الميكروبيوم الجذري الديناميكي يدعم إنتاجية فول الصويا تحت التسميد غير المتوازن

النتائج

آثار التسميد على الخصائص الكيميائية للتربة وأداء فول الصويا

التغيرات في تنوع الميكروبات المرتبطة بالجذور عبر مراحل نمو النبات

الشكل 1 | تصميم التجربة واستجابة مغذيات التربة المعدنية وعائد فول الصويا للتسميد غير المتوازن. تم ترتيب التجربة الميدانية في تصميم كتلي عشوائي بالكامل. تم تطبيق أربعة معالجات، بما في ذلك التسميد الكامل (سماد NPK، التحكم) ونقص سماد N أو P أو K (أي، المعالجات -N و -P و -K)، كجزء من دورة فول الصويا-الذرة-القمح (محصول واحد/سنة) منذ عام 1979. تم إخضاع الأقسام المرتبطة بالجذور لفول الصويا، بما في ذلك تربة الجذور، والإنسفيرة الجذرية، والعُقَد، لجين 16S rRNA. الجين، وتسلسل الميتاجينوم عبر مراحل نمو النبات. ب الخصائص الكيميائية للتربة الكلية في علاجات التسميد المختلفة قبل

الشكل 2 | الديناميات الزمنية لتنوع البكتيريا المرتبطة بالجذور في علاجات مختلفة من خلال تحليل الميكروبيوم الكمي (QMP). بكتيريا -تنوع (مؤشر شانون) في التربة السائبة لكل معالجة ( عينات التربة). تشير الرسوم البيانية الصندوقية إلى الوسيط (الخط المركزي) ، والنسب المئوية 25 و 75 (الصندوق) ، ونطاق القيم غير الشاذة (الخطوط المتفرعة). تمثل “n.s.” عدم دلالة مؤشر شانون بين معالجات التحكم والتسميد غير المتوازن بواسطة اختبار كروسكال-واليس مع تحليل دان بعد الاختبار. ديناميات البكتيريا -تنوع العلاجات المختلفة عبر مراحل نمو النبات في منطقة الجذور (B) والجزء الداخلي للجذر (C). تظهر أشرطة الخطأ الانحراف المعياري (SD). D البكتيريا

تجمع الميكروبيوم المرتبط بالجذور خلال تطور النبات

أظهرت الأحمال البكتيرية في كل من منطقة الجذور والداخلية اتجاهات متزايدة مع تطور النبات، ووفرة البكتيريا
كانت قابلة للمقارنة عبر الأيام نسخ في منطقة الجذور و نسخ في النهاية)، ولكنها زادت تدريجياً وبلغت أعلى وفرتها في اليوم نسخ في منطقة الجذور و نسخ في النهاية) (الشكل 3، الشكل التكميلي 6). كان لعلاجات التسميد تأثير كبير على أحمال البكتيريا (الجدول التكميلي 5)، ووجد أن الحمل الميكروبي كان منخفضًا باستمرار في منطقة الجذور لعلاج -P مقارنةً بالتحكم، خاصة في مراحل التطور المتأخرة، مما يظهر انخفاضات في أحمال البكتيريا من و في الأيام 42 و60 و72، على التوالي ( بالمقابل، لم يُلاحظ تغيير في أحمال البكتيريا بين المعالجة الضابطة والمعالجة -P في النهاية الداخلية للنبات، ولم يكن هناك اتساق خلال مراحل نمو النبات.

الميكروبيوم المرتبط بالجذور استجابةً للتسميد

كان لعلاجات التخصيب تأثير كبير على تركيبة وديناميات الميكروبيوم المرتبط بالجذور (الأشكال 2، 3). على مستوى الشعبة، كانت وفرة الأسيودوبكتيريا منخفضة باستمرار في معالجة -N مقارنة بالتحكم في كل من التربة العامة ومنطقة الجذور. )، في حين أنها ظلت مستقرة نسبيًا في الإندوسفير (الشكل التوضيحي 7). بالنسبة لعلاج -P، تم تقليل معظم الفصائل في منطقة الجذور بشكل خاص مقارنةً بالتحكم ( )، وخاصة البكتيريا من فصيلة البكتيرويديتس، لكن لم يكن هذا هو الحال في التربة السائبة والداخلية. لم تتأثر الفصائل البكتيرية بشكل كبير بتقليل تخصيب البوتاسيوم ( -K )، حيث أظهرت فقط السكاريبكتيريا وفرة أقل بشكل ملحوظ في منطقة الجذور مقارنةً بالتحكم ( ). في هذه الأثناء، زادت معالجة -N بشكل كبير، بينما قللت معالجة -P من وفرة الريزوبيا في منطقة الجذور مقارنةً بالتحكم استنادًا إلى جين rpoB ( الشكل التوضيحي التكميلي 8)، متسق مع الزيادة الملحوظة في عدد وقطر العقد الجذرية في معالجة -N مقارنةً بالتحكم (الشكل التوضيحي التكميلي 2). على وجه التحديد، كانت براجيريزوبيوم يابونيكوم، التي كانت النوع الوحيد من البكتيريا الجذرية الموجودة في العقد، أيضًا

التكيف الوظيفي لميكروبيوم الجذور

تم استخدام التحليل الميتاجينومي بعد ذلك للتحقيق في التغيرات التكيفية الوظيفية في ميكروبيوم الجذور عبر علاجات التسميد (الشكل 6). تم توضيح الجينات المكتشفة باستخدام قواعد بيانات KEGG و COG و CAZy، وأظهر التحليل انخفاضًا كبيرًا في وظائفها. -تنوع في معالجة -N مقارنة بالتحكم ( )، بينما لم تتأثر العلاجات -P و -K (الشكل 6A-C).

استنتاج الشبكة للميكروبيوم الجذري الأساسي

عنقود غني بالنيتروجين المنخفض يعزز نمو النباتات

الشكل 6 | الملفات الوظيفية لميكروبيوم الجذور في علاجات مختلفة. الوظائف -تنوع (يسار) و -تنوع (يمين) ميكروبيوم الجذور في كل معالجة استنادًا إلى قواعد بيانات KEGG (A) و COG (B) و CAZy (C) ( عينات التربة). تمثل النجوم مستوى الأهمية ( ) من الوظيفي -التنوع بين معالجة التحكم والمعالجة غير المتوازنة للتسميد استنادًا إلى اختبار كروسكال-واليس مع تحليل دان بعد الاختبار. مستوى الدلالة الوظيفية تم تقييم التنوع بين العلاجات بواسطة تحليل التباين الشبيه بـ ANOVA

اختبار التبديل. دقيق -تُدرج القيم في ملف بيانات المصدر. تشير الرسوم البيانية الصندوقية إلى الوسيط (الخط المركزي)، والنسبة المئوية 25 و75 (الصندوق)، ونطاق القيم غير الشاذة (الخطوط المتفرعة). اختلافات الجينات الوظيفية المرتبطة بـ ، و ركوب الدراجات. تمثل النجوم مستوى الأهمية ، بين معالجة التحكم ومعالجة التسميد غير المتوازن استنادًا إلى اختبار ويلكوكسون المزدوج. تم توفير بيانات المصدر كملف بيانات مصدر.

الشكل 7 | تباين الكتل البيئية (وحدات الشبكة) في منطقة الجذور ووظائفها في تعزيز نمو النبات. A شبكة مرئية للعلاقات والتجزئة. B ثراء ASV والتصنيف لكل وحدة. C الوفرة المطلقة التراكمية لكل وحدة في العلاجات المختلفة. بيانات الوفرة المطلقة المتوسطة لكل مرحلة). تمثل النجوم في (C) مستوى الدلالة ( ) بين معالجة التحكم والمعالجة غير المتوازنة للتسميد استنادًا إلى اختبار كروسكال-واليس مع تحليل دان بعد الاختبار. دقيق تُدرج القيم في ملف بيانات المصدر. أربع نقاط بيانات ذات وفرة مطلقة تتجاوز نسخ لا تظهر بسبب قيود المحور Y. مطابقة ASVs المودولية مع سلالات بكتيرية معزولة للحصول على SynComs.

نقاش

طرق

تصميم التجارب، أخذ العينات، وقياس الخصائص الكيميائية للتربة

عينة المعالجة المسبقة واستخراج الحمض النووي الكلي

تسلسل الجينوم عالي الإنتاجية وتحليل المعلومات الحيوية

تسلسل الميتاجينوم، التجميع، والتصنيف

تحليل شبكة التواجد المشترك

عزل الميكروبات من منطقة الجذور والتحقق التجريبي

توصيف صفات تعزيز نمو النباتات (PGP) في المجتمعات الاصطناعية

التحليل الإحصائي

ملخص التقرير

توفر البيانات

توفر الشيفرة

References

1. Berendsen, R. L., Pieterse, C. M. J. & Bakker, P. A. The rhizosphere microbiome and plant health. Trends Plant Sci. 17, 478-486 (2012).
2. Chaparro, J. M., Badri, D. V. & Vivanco, J. M. Rhizosphere microbiome assemblage is affected by plant development. ISME J. 8, 790-803 (2014).
3. Xiong, C. et al. Plant developmental stage drives the differentiation in ecological role of the maize microbiome. Microbiome 9, 171 (2021).
4. Zhang, J. et al. Root microbiota shift in rice correlates with resident time in the field and developmental stage. Sci. China Life Sci. 61, 613-621 (2018).
5. Zhalnina, K. et al. Dynamic root exudate chemistry and microbial substrate preferences drive patterns in rhizosphere microbial community assembly. Nat. Microbiol. 3, 470-480 (2018).
6. Yang, H. et al. Temporal complementarity between roots and mycorrhizal fungi drives wheat nitrogen use efficiency. N. Phytol. 236, 1168-1181 (2022).
7. Wang, X. et al. An amplification-selection model for quantified rhizosphere microbiota assembly. Sci. Bull. 65, 983-986 (2020).
8. Tkacz, A., Hortala, M. & Poole, P. S. Absolute quantitation of microbiota abundance in environmental samples. Microbiome 6, 110 (2018).
9. Guo, X. et al. Host-associated quantitative abundance profiling reveals the microbial load variation of root microbiome. Plant Commun. 1, 100003 (2020).
10. . et al. Drought delays development of the sorghum root microbiome and enriches for monoderm bacteria. Proc. Natl Acad. Sci. USA 115, E4284-E4293 (2018).
11. Santos-Medellin, C. et al. Prolonged drought imparts lasting compositional changes to the rice root microbiome. Nat. Plants 7, 1065-1077 (2021).
12. Schulte-Uebbing, L. F., Beusen, A. H. W., Bouwman, A. F. & de Vries, W. From planetary to regional boundaries for agricultural nitrogen pollution. Nature 610, 507-512 (2022).
13. Mariotte, P. et al. Plant-soil feedback: bridging natural and agricultural sciences. Trends Ecol. Evol. 33, 129-142 (2018).
14. Zhang, T., Chen, H. Y. H. & Ruan, H. Global negative effects of nitrogen deposition on soil microbes. ISME J. 12, 1817-1825 (2018).
15. Dai, Z. et al. Long-term nitrogen fertilization decreases bacterial diversity and favors the growth of Actinobacteria and Proteobacteria in agro-ecosystems across the globe. Glob. Chang Biol. 24, 3452-3461 (2018).
16. Liang, Y. et al. Century long fertilization reduces stochasticity controlling grassland microbial community succession. Soil Biol. Biochem 151, 108023 (2020).
17. Du, E. et al. Global patterns of terrestrial nitrogen and phosphorus limitation. Nat. Geosci. 13, 221-226 (2020).
18. Yu, P. et al. Plant flavones enrich rhizosphere Oxalobacteraceae to improve maize performance under nitrogen deprivation. Nat. Plants 7, 481-499 (2021).
19. Ortiz-Barbosa, G. S., Torres-Martínez, L., Rothschild, J. & Sachs, J. L. Lotus japonicus regulates root nodulation and nitrogen fixation dependent on the molecular form of nitrogen fertilizer. Plant Soil 483, 533-545 (2023).
20. Santachiara, G., Salvagiotti, F. & Rotundo, J. L. Nutritional and environmental effects on biological nitrogen fixation in soybean: a meta-analysis. Field Crops Res. 240, 106-115 (2019).
21. Mendes, L. W., Kuramae, E. E., Navarrete, A. A., van Veen, J. A. & Tsai, S. M. Taxonomical and functional microbial community selection in soybean rhizosphere. ISME J. 8, 1577-1587 (2014).
22. Oppenheimer-Shaanan, Y. et al. A dynamic rhizosphere interplay between tree roots and soil bacteria under drought stress. eLife 11, e79679 (2022).
23. Fan, K. et al. Biodiversity of key-stone phylotypes determines crop production in a 4-decade fertilization experiment. ISME J. 15, 550-561 (2021).
24. Fierer, N., Bradford, M. A. & Jackson, R. B. Toward an ecological classification of soil bacteria. Ecology 88, 1354-1364 (2007).
25. Ling, N., Wang, T. & Kuzyakov, Y. Rhizosphere bacteriome structure and functions. Nat. Commun. 13, 836 (2022).
26. Lidbury, I. et al. Niche-adaptation in plant-associated Bacteroidetes favours specialisation in organic phosphorus mineralisation. ISME J. 15, 1040-1055 (2021).
27. Bulgarelli, D. et al. Revealing structure and assembly cues for Arabidopsis root-inhabiting bacterial microbiota. Nature 488, 91-95 (2012).
28. Viaene, T., Langendries, S., Beirinckx, S., Maes, M. & Goormachtig, S. Streptomyces as a plant’s best friend? FEMS Microbiol. Ecol. 92, 1-10 (2016).
29. Lee, S. M., Kong, H. G., Song, G. C. & Ryu, C. M. Disruption of Firmicutes and Actinobacteria abundance in tomato rhizosphere causes the incidence of bacterial wilt disease. ISME J. 15, 330-347 (2021).
30. Develey-Riviere, M. P. & Galiana, E. Resistance to pathogens and host developmental stage: a multifaceted relationship within the plant kingdom. N. Phytol. 175, 405-416 (2007).
31. Edwards, J. A. et al. Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice. PLoS Biol. 16, e2003862 (2018).
32. Zhong, Y., Tian, J., Li, X. & Liao, H. Cooperative interactions between nitrogen fixation and phosphorus nutrition in legumes. N. Phytol. 237, 734-745 (2023).
33. Shi, J., Wang, X. & Wang, E. Mycorrhizal symbiosis in plant growth and stress adaptation: from genes to ecosystems. Annu. Rev. Plant Biol. 74, 569-607 (2023).
34. Shi, J. et al. A phosphate starvation response-centered network regulates mycorrhizal symbiosis. Cell 184, 5527-5540 (2021).
35. Ma, W. et al. Response of microbial functional groups involved in soil N cycle to N, P, and NP fertilization in Tibetan alpine meadows. Soil Biol. Biochem. 101, 195-206 (2016).
36. Wei, X. et al. Effect of P stoichiometry on the abundance of nitrogencycle genes in phosphorus-limited paddy soil. Biol. Fertil. Soils 53, 767-776 (2017).
37. Liu, W. et al. Long-term nitrogen input alters plant and soil bacterial, but not fungal beta diversity in a semiarid grassland. Glob. Chang Biol. 27, 3939-3950 (2021).
38. Cafaro La Menza, N., Monzon, J. P., Specht, J. E. & Grassini, P. Is soybean yield limited by nitrogen supply? Field Crops Res. 213, 204-212 (2017).
39. Hassani, M. A., Duran, P. & Hacquard, S. Microbial interactions within the plant holobiont. Microbiome 6, 58 (2018).
40. Layeghifard, M., Hwang, D. M. & Guttman, D. S. Disentangling interactions in the microbiome: a network perspective. Trends Microbiol. 25, 217-228 (2017).
41. Toju, H. et al. Core microbiomes for sustainable agroecosystems. Nat. Plants 4, 247-257 (2018).
42. Carrión, V. J. et al. Pathogen-induced activation of diseasesuppressive functions in the endophytic root microbiome. Science 366, 606-612 (2019).
43. Faust, K. & Raes, J. Microbial interactions: from networks to models. Nat. Rev. Microbiol. 10, 538-550 (2012).
44. Dai, T. et al. Nutrient supply controls the linkage between species abundance and ecological interactions in marine bacterial communities. Nat. Commun. 13, 175 (2022).
45. Bai, B. et al. The root microbiome: community assembly and its contributions to plant fitness. J. Integr. Plant Biol. 64, 230-243 (2022).
46. Xun, W. et al. Specialized metabolic functions of keystone taxa sustain soil microbiome stability. Microbiome 9, 35 (2021).
47. Delgado-Baquerizo, M. et al. A global atlas of the dominant bacteria found in soil. Science 359, 320-325 (2018).
48. Banerjee, S., Schlaeppi, K. & van der Heijden, M. G. A. Keystone taxa as drivers of microbiome structure and functioning. Nat. Rev. Microbiol 16, 567-576 (2018).
49. Han, Q. et al. Variation in rhizosphere microbial communities and its association with the symbiotic efficiency of rhizobia in soybean. ISME J. 14, 1915-1928 (2020).
50. Wang, X. et al. Mycorrhizal symbiosis modulates the rhizosphere microbiota to promote rhizobia-legume symbiosis. Mol. Plant 14, 503-516 (2021).
51. Zgadzaj, R. et al. Root nodule symbiosis in Lotus japonicus drives the establishment of distinctive rhizosphere, root, and nodule bacterial communities. Proc. Natl Acad. Sci. USA 113, E7996-E8005 (2016).
52. Gao, Z., Karlsson, I., Geisen, S., Kowalchuk, G. & Jousset, A. Protists: puppet masters of the rhizosphere microbiome. Trends Plant Sci. 24, 165-176 (2019).
53. Deveau, A. et al. Bacterial-fungal interactions: ecology, mechanisms and challenges. FEMS Microbiol. Rev. 42, 335-352 (2018).
54. Edwards, J. et al. Structure, variation, and assembly of the rootassociated microbiomes of rice. Proc. Natl Acad. Sci. USA 112, E911-920 (2015).
55. Bai, Y. et al. Functional overlap of the Arabidopsis leaf and root microbiota. Nature 528, 364-369 (2015).
56. Bolyen, E. et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nat. Biotechnol. 37, 852-857 (2019).
57. Callahan, B. J. et al. DADA2: High-resolution sample inference from Illumina amplicon data. Nat. Methods 13, 581-583 (2016).
58. McDonald, D. et al. An improved Greengenes taxonomy with explicit ranks for ecological and evolutionary analyses of bacteria and archaea. ISME J. 6, 610-618 (2012).
59. Katoh, K., Misawa, K., Kuma, K. & Miyata, T. MAFFT: a novel method for rapid multiple sequence alignment based on fast Fourier transform. Nucleic Acids Res. 30, 3059-3066 (2002).
60. Price, M. N., Dehal, P. S. & Arkin, A. P. FastTree 2-approximately maximum-likelihood trees for large alignments. PLoS One 5, e9490 (2010).
61. Liu, Y. X. et al. A practical guide to amplicon and metagenomic analysis of microbiome data. Protein Cell 12, 315-330 (2021).
62. Li, D., Liu, C. M., Luo, R., Sadakane, K. & Lam, T. W. MEGAHIT: an ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph. Bioinformatics 31, 1674-1676 (2015).
63. Gurevich, A., Saveliev, V., Vyahhi, N. & Tesler, G. QUAST: quality assessment tool for genome assemblies. Bioinformatics 29, 1072-1075 (2013).
64. Langmead, B. & Salzberg, S. L. Fast gapped-read alignment with Bowtie 2. Nat. Methods 9, 357-359 (2012).
65. Hyatt, D. et al. Prodigal: prokaryotic gene recognition and translation initiation site identification. BMC Bioinform. 11, 119 (2010).
66. Li, W. & Godzik, A. Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences. Bioinformatics 22, 1658-1659 (2006).
67. Patro, R., Duggal, G., Love, M. I., Irizarry, R. A. & Kingsford, C. Salmon provides fast and bias-aware quantification of transcript expression. Nat. Methods 14, 417-419 (2017).
68. Cantalapiedra, C. P., Hernandez-Plaza, A., Letunic, I., Bork, P. & Huerta-Cepas, J. eggNOG-mapper v2: functional annotation, orthology assignments, and domain prediction at the metagenomic scale. Mol. Biol. Evol. 38, 5825-5829 (2021).
69. Buchfink, B., Reuter, K. & Drost, H. G. Sensitive protein alignments at tree-of-life scale using DIAMOND. Nat. Methods 18, 366-368 (2021).
70. Drula, E. et al. The carbohydrate-active enzyme database: functions and literature. Nucleic Acids Res. 50, D571-D577 (2022).
71. Wu, Y. W., Simmons, B. A. & Singer, S. W. MaxBin 2.0: an automated binning algorithm to recover genomes from multiple metagenomic datasets. Bioinformatics 32, 605-607 (2016).
72. Kang, D. D. et al. MetaBAT 2: an adaptive binning algorithm for robust and efficient genome reconstruction from metagenome assemblies. PeerJ 7, e7359 (2019).
73. Parks, D. H., Imelfort, M., Skennerton, C. T., Hugenholtz, P. & Tyson, G. W. CheckM: assessing the quality of microbial genomes recovered from isolates, single cells, and metagenomes. Genome Res. 25, 1043-1055 (2015).
74. Olm, M. R., Brown, C. T., Brooks, B. & Banfield, J. F. dRep: a tool for fast and accurate genomic comparisons that enables improved genome recovery from metagenomes through de-replication. ISME J. 11, 2864-2868 (2017).
75. Yuan, M. M. et al. Climate warming enhances microbial network complexity and stability. Nat. Clim. Chang 11, 343-348 (2021).
76. Bastian, M., Heymann, S., Jacomy, M. Gephi: an open source software for exploring and manipulating networks. In Proc. 3rd International ICWSM Conference, 361-362 https://ojs.aaai.org/index. php/ICWSM (AAAI Press, Palo Alto, California USA, 2009).
77. Shi, S. et al. The interconnected rhizosphere: High network complexity dominates rhizosphere assemblages. Ecol. Lett. 19, 926-936 (2016).
78. al. Auxin-producing bacteria promote barley rhizosheath formation. Nat. Commun. 14, 5800 (2023).
79. Penrose, D. M. & Glick, B. R. Methods for isolating and characterizing ACC deaminase-containing plant growth-promoting rhizobacteria. Physiol. Plant 118, 10-15 (2003).
80. Joshi, S., Gangola, S., Jaggi, V. & Sahgal, M. Functional characterization and molecular fingerprinting of potential phosphate solubilizing bacterial candidates from Shisham rhizosphere. Sci. Rep. 13, 7003 (2023).
81. Zhang, L. M. et al. Biochemical mechanism of phosphorus limitation impairing nitrogen fixation in diazotrophic bacterium Klebsiella variicola W12. J. Sustain. Agric. Environ. 1, 108-117 (2022).
82. Nakagawa, S., Schielzeth, H. & O’Hara, R. B. A general and simple method for obtaining from generalized linear mixed-effects models. Methods Ecol. Evol. 4, 133-142 (2013).
83. Oksanen, J. et al. The vegan package. Community Ecol. Package 10, 631-637 (2007).
84. Gu, Z., Eils, R. & Schlesner, M. Complex heatmaps reveal patterns and correlations in multidimensional genomic data. Bioinformatics 32, 2847-2849 (2016).
85. Letunic, I. & Bork, P. Interactive Tree Of Life (iTOL) v5: an online tool for phylogenetic tree display and annotation. Nucleic Acids Res. 49, W293-W296 (2021).

شكر وتقدير

مساهمات المؤلفين

المصالح المتنافسة

معلومات إضافية

معلومات إعادة الطبع والتصاريح متاحة على

Dynamic root microbiome sustains soybean productivity under unbalanced fertilization

Results

Effects of fertilization on soil chemical properties and soybean performance

Changes in root-associated microbial diversity across plant developmental stages

Fig. 1 | The experimental design and the responses of soil mineral nutrients and soybean yield to unbalanced fertilization. A the field experiment was arranged in a completely randomized block design. Four treatments, including complete fertilization (NPK fertilizer, Control) and a lack of N, P, or K fertilizer (i.e., -N, -P, and -K treatments), have been applied as part of a soybean-maize-wheat rotation (one crop/year) since 1979. The root-associated compartments of soybean, including the rhizosphere soil, root endosphere, and nodules, were subjected to 16S rRNA gene, gene, and metagenomic sequencing across plant developmental stages. B chemical properties of the bulk soils in different fertilization treatments before

Fig. 2 | Temporal dynamics of root-associated bacterial diversity in different treatments by quantitative microbiome profiling (QMP). A bacterial -diversity (Shannon index) in the bulk soils of each treatment ( soil samples). The box plots indicate the median (center line), the 25th and 75th percentiles (box), and the range of non-outlier values (whiskers). The “n.s.” represents the non-significance of the Shannon index between Control and unbalanced fertilization treatments by Kruskal-Wallis test with Dunn’s post hoc analysis. Dynamics of bacterial -diversity in different treatments across plant developmental stages in the rhizosphere (B) and root endosphere (C). Error bands show the standard deviation (SD). D bacterial

Assembly of root-associated microbiome during plant development

The bacterial loads in both the rhizosphere and endosphere exhibited increasing trends with plant development, and bacterial abundances
were comparable across days copies in the rhizosphere and copies in the endosphere), but gradually increased and reached their highest abundance at day copies in the rhizosphere and copies in the endosphere) (Fig. 3, Supplementary Fig. 6). Fertilization treatments had a significant effect on bacterial loads (Supplementary Table 5), and the microbial load was found to be consistently reduced in the rhizosphere of the -P treatment compared to the Control, especially at later developmental stages, showing bacterial load reductions of and at days 42,60 , and 72 , respectively ( , Fig. 3B). By contrast, the change of bacterial loads between Control and -P treatment in the endosphere was hardly observed and not consistent during plant developmental stages (Fig. 3C).

Root-associated microbiome in response to fertilization

Fertilization treatments had a significant effect on the composition and dynamics of the root-associated microbiome (Figs. 2, 3). At the phylum level, the abundance of Acidobacteria was consistently reduced in the -N treatment compared to the Control in both bulk soils and the rhizosphere ( ), whereas it remained relatively stable in the endosphere (Supplementary Fig. 7). For the -P treatment, most of the phyla in the rhizosphere were specifically reduced relative to the Control ( ), especially the Bacteroidetes, but this was not the case in bulk soils and the endosphere. The bacterial phyla were not strongly impacted by a reduction in K fertilization ( -K ), with only Saccharibacteria showing a significantly lower rhizosphere abundance than in Control ( ). Meanwhile, the -N treatment significantly increased, and the -P treatment reduced, rhizobial abundance in the rhizosphere in comparison to the Control based on the rpoB gene ( , Supplementary Fig. 8), consistent with the observed increase in the number and diameter of root nodules in the -N treatment relative to the Control (Supplementary Fig. 2). Specifically, Bradyrhizobium japonicum, which was the only rhizobial species found in nodules, also

Functional adaptation of the rhizosphere microbiome

Metagenomic analysis was then used to investigate functional adaptive changes in the rhizosphere microbiome across fertilization treatments (Fig. 6). Detected genes were annotated using KEGG, COG and CAZy databases, and analysis showed a significant reduction of their functional -diversity in the -N treatment relative to the Control ( ), while the -P and -K treatments were not affected (Fig. 6A-C).

Network inference of the core rhizosphere microbiome

A low-nitrogen-enriched cluster promotes plant growth

Fig. 6 | Functional profiles of rhizosphere microbiome in different treatments. Functional -diversity (left) and -diversity (right) of rhizosphere microbiome in each treatment based on the KEGG (A), COG (B), and CAZy (C) databases ( soil samples). The asterisks represent the level of significance ( ) of functional -diversity between Control and unbalanced fertilization treatments based on Kruskal-Wallis test with Dunn’s post hoc analysis. The significance level of functional -diversity among treatments was assessed by the ANOVA-like

permutation test. Exact -values are listed in the Source Data file. The box plots indicate the median (center line), the 25th and 75th percentiles (box), and the range of non-outlier values (whiskers). differences of functional genes associated with , and cycling. The asterisks represent the level of significance , ) between Control and unbalanced fertilization treatments based on the paired Wilcoxon test (two-sided). Source data are provided as a Source Data file.

Fig. 7 | Variance of ecological clusters (network modules) in the rhizosphere and their functions in plant growth promotion. A visualized network associations and modularity. B ASV richness and taxonomy of each module. C Cumulative absolute abundance of each module in different treatments ( averaged absolute abundance data for each stage). The asterisks in (C) represent the level of significance ( ) between Control and unbalanced fertilization treatments based on Kruskal-Wallis test with Dunn’s post hoc analysis. Exact values are listed in the Source Data file. Four data points with absolute abundance exceeding copies are not shown because of the limitation of Y -axis. D Matching modular ASVs with isolated bacterial strains to obtain SynComs.

Discussion

Methods

Experimental design, sampling, and measurement of soil chemical properties