cyberspace (PhilIT&C). 2024. V. 25. No. 1. P. 42–57 (in Russian). doi: 10.17726/philIT.2024.1.3
29. Mtotywa M.M., Mowers J.L.J., Ndou W., Moleko T.V.Q., Ledwaba M.J. Artificial intelligence in literature review synthesis: a step-by-step methodological approach for researchers and academics // Informatics. 2026. V. 13. No. 3. Article No. 43. doi: 10.3390/informatics13030043
30. Sa I., Ge Z., Dayoub F., Upcroft B., Perez T., Mc-Cool C. DeepFruits: a fruit detection system using deep neural networks // Sensors. 2016. V. 16. No. 8. Article No. 1222. doi: 10.3390/s16081222
31. Fallico N. Exploring Research Rabbit: your new favourite reference manager // Medical Writing. 2025. V. 34. No. 1. P. 67–69. doi: 10.56012/wxzm3433
32. Zhang Y., Long J., Zhao W. The curvilinear relationships between relational embeddedness and dynamic capabilities: the mediating effect of ambidextrous learning // Front. Psychol. 2022. V. 13. Article No. 830377. doi: 10.3389/ fpsyg.2022.830377
33. Correa-Garcia S., Constant P., Yergeau E. The forecasting power of the microbiome // Trends Microbiol. 2022. V. 31. No. 5. P. 444–452. doi: 10.1016/j. tim.2022.11.013
34. De Andrade V.H.G.Z., Redmile-Gordon M., Barbosa B.H.G., Andreote F.D., Roesch L.F.W., Pylro V.S. Artificially intelligent soil quality and health indices for ‘next generation’ food production systems // Trends Food Sci. Technol. 2021. V. 107. P. 195–200. doi: 10.1016/j.tifs.2020.10.018
35. Wilhelm R.C., van Es H.M., Buckley D.H. Predicting measures of soil health using the microbiome and supervised machine learning // Soil Biol. Biochem. 2022. V. 164. Article No. 108472. doi: 10.1016/j.soilbio.2021.108472
36. Breiman L. Random forests // Mach. Learn. 2001.V. 45. P. 5–32. doi: 10.1023/A:1010933404324
37. Cortes C., Vapnik V. Support-vector networks // Mach. Learn. 1995. V. 20. P. 273–297. doi: 10.1007/BF00994018
38. Hermans S.M., Buckley H.L., Case B.S., Curran- Cournane F., Taylor M., Lear G. Using soil bacterial communities to predict physico-chemical variables and soil quality // Microbiome. 2020. V. 8. No. 1. Article No. 79. doi: 10.1186/s40168-020-00858-1
39. Chang H.X., Haudenshield J.S., Bowen C.R., Hartman G.L. Metagenome-wide association study and machine learning prediction of bulk soil microbiome and crop productivity // Front. Microbiol. 2017. V. 8. Article No. 519. doi: 10.3389/fmicb.2017.00519
40. Sadeghi S., Petermann B.J., Steffan J.J., Brevik E.C., Gedeon C. Predicting microbial responses to changes in soil physical and chemical properties under different land management // Appl. Soil Ecol. 2023. V. 188. Article No. 104878. doi: 10.1016/j.apsoil.2023.104878
41. Tajik S., Ayoubi S., Nourbakhsh F. Prediction of soil enzymes activity by digital terrain analysis: comparing artificial neural network and multiple linear regression models // Environ. Eng. Sci. 2012. V. 29. No. 8. P. 798–806. doi: 10.1089/ees.2011.0313
42. Larsen P.E., Field D., Gilbert J.A. Predicting bacterial community assemblages using an artificial neural network approach // Nat. Methods. 2012. V. 9. No. 6. P. 621–625. doi: 10.1038/nmeth.1975
43. Santos E.C., Armas E.D., Crowley D., Lambais M.R. Artificial neural network modeling of microbial community structures in the Atlantic Forest of Brazil // Soil Biol. Biochem. 2014. V. 69. P. 101–109. doi: 10.1016/j.soilbio.2013.10.049
44. Shirokih I.G., Bokov N.A., Shirokih A.A., Ashikhmina T.Ya. Antibiotic resistance profiles of streptomycetes from different soils of the Vyatka Prikamye // Theoretical and Applied Ecology. 2026. No. 2. P. 183–191 (in Russian). doi: 10.25750/1995-4301-2026-2-183-191
45. Langley P. The changing science of machine learning // Mach. Learn. 2011. V. 82. P. 275–279. doi: 10.1007/s10994-011-5242-y
46. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521. No. 7553. P. 436–444. doi: 10.1038/nature14539
47. Ghannam R.B., Techtmann S.M. Machine learning applications in microbial ecology, human microbiome studies, and environmental monitoring // Comput. Struct. Biotechnol. J. 2021. V. 19. P. 1092–1107. doi: 10.1016/j.csbj.2021.01.028
48. Pace R., Schiano Di Cola V., Monti M.M., Affinito A., Cuomo S., Loreto F., Ruocco M. Artificial intelligence in soil microbiome analysis: a potential application in predicting and enhancing soil health – a review // Discov. Appl. Sci. 2025. V. 7. Article No. 85. doi: 10.1007/s42452-024-06381-4
49. Iadanza E., Fabbri R., Bašić-Čičak D., Amedei A., Telalovic J.H. Gut microbiota and artificial intelligence approaches: a scoping review // Health Technol. 2020. V. 10. P. 1343–1358. doi: 10.1007/s12553-020-00486-7
50. Gewers F.L., Ferreira G.R., de Arruda H.F., Silva F.N., Comin C.H., Amancio D.R., Costa L.F. Principal component analysis: a natural approach to data exploration // ACM Comput. Surv. 2021. V. 54. No. 4. Article No. 70. doi: 10.1145/3447755
51. Van der Maaten L., Hinton G. Visualizing data using t-SNE // J. Mach. Learn. Res. 2008. V. 9. P. 2579–2605.
52. Becht E., McInnes L., Healy J., Dutertre C.A., Kwok I.W.H., Ng L.G., Ginhoux F., Newell E.W. Dimensionality reduction for visualizing single-cell data using UMAP // Nat. Biotechnol. 2019. V. 37. P. 38–44. doi: 10.1038/nbt.4314
53. Zeng T., Yu X., Chen Z. Applying artificial intelligence in the microbiome for gastrointestinal diseases: a review // J. Gastroenterol. Hepatol. 2021. V. 36. No. 4. P. 832–840. doi: 10.1111/jgh.1550
54. Friedman J.H. Stochastic gradient boosting // Comput. Stat. Data Anal. 2002. V. 38. No. 4. P. 367–378. doi: 10.1016/S0167-9473(01)00065-2
55. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D. Backpropagation applied to handwritten zip code recognition // Neural Comput. 1989. V. 1. No. 4. P. 541–551. doi: 10.1162/ neco.1989.1.4.541
56. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities // Proc. Natl. Acad. Sci. USA. 1982. V. 79. No. 8. P. 2554–2558. doi: 10.1073/pnas.79.8.255
57. Liou C.Y., Cheng W.C., Liou J.W., Liou D.R. Autoencoder for words // Neurocomputing. 2014. V. 139. P. 84–96. doi: 10.1016/j.neucom.2013.09.055
58. Oh M., Zhang L. DeepMicro: deep representation learning for disease prediction based on microbiome data // Sci. Rep. 2020. V. 10. No. 1. Article No. 6026. doi: 10.1038/s41598-020-63159-5
59. Cuomo S., de Rosa M., Piccialli F., Pompameo L., Vocca V. A numerical approach for soil microbiota growth prediction through physics-informed neural network // Appl. Numer. Math. 2024. V. 207. P. 97–110. doi: 10.1016/j.apnum.2024.08.025
60. Papoutsoglou G., Tarazona S., Lopes M.B., Klammsteiner T., Ibrahimi E., Eckenberger J., Novielli P., Tonda A., Simeon A., Shigdel R., Béreux S., Vitali G., Tangaro S., Lahti L., Temko A., Claesson M.J., Berland M. Machine learning approaches in microbiome research: challenges and best practices // Front. Microbiol. 2023. V. 14. Article No. 1261889. doi: 10.3389/fmicb.2023.1261889
61. Deng Z., Zhang J., Li J., Zhang X. Application of deep learning in plant–microbiota association analysis // Front. Genet. 2021. V. 12. Article No. 697090. doi: 10.3389/fgene.2021.697090
62. Zhao B., Jin W., Del Ser J., Yang G. ChatAgri: Exploring potentials of ChatGPT on cross-linguistic agricultural text classification // Neurocomputing. 2023. V. 557. Article No. 126708. doi: 10.1016/j.neucom.2023.126708
63. Popova L.V., Gorshkova N.V., Shaldokhina S.Yu. The introduction of Agriculture technology 4.0: conditions and forecasts // Bulletin of the Adyghe State University, Series “Economics”. 2019. No. 1. P. 83–89 (in Russian).
64. Zayats O.A., Nazarova Yu.N., Strizhakova E.A., Penkova R.I. Big Data technologies in agriculture // Fundamental research. 2022. No. 7. P. 35–40 (in Russian). doi: 10.17513/fr.43280
65. Cravero A., Pardo S., Sepúlveda S., Muñoz L. Challenges to use machine learning in agricultural Big Data: a systematic literature review // Agronomy. 2022. V. 12. No. 3. Article No. 748. doi: 10.3390/agronomy12030748
66. Raevskaya E.G. Introducing artificial intelligence in Chinese agriculture (review) // Agrarnaya nauka Euro- Severo-Vostoka. 2024. V. 25. No. 5. P. 739–753 (in Russian). doi: 10.30766/2072-9081.2024.25.5.739-753
67. Fenu G., Malloci F.M. DSS LANDS: a decision support system for agriculture in Sardinia // HighTech and Innovation Journal. 2020. V. 1. No. 3. P. 129–135. doi: 10.28991/HIJ-2020-01-03-05
68. Folorunso O., Ojo O., Busari M., Adebayo M., Joshua A., Folorunso D., Ugwunna C.O., Olabanjo O., Olabanjo O. Exploring machine learning models for soil nutrient properties prediction: a systematic review // Big Data Cogn. Comput. 2023. V. 7. No. 2. Article No. 113. doi: 10.3390/bdcc7020113
69. Shen Y., Song K., Tan X., Li D., Lu W., Zhuang Y. HuggingGPT: solving AI tasks with ChatGPT and its friends in Hugging Face // Advances in Neural Information Processing Systems: proceedings of the 37th conference on neural information processing systems. 2024. V. 36.P. 38154–38180. doi: 10.52202/075280-1657
70. Zhu H., Qin S., Su M., Lin C., Li A., Gao J. Harnessing large vision and language models in agriculture: a review // Front. Plant Sci. 2025. V. 16. Article No. 1579355. doi: 10.3389/fpls.2025.1579355
71. Radford A., Kim J.W., Xu T., Brockman G., McLeavey C., Sutskever I. Robust speech recognition via large-scale weak supervision // Proceedings of the 40th International Conference on Machine Learning. Honolulu, 2023. V. 202. P. 28492–28518.
72. Ren Y., Ruan Y., Tan X., Qin T., Zhao S., Zhao Z., Liu T.Y. FastSpeech: Fast, robust and controllable text to speech // Advances in neural information processing systems: proceedings of the 33rd conference on neural information processing systems. Vancouver, 2019. V. 32. No. 285. P. 3171–3180.
Сведения о финансировании:
Работа выполнена в рамках Государственных заданий ФАНЦ Северо-Востока имени Н.В.
Рудницкого (тема № FNWE-2025-0005) и ФИЦ «Коми научный центр Уральского отделения
Российской академии наук» (по теме «Оценка состояния трансформированных экосистем
подзоны южной тайги, методические подходы к их биоремедиации», номер государственной регистрации в ЕГИСУ № 125021402208-5).
Распространение антибиотикорезистентности среди бактерий, вызывающих инфекции, создаёт риск потери эффективности антибиотиков как лекарственных средств. Решению этой глобальной проблемы здравоохранения и ветеринарии могут способствовать новые знания о резистомах бактерий в почве, как природном резервуаре генов устойчивости к антибиотикам, где благодаря горизонтальному переносу генов может происходить передача признака в клинически значимые патогенные виды. В сравнительном аспекте охарактеризованы профили фенотипической устойчивости типичных почвенных бактерий – актиномицетов – к определённому набору антибиотиков из разных классов и различных механизмов действия. В общей сложности определены профили устойчивости 152 природных изолятов, полученных из почв разных районов Кировской области. Источником для их изоляции служили пробы почв, отобранных на особо охраняемых природных территориях (природные экосистемы) и на участках, типизирующих различные виды хозяйственной деятельности (трансформированные экосистемы). Из каждой почвенной пробы анализировали равные по объёму выборки изолятов с признаками, характерными для рода Streptomyces. С помощью методов многомерной статистики показано, что уровень резистентности стрептомицетов к каждому из семи антибиотиков (налидиксовая кислота, тетрациклин, полимиксин, триметоприм, линкомицин, амоксициллин и стрептомицин) значимо (p < 0,05) определяют как географический район выделения штамма, так и тип экосистемы (природная или трансформированная). В качестве общей закономерности на обследованной территории отмечена высокая эффективность стрептомицина и тетрациклина, и низкая чувствительность стрептомицетов к налидиксовой кислоте. Природные лесные, как и антропогенно трансформированные экосистемы, обогащены штаммами стрептомицетов со множественной устойчивостью к антибиотикам. Практическое значение полученных результатов для экологии и мониторинга заключается в статистически доказанной возможности использования устойчивости почвенных стрептомицетов в качестве индикатора антропогенной нагрузки на почву.
1. Кунанбаева К.К., Байтурсинов Г.А., Лескен Д.С., Оразымбет Н.Ж., Баймуратова З.Р. Антибиотикорезистентность: глобальная угроза для здравоохранения // Биология и интегративная медицина. 2025. № 2 (74). С. 352–356.
2. Han F.X., Kingery W., Selim H. Accumulation, redistribution, transport and bioavailability of heavy metals in waste-amended soils // Trace Elements in Soil: Bioavailability, Fluxes and Transfer / Eds. I. Iskander, M. Kirkham. Boca Raton, FL: CRC, 2001. P. 141–168.
3. Baker-Austin C., Wright M.S., Stepanauskas R., McArthur J.V. Co-selection of antibiotic and metal resistance // Trends Microbiol. 2006. V. 14. No. 4. P. 176–182. doi: 10.1016/j.tim.2006.02.006
4. Burridge L., Weis J., Cabello F., Pizarro J., Bostick K. Chemical use in salmon aquaculture: a review of current practices and possible environmental effects // Aquaculture. 2010. V. 306. No. 1–4. P. 7–23. doi: 10.1016/j. aquaculture.2010.05.020
5. Sieler C., Berendonk T.U. Heavy metal driven coselection of antibiotic resistance in soil and water bodies impacted by agriculture and aquaculture // Front. Microbiol. 2012. V. 3. Article No. 399. doi:10.3389/fmicb.2012.00399
6. Chapman J.S. Disinfectant resistance mechanisms, cross-resistance, and co-resistance // International Biodeterioration & Biodegradation. 2003. V. 51. No. 4. P. 271–276. doi: 10.1016/S0964-8305(03)00044-1
7. Osman O., Tanguichi H., Ikeda K., Park P., TanabeHosoi S., Nagata S. Copper-resistant halophilic bacterium isolated from the polluted Maruit Lake, Egypt // J. Appl. Microbiol. 2010. V. 108. No. 4. P. 1459–1470. doi: 10.1111/j.1365-2672.2009.04574.x
8. Knapp C.W., McCluskey S.M., Singh B.K., Campbell C.D., Hudson G., Graham D.W. Antibiotic resistance gene abundances correlate with metal and geochemical conditions in archived Scottish soils // PloS One. 2011. V. 6 (11). P. e27300. doi: 10.1371/journal. pone.0027300
9. Shirokikh I.G., Gembitskaya E.A., Ashikhmina T.Y. Spread of antibiotic-resistant actinobacteria in soils exposed to various types of anthropogenic impact // Biol. Bull. Russ. Acad. Sci. 2024. V. 51. P. 3146–3153. doi: 10.1134/S1062359024700936
10. Wright G.D. Antibiotic resistance in the environment: a link to the clinic? // Curr. Opin. Microbiol. 2010. V. 13. No. 5. P. 589–594. doi: 10.1016/j.mib.2010.08.005
11. D’Costa V.M., King C.E., Kalan L., Morar M., Sung W.W.L., Schwarz C., Froese D., Zazula G., Calmels F., Debruyne R., Golding G.B., Poinar H.N., Wright G.D. Antibiotic resistance is ancient // Nature. 2011. V. 477. P. 457–461. doi: 10.1038/nature10388
12. Salyers A.A., Amábile-Cuevas C.F. Why are antibiotic resistance genes so resistant to elimination? // Antimicrob. Agents Chemother. 1997. V. 41. No. 11. P. 2321–2325. doi: 10.1128/AAC.41.11.2321
13. Aminov R.I. A brief history of the antibiotic era: lessons learned and challenges for the future // Front. Microbiol. 2010. V. 1. Article No. 134. doi: 10.3389/ fmicb.2010.00134
14. D’Costa V.M., McGrann K.M., Hughes D.W., Wright G.D. Sampling the antibiotic resistome // Science. 2006. V. 311. No. 5759. P. 374–377. doi: 10.1126/ science.1120800
15. Allen H.K., Donato J., Wang H.H., Cloud-Hansen K.A., Davies J., Handelsman J. Call of the wild: antibiotic resistance genes in natural environments // Nat. Rev. Microbiol. 2010. V. 8. No. 4. P. 251–259. doi: 10.1038/nrmicro2312
16. Добровольская Т.Г., Головченко А.В., Лысак Л.В., Зенова Г.М. Физикохимия и биология торфа. Методы оценки численности и разнообразия бактериальных и актиномицетных комплексов торфяных почв. Томск: Издательство ТГПУ, 2010. 99 с.
17. Bergeys Manual of Determinative Bacteriology / Eds. J.G. Holt, N.R. Krieg, P.H.A. Sneath, J.T. Staley, S.T. Williams. Philadelphia: Lippincott Williams & Wilkins, 1994. 800 p.
18. Шитиков В.К., Зинченко Т.Д. Многомерный статистический анализ экологических сообществ (обзор) // Теоретическая и прикладная экология. 2019. № 1. С. 5–11. doi: 10.25750/1995-4301-2019-1-005-011
19. Harrington P.B., Vieira N.E., Espinoza J., Nien J.K., Romero R., Yergey A.L. Analysis of variance-principal component analysis: A soft tool for proteomic discovery // Analytica Chimica Acta. 2005. V. 544. No. 1–2. P. 118–127. doi: 10.1016/j.aca.2005.02.042
20. Jansen J.J., Hoefsloot H.C.J., van der Greef J., Timmerman M.E., Westerhuis J.A., Smilde A.K. ASCA: Analysis of multivariate data obtained from an experimental design // J. Chemometrics. 2005. V. 19. Р. 469–481. doi: 10.1002/cem.952
21. Xu Y., Fowler S.J., Bayat A., Goodacre R. Chemometrics models for overcoming high between subject variability: applications in clinical metabolic profiling studies // Metabolomics. 2014. V. 10. P. 375–385. doi: 10.1007/s11306-013-0616-8
22. Гордеева Е.И., Филиппов П.Н., Турсунова Н.В., Салмин А.В. Варианты генов Mycobacterium tuberculosis, ассоциированные с лекарственной устойчивостью к фторхинолонам (обзор литературы) // Научные результаты биомедицинских исследований. 2024. Т. 10. № 3. С. 324–338. doi: 10.18413/2658-6533-2024-10-3-0-1
Сведения о финансировании:
Работа выполнена в рамках государственных заданий Федерального аграрного научного центра Северо-Востока имени Н.В. Рудницкого (№ FNWE-2025-0005) и Института биологии ФИЦ Коми НЦ УрО РАН (№ 125021402208-5).
Почвенный микробиом играет важную роль в процессах педогенеза и функционирования почвы. Роль микробиома особенно значима на начальных этапах формирования почв в техногенных ландшафтах на не характерных для данной территории породах, таких как гипсосодержащие отходы (ГСО) химического производства. Целью исследования была оценка структуры и состава альгофлоры и прокариотного компонента микробного сообщества в молодой почве, формирующейся при самозарастании отвала ГСО химического предприятия. Объектом исследования служил эмбриозём, формирующийся в условиях подзоны южной тайги европейского Северо-Востока на самозарастающем в течение более 20 лет открытом хранилище ГСО, в качестве условного фона – почва на алюмосиликатной породе – пойменном аллювии под разнотравным лугом на примыкающей к хранилищам отходов территории.В почве фонового участка методом прямого микроскопирования почвы, стёкол обрастания и чашечных культур выявлено 16, в эмбриозёме – 19 видов микрофототрофов. Видовое разнообразие представлено цианобактериями, зелёными и диатомовыми водорослями. В прокариотном компоненте сообщества эмбриозёма выявлены (по разнообразию последовательностей генов 16S рРНК) представители 12 бактериальных и 1 архейного филума. Доминанты на уровне филума в сообществах эмбриозёма и фоновой почвы были одинаковы – Proteobacteria (в среднем 28,6%) и Actinobacteria (17,4%). На долю Verrucomicrobia, Acidobacteria и Bacteroidetes пришлось в среднем по 3–6% от общего числа таксонов. Микробиом эмбриозёма отличался от зрелой почвы фонового участка наличием в составе минорных представителей Chloroflexi (1%), Cyanobacteria (0,3–0,4%) и Firmicutes (0,1%). Изучение состава и структуры почвенного микробиома на первых этапах педогенеза дало ценную информацию для понимания факторов, способствующих почвообразованию, а также для оптимизации методов рекультивации.
На примере техносолей, сформировавшихся на территории бывшего хвостохранилища жидких отходов химического предприятия в долине реки Вятки, изучены состав и таксономическая структура филума Actinobacteria. Исследовано разнообразие актинобактерий в образцах почв, отобранных с трёх пространственно удалённых площадок мониторинга (СГ, СУ1 и СУ2), различающихся по комплексу физико-химических свойств и характеру растительного покрова. Результаты сопоставлены с фоном – аллювиальной почвой (ФП), отобранной на территории ГПЗ «Нургуш». Исследования проведены с использованием высокопроизводительного секвенирования по технологии Illumina и культуральным методом (посев). Культуральный метод выявил в составе актинобактериальных комлексов представителей родов Streptomyces, Micromonospora, Streptosporangium и ряд олигоспоровых форм. Общая численность актиномицетов в образцах техносолей изменялась от 2,4·104 до 1,8·105 КОЕ/г, а в фоновой почве составила 8,5 · 103 КОЕ/г. Семейства актиномицетов, установленные методом посева, были обнаружены и с помощью метода ампликонного секвенирования участка V4 гена 16S рРНК. Молекулярный метод вместе с тем позволил выявить в исследуемых образцах и ряд других таксонов, в том числе, не имеющих культивируемых представителей или пока неклассифицированных. C помощью ампликонного секвенирования было установлено, что представители филума Actinobacteria в образцах техногенных почв являются абсолютными доминантами по относительному обилию в общем бактериальном разнообразии. Доля актинобактерий в этих почвах колеблется от 33 до 41%, тогда как в фоновой почве составляет только 22%. Actinobacteria в образцах техносолей были представлены семействами Micromonosporaceae, Micrococcaceae, Nocardioidaceae, Microbacteriaceae, Thermomonosporaceae, Pseudonocardiaceae, Actinosynnemataceae и Intrasporangiaceae и др. Таксономический спектр актинобактерий в образце ФП был сходен с техносолями, но долевое соотношение таксонов при этом было иным. Полученные результаты будут использованы в дальнейших исследованиях почвенной актинобиоты в связи с изменениями экосистем, нарушенных хозяйственной деятельностью человека, а также представляют интерес для поиска и выделения природных штаммов актинобактерий в целях биотехнологии.
Развитие птицеводства сопровождается существенным увеличением объёмов производимого куриного помёта и его концентрацией в местах хранения, что приводит к загрязнению окружающей среды. Традиционной формой утилизации помёта является его использование в качестве органического удобрения. Высокое содержание органики и элементов минерального питания в компостах, приготовленных на основе животноводческих отходов, улучшает структуру почвы и способствует почвенному плодородию. Однако, ввиду широкого применения в птицеводстве антибиотиков, удобрения на основе птичьего помёта могут повлиять на антибиотический резистом почвы и, в итоге, способствовать распространению устойчивости к антибиотикам среди клинически значимых микроорганизмов. В этой связи актуальной является оценка влияния свежего и ферментированного куриного помёта на антибиотический резистом почвы, используемой в сельскохозяйственном производстве. В данной работе представлены результаты сравнительного исследования спектров устойчивости к определённому набору антибиотиков и частоты встречаемости резистентных к антибиотикам штаммов среди типичных почвенных бактерий – актиномицетов. Культуры актиномицетов выделены из компоста на основе куриного помёта и дерново-подзолистой почвы: после удобрения компостом, в процессе его хранения (под буртом) и фоновой, не контактировавшей с птичьим помётом или компостом. Определены группы антибиотиков, устойчивость к которым статистически значимо увеличилась в результате использования компоста на основе куриного помёта – тетрациклины, рифампицины и хинолоны.
ISSN 1995-4301
Выбор параметров просмотра
.jpg)
