探索地球的微生物多样性可以更深入地了解构成生态系统和塑造生物多样性的微生物的相互作用。利用强大的跨学科方法，将组学工具与遥感和空间统计相结合，为开展跨时空尺度的微生物相互作用研究提供了一个新的前沿。在本研究中作者使用遥感和机器学习与基于组学的技术相结合，来创建自养和异养微生物的其多样化生态图集。这些数据丰富的跨学科方法使我们能够更好地了解微生物群落与其环境之间的相互作用，进而了解它们对生态系统结构和功能的影响。

　　本文中作者重点介绍了将遥感、机器学习、空间统计和组学数据方法应用于海洋、水生和陆地系统的多个案例：包括，浮游植物开花、海草病害。以及遥感技术与地理信息系统、组学技术相结合，预测微生物动态及其生态后果。

　　将微生物和遥感数据结合起来，可以更准确地预测未来气候变化情景中微生物群落的变化情况，进而更好地估计此类微生物变化对生物地球化学、生态系统层面的影响，例如碳和养分循环，并有利于改善自然资源的保护和管理。此外，组学数据中的微生物指标可以为适应性管理策略提供信息，以降低疾病发生率或严重程度。

　　作者强调整合生化和时空环境数据的重要性，并提出建立微生物组相互作用及其生态系统影响的预测框架以及促进有效的跨学科团队合作建设等建议。

　　图1遥感和微生物方法关联图。 (A)无人机、航空和卫星收集的图像，加上辅助遥感和公开可用的数据产品，提取光谱和环境站点特征。(B) 利用地理信息系统 (GIS) 将遥感数据处理为栅格数据，并将辅助和原位数据配对为具有地理坐标的矢量数据。从遥感图像中推导光谱特征、归一化差异植被指数 (NDVI)、叶面积指数 (LAI)、绿叶指数 (GLI) 和其他指标，并使用既定协议对代谢组学和微生物多样性进行表征，从而辨别遥感生态系统特征和微生物动态之间的联系。 (C) 多源数据与空间统计的同化和融合，包括空间锐化和时间预测，增加了数据集的覆盖范围和分辨率。(D) 通过耦合来自遥感和环境及原位采样的多源数据，校准模型生成环境特征，预测微生物和代谢组学多样性，并用不确定性估计解开多重压力因素。

　　来源：Beatty, D. S., Aoki, L. R., Graham, O. J., & Yang, B. (2021). The Future Is Big—and Small: Remote Sensing Enables Cross-Scale Comparisons of Microbiome Dynamics and Ecological Consequences. Msystems, 6(6), e01106-21.

　　编辑：婷婷