农业景观中的土壤微节肢动物生物多样性：通过DNA宏条形码技术重新评估QBS指数

《Applied Soil Ecology》：Soil microarthropod biodiversity in agricultural landscapes: Revisiting the QBS index through DNA metabarcoding

　　维德·纳利奇（Vid Nagli?）| 蒂贾娜·马蒂诺维奇（Tijana Martinovi?）| 娜塔莎·希班茨（Nata?a ?ibanc）| 蒂内·格雷本茨（Tine Grebenc）| 保罗·亨宁·克罗格（Paul Henning Krogh）| 鲁马坎塔·萨普科塔（Rumakanta Sapkota）| 安妮·温丁（Anne Winding）| 罗伯特·莱斯科夫谢克（Robert Leskov?ek）| 伊雷娜·贝顿采利（Irena Bertoncelj）
斯洛文尼亚农业研究所农业生态与自然资源系，哈克托瓦街17号（Hacquetova ulica 17），1000，卢布尔雅那（Ljubljana），斯洛文尼亚

**摘要**
“土壤生物质量”（Qualità Biologica del Suolo，简称QBS-ar）指数通过将节肢动物归类到称为“生物形态”（biological forms）的形态分类群中来快速、低成本地评估土壤生物质量。尽管该指数被广泛使用，但其较低的分类分辨率和对专家定义评分的依赖限制了其对细微管理影响的敏感性。因此，我们通过分析在耕作强度和生产系统方面存在差异的七种农业处理下的土壤微型节肢动物群落，评估了DNA宏条形码技术是否能够补充和完善基于QBS的评估方法。利用COI宏条形码技术，我们比较了分子数据和QBS数据集中的α-多样性和β-多样性模式，评估了不同QBS指数变体与DNA扩增子序列变体（ASV）丰富度之间的关系，并探讨了基于类似QBS特征评分的初步DNA衍生指数的潜力。DNA宏条形码技术能够清晰地区分不同的生产系统和处理方式，而QBS仅能部分实现这一点；此外，它还揭示了减少干扰和有机管理特有的指示性分类单元。QBS指数能够区分主要的生产系统，但对系统内部的变异反应较弱。ASV丰富度与QBS-ar之间的相关性因生产系统而异，表明指数表现取决于具体背景。实验性DNA衍生的QBS指数（QBS-DNA）保留了类似QBS的特征信号，显示出与基于形态的QBS-ar和QBS-ar_BF的正相关关系，但未能显著区分不同处理方式。这些结果表明，QBS-DNA可以作为将基于特征的土壤质量指标转化为分子生物多样性评估的概念验证框架。随着分子工具和特征数据库的不断发展，宏条形码技术使得基于明确物种水平功能特征的下一代土壤生物多样性指标的开发成为可能，从而超越了传统QBS方法的局限，同时保持了其生态学意义。

**1. 引言**
土壤生物多样性是陆地生态系统的生命基础，因为土壤生物驱动着养分循环及其他支持生态系统功能和农业生产力的关键过程（Neher和Barbercheck，2019），从而支撑了全球95%以上的食物生产（Delgado-Baquerizo等人，2025）。微型节肢动物在这一生态系统中扮演着关键角色，其中螨虫和弹尾虫占全球土壤节肢动物总量的95%以上及其生物量的约20%（Rosenberg等人，2023）。它们的功能多样，包括将微生物分解者与更高等级的生物联系起来，加速养分转化，并重新分配微生物“热点”（Gergócs等人，2022；Heneghan和Bolger，1998）。由于许多微型节肢动物在一个种植季节内完成多代繁殖（Fountain和Hopkin，2005），并且能够在几天内对水分、温度或化学投入的变化做出反应（Liu等人，2017），它们日益被视为土壤健康和农业可持续性的敏感生物指标（Meyer等人，2021）。

传统的微型节肢动物调查方法依赖于从土壤样本中提取的个体的形态鉴定，通常使用Berlese-Tullgren漏斗或MacFadyan高梯度提取器（Bruckner，2024；Petersen，1978）。虽然这些方法信息量丰富，但它们劳动密集、需要分类学专业知识，并且在鉴定隐秘或幼体生命阶段时存在分辨率限制（Porco等人，2012；Sun等人，2017）。此外，操作者间的变异性可能导致结果偏差，降低研究的可比性。标准化措施（例如ISO 23611-2:2024）正是为了解决这些问题而制定的。此外，联合国粮食及农业组织全球土壤伙伴关系（FAO Global Soil Partnership）正在制定额外指南，其GLOSOLAN手册将包含标准化的QBS评估程序（FAO，2025）。然而，分类学专业知识的缺乏进一步限制了研究效率（L?bl等人，2023）。为了解决这些限制，Parisi等人（2005）开发了QBS指数（Qualità Biologica del Suolo）作为快速的生物指示工具。该指数基于预定义的形态分类群“生物形态”（BF）的存在或缺失进行评分，每个生物形态都对应一个反映其在土壤中生存适应性的分数。由于其简单性、低成本和对分类学专业知识的需求较低，这一指数已在一些土壤研究中得到应用，尤其是在欧洲，这些研究证明了它在区分土地用途、污染水平或土壤管理类型等方面的实用性（Gallese等人，2025；Gardini等人，2025；Reilly等人，2023）。然而，QBS方法也存在一些局限性：首先，生态形态指数（EMI）分数反映的是对土壤生活的形态和功能适应程度（如体色变化、眼睛缺失），这些分数是基于专家判断的近似值，可能无法捕捉不同生物地理区域的特征变异（Menta等人，2018）。尽管近年来QBS-ar指数也在其他生物地理区域得到应用（Galli等人，2021；Lakshmi等人，2021），但它将整个分类群简化为单一数值，牺牲了分类和功能分辨率（Tóth等人，2025）；其次，它依赖于存在/缺失数据，因此结果可能极易受到采样时间和稀有分类单元的影响（Gallese等人，2025）。

在这种背景下，环境DNA的宏条形码技术作为土壤生物多样性评估的有前景方法应运而生（Basset等人，2022）。通过针对标准化遗传标记（如线粒体细胞色素c氧化酶I，COI），宏条形码技术可以在传统形态鉴定所需时间的一小部分内快速生成大量土壤样本的分类列表（Oliverio等人，2018；Young和Hebert，2022），从而克服了形态鉴定的许多局限。然而，仍存在一些方法学和解释上的挑战：参考数据库不完整，导致许多土壤序列未被分类（Recuero等人，2024）；PCR扩增偏差、线粒体拷贝数差异以及生物体大小不同等因素意味着读数计数不能可靠地代表生物体数量；此外，个体内的COI变异可能会被错误分类为独立分类单元（Deiner等人，2017；Elbrecht和Leese，2015）。土壤DNA提取物中可能含有细胞外和遗留DNA，因此检测到的存在并不一定意味着有活的生物体（Carini等人，2016；Nagler等人，2018）。最后，生物信息学流程尚未标准化，生态解释仍需要将分类列表与功能特征或指标框架联系起来（Pawlowski等人，2018）。随着参考数据库（如Biodiversa+欧洲生物多样性伙伴关系开发的倡议）、实验室协议（如GLOSOLAN、EUSO）和最佳实践指南（Ramirez等人，2015）的不断改进，这些挑战正在逐步得到缓解。然而，在提出宏条形码技术作为监测工具时，必须认识到这些限制。此外，一旦克服了这些限制，宏条形码技术便可以实现标准化、可重复的评估，便于在不同研究、生态系统和分类单元之间进行推广。

近期研究越来越多地采用DNA宏条形码技术来探索农业景观中的土壤微型节肢动物多样性（K?ninger等人，2025；Sahdra等人，2025；Sapkota等人，2025）；然而，其在农业监测中的广泛应用在全球范围内仅占eDNA研究的一小部分（Kestel等人，2022）。这些研究通常比基于形态分类的研究显示出更高的丰富度和更细致的分类分辨率（Basset等人，2022），并且能够检测到传统方法可能忽略的细微处理差异。宏条形码技术为形态观察提供了独立验证（Cuartero等人，2025）。除了质量控制功能外，序列数据还可以更可靠地为QBS指数提供EMI分数，揭示每个生物形态内的物种水平更替情况，并检测出那些有助于提高指数对干扰敏感性的专性土壤生物谱系。标准化的读数计数甚至可能支持基于主导权的DNA-QBS-ab类似指数。相反，传统的QBS分数可以通过对DNA结果的形态学验证来提供补充，突出显示由于扩增偏差、遗留DNA、地上生物体DNA或数据库空缺可能扭曲的群落特征。新通过的欧盟土壤监测法明确鼓励多指标整合（欧洲议会和欧盟理事会，2025）。将这些反馈循环纳入常规工作流程将使土壤监测从并行指标体系走向统一的、基于特征的体系。

早期研究表明，节肢动物群落结构受生境特征（Lazzerini等人，2007）和农业管理实践的影响；减少耕作和有机或低强度管理方式通常能支持更高的土壤节肢动物丰富度（Bengtsson等人，2005；Lichtenberg等人，2017；Tsiafouli等人，2015）。因此，我们的目标是：（1）比较基于BF识别和COI-DNA宏条形码技术的土壤生物多样性指标；（2）评估每种方法检测生产系统和处理方式差异的能力；（3）探讨DNA宏条形码技术是否能补充或改进QBS指数的计算和解释。我们假设：（H1）DNA宏条形码技术能捕获更丰富的群落；（H2）宏条形码技术得出的β多样性比基于QBS的方法更清晰地区分生产系统；（H3）高通量测序COI条形码区域能检测到基于存在与否的QBS方法可能忽略的处理水平差异和细微组成变化。我们预计QBS指数能够区分不同生产系统，但对处理方式的细微差异反应较弱。最后，我们建议将宏条形码数据与物种水平特征信息相结合，有助于完善EMI分数，并可能帮助开发新的、以功能为导向的指标，以补充基于形态的QBS框架。在之前基于QBS的基线研究（Nagli?等人，2025）的基础上，我们采用了多种方法学方法来评估土壤微型节肢动物群落对不同农业管理系统响应的情况，这些方法为我们的目标和假设提供了实证基础。

**2. 材料与方法**
**2.1. 研究地点**
研究在斯洛文尼亚农业研究所的两个研究地点进行，包括三种不同的农业生产系统：贾布列（Jablje）基础设施中心的耕地（北纬46.141204，东经14.571509）；以及布尔多（Brdo）基础设施中心的草莓系统和果园（北纬46.166927，东经14.680106）。这两个地点具有相似的气候条件，都属于温带湿润气候区（K?ppen分类法中的Cfbw'），夏季温暖，秋季降水量较高（Ogrin等人，2023）。年降水量在1300至1400毫米之间，年平均温度在10至12摄氏度之间（斯洛文尼亚环境署，2023）。贾布列研究地点的土壤被归类为Eutric Cambisol，为冲积卵石和沙质壤土；布尔多地点则为Dystric Cambisol，为粉质壤土。采样设计的示意图见补充图S1。

**2.2. 实验设计与土壤采样**
采样于2023年春季进行，共涉及三种生产系统：（1）三个相邻的耕地（每个面积为490×24米），采用三种耕作方式（传统耕作、最小耕作和免耕）；（2）采用有机和综合管理方式的草莓系统；（3）也采用有机和综合管理方式的苹果果园。为了便于图表和统计结果的清晰展示，每种处理方式都用一个简洁的二维代码标识：第一个数字代表管理方式，第二个数字代表种植方式。这些代码及其一致的绘图颜色在整个结果部分中均得到使用。因此，CT-A、MT-A和NT-A分别代表传统耕作、最小耕作和免耕处理方式（用蓝色表示）；INT-O和ORG-O代表综合管理和有机管理的苹果果园（用绿色表示）；INT-S和ORG-S代表综合管理和有机管理的草莓系统（用橙色表示）。尾随的数字表示重复实验（例如NT-A-1/3）。每个处理组内的每个田块都有十个重复样本（n=10），均匀分布在各个处理方式中。共收集了70个土壤样本。每个QBS重复样本由相隔约5米的三个土芯组成，之后沿田块方向再向前移动约10米采集下一个三个土芯样本。第三个样本组包含第四个额外土芯，间隔相同。额外的子样本作为备用，以防样本丢失或处理失败。在草莓系统和果园中，由于地块较小，采样策略相同，但样本间距更短。在这两个系统中，样本既从行内区域（作物冠层下，6个样本）也从行间区域（4个样本）采集，确保覆盖典型的微生境。所有土壤样本均使用标准土壤取样器（内径11.3厘米）采集，深度为10厘米，每个样本约采集1升土壤。QBS分析的样本按照Parisi等人（2005）的协议进行采集，该协议要求采集完整的土壤芯样本而不破坏其结构，以便后续提取和鉴定土壤微型节肢动物。在QBS样本的直接相邻位置（距离相应的土芯<10厘米范围内），使用相同的取芯工具和深度采集了10个用于DNA分析的土壤样本，以确保两个数据集在空间上的可比性。虽然用于QBS分析的土壤未被扰动，但用于分子分析的土壤是在现场在一个密封的塑料袋内手工混匀的。大约40毫升的土壤被提取出来用于DNA提取和后续分析，剩余的土壤被丢弃。由于QBS方法使用的是单个完整的土芯，因此没有为DNA分析进行技术重复实验。由于这两种方法都是针对均匀田地中的同一小尺度单元进行的，因此只收集了生物学重复样本（每个田地10个）以确保方法之间的可比性。

2.3 土壤微小节肢动物的QBS分析

田间采样后，土壤样本被装入塑料袋中，并存放在一个绝缘箱中。运输过程中没有对样本进行主动冷却，但避免了加热，并在采集后24小时内进行了提取。土壤中型动物的评估遵循了标准化的QBS-ar协议（Parisi等人，2005年），该协议经过修改以计算两个额外的指数：QBS-ar_BF（D'Avino等人，2024年）和QBS-ab（Mantoni等人，2021年）。土壤中型动物的提取使用的是Kempson提取器（ecoTech，德国波恩），按照QBS-ar提取指南（D'Avino等人，2024年）进行，使用的是完整的土壤芯。样本通过热空气从上方逐渐加热，提取器设置为30°C，持续约10天。为了在土壤样本中形成垂直的温度和水分梯度，在提取过程中提取器的门稍微保持打开状态。除了这种配置外，没有偏离标准的QBS提取协议。土壤样本被放置在一个由5毫米支撑网和2毫米提取网组成的双层网格系统上。向下迁移的节肢动物被收集在含有70%乙醇和甘油防腐溶液的小瓶中，这些小瓶放置在漏斗下方。提取后，所有节肢动物都在立体显微镜下进行分类和计数。根据原始的QBS协议，生物被归类到纲或目级别（例如，弹尾目、螨目、双尾目、等足目），然后根据生态形态指数（EMI）进一步分类，该指数的范围是从1到20，较高的值表示对土壤环境的适应性更强。EMI分类使用了诸如身体色素、大小、眼睛的存在以及肢体形态等形态特征。这些特征被定义为BFs，这是一种结合了高级分类和形态物种特征差异的操作单位，以反映对土壤环境的适应性。所有提取出的节肢动物个体都被计为BFs，从而提供了基于QBS方法的节肢动物群落的完整描述。每个样本计算了三个指数：QBS-ar：每个样本中每个分类组的最高EMI值之和；QBS-ar_BF：每个样本中所有已识别BFs的EMI值之和（D'Avino等人，2024年）；QBS-ab：对丰度进行对数转换后再乘以EMI值，从而降低弹尾目和螨目等高度丰富组的权重（Mantoni等人，2021年）。本研究中使用的所有土壤生物学质量指数的定义和数学公式在表1中提供。QBS指数的传统计算方法是将每个处理重复样本的三个相邻子样本的数据合并，取每个组观察到的最高EMI值，强调在整个采样区域内高度适应的类群。在我们的研究中，我们以两种不同的方式应用了QBS指数：（1）遵循标准协议，合并每个处理重复样本的三个地理上最接近的子样本（补充表S4）；（2）使用排列组合方法，在每个均匀田地内系统地组合不同的子样本集（结果）。这种排列组合方法使我们能够利用可用数据，通过捕捉多个子样本组合之间的固有变异性和生态信号，提供更具统计稳健性的数据集。

表1. 本研究中使用的土壤生物学质量指数及其数学公式。

| 指数 | 公式 |
|-----------------------------|---------------------------------------------------------|
| QBS-ar (Parisi等人，2005) | 每组内最大BF值；仅考虑存在 | ∑gmaxbf∈g·Pbf |
| QBS-ar_BF (D'Avino等人，2024) | 每组内没有最大值（所有BF都存在） | ∑bf·EMIbf·Pbf |
| QBS-ab (Mantoni等人，2021) | 基于丰度加权 | ∑bf·EMIbf·log10nbf+1 |
| QBS-DNA (本文) | 物种级别；仅考虑存在 | ∑s∈S· Scores |

2.4 土壤微小节肢动物的DNA分析

用于DNA分析的土壤样本在密封的塑料袋中手工混匀，然后抽取约200克的样本并在-20°C下保存待进一步处理。之后，将这200克土壤样本的40毫升样品冻干72小时，并在SPEX SamplePrep 1600 MiniG?珠磨机中使用2.4毫米金属珠（Metal Bead Media，Omni International，美国）进行混匀。按照Qiagen公司的DNeasy PowerSoil Pro Kit说明书，从0.25克混匀的土壤中提取DNA。DNA浓度使用Qubit 4.0荧光计（Invitrogen，美国）进行测量。随后的宏条形码分析工作流程遵循Sapkota等人（2025年）描述的协议。COI区域使用mlCOlintF/jgHCO2198引物（Geller等人，2013年）通过两步PCR和Illumina MiSeq测序进行扩增和双重索引。在第一次PCR（PCR#1）中，使用0.25 μl HiFi聚合酶、5 μl HiFi缓冲液、每种正向和反向引物各0.5 μM、0.5 μl BSA、2 μl模板和不含核酸酶的水，总体积为25 μl。PCR#1的热循环程序包括初始变性温度95°C持续5分钟，接着是十个循环：94°C 30秒、50°C 30秒、72°C 1分钟，再十个循环：94°C 30秒、52°C 30秒、72°C 1分钟，最后十五个循环：94°C 30秒、54°C 30秒，最后在72°C下延伸2分钟。为了实现土壤样本内的垂直温度和湿度梯度，在提取过程中提取器门保持稍微打开状态。除了这种配置外，没有偏离标准的QBS提取协议。土壤样本放在一个由5毫米支撑网和2毫米提取网组成的双层网格系统上。向下迁移的节肢动物被收集在含有70%乙醇和甘油的防腐溶液的小瓶中，这些小瓶放置在漏斗下方。提取后，所有节肢动物都在立体显微镜下进行分类和计数。根据原始的QBS协议，生物被归类到纲或目级别，然后根据生态形态指数（EMI）进一步分类，该指数的范围是从1到20，较高的值表示对土壤环境的适应性更强。EMI分类使用了诸如身体色素、大小、眼睛的存在和肢体形态等形态特征。这些特征被定义为BFs，这是一个结合了高级分类和形态物种特征差异的操作单位，以反映对土壤环境的适应性。所有提取出的节肢动物个体都被计为BFs，从而提供了基于QBS方法的节肢动物群落的完整描述。每个样本计算了三个指数：QBS-ar：每个样本中每个分类组的最高EMI值之和；QBS-ar_BF：每个样本中所有已识别BFs的EMI值之和（D'Avino等人，2024年）；QBS-ab：对丰度进行对数转换后再乘以EMI值，从而降低弹尾目和螨目等高度丰富组的权重（Mantoni等人，2021年）。本研究中使用的所有土壤生物学质量指数的定义和数学公式在表1中提供。

2.5 生物信息学数据处理

配对端的Illumina读段使用QIIME2（v2023.5）进行处理，遵循官方的安装和执行指南（Bolyen等人，2019年）。数据 processing、过滤和统计的详细信息在补充表S1中提供。简要来说，使用manifest文件导入读段，并使用qiime demux summarize进行质量检查以指导修剪决策。去除引物序列，并根据视觉质量概况使用DADA2（Callahan等人，2016年）通过qiime dada2 denoise-paired对读段进行修剪。通过从正向和反向读段的5′端各修剪20 bp（-p-trim-left-f 20；-p-trim-left-r 20）来去除引物序列和低质量的起始碱基。然后修剪质量分数低于Q25的25百分位的读段。DADA2执行了过滤、错误校正、配对读段的合并、嵌合体去除和去重复，以产生Amplicon Sequence Variants（ASVs）。首先从QIIME 2中导出代表性的ASV序列作为FASTA文件。然后使用BOLDigger v3 release 1.4.4（Buchner和Leese，2020年；Buchner和Shah，2025年）进行分类学分配，查询Barcode of Life Data Systems（BOLD）v5 API（2025年2月28日访问）的mode 3，触发“Exhaustive Search”选项。分配遵循BOLD的默认身份阈值，分别为物种级98%、属级95%、科级90%和目级85%的匹配。所有查询批次通过自定义Python脚本与QIIME 2的ASV表连接和合并。首先移除了非动物界的谱系（例如，真菌、原生动物、植物），然后将数据集限制为属于节肢动物的ASVs，从而排除了线虫和环节动物等非节肢动物。在R中进行进一步清洗，移除了在单个样本中仅检测到的ASVs（单例）、非常低丰度的ASVs（总读数<10或相对丰度<0.005%）以及在单个样本中少于五个节肢动物ASVs的样本。使用r包iNEXT v3.0.2中的基于覆盖率的稀释度评估了样本的完整性。关于过滤步骤的详细信息在补充表S2中提供。最后，样本列被重新标记以编码处理和重复信息，以便后续的生态分析。

2.6 统计分析

统计分析在R（版本4.3.1）（R Core Team，2021年）中使用vegan（v2.7–1；Oksanen等人，2022年）、phyloseq（v1.44.0；McMurdie和Holmes，2013年）和ggplot2（v3.5.2；Wickham，2009年）包进行。α多样性指标基于QBS生物形式的丰富度，以及基于过滤后的ASV表的物种丰富度。ASVs用于群落组成和多样性分析，而ASVs的分类聚合用于指示剂分析和QBS-DNA指数的计算。生成了基于样本的稀释度曲线（vegan::specaccum，方法="random"）以评估样本完整性。由于从DNA表中移除了单例/低丰度ASVs，并且QBS的丰富度上限为38个生物形式，我们没有使用基于丰度的丰富度估计器（例如，Chao1）。ANOVA残差的正态性使用Shapiro–Wilk检验进行评估，方差的同质性使用Levene's检验进行评估。当这两个假设都满足时，使用单因素ANOVA比较不同生产和处理之间的α多样性指标，然后使用Tukey's HSD进行事后检验。对于β多样性，计算了QBS和DNA数据集的Bray–Curtis差异。对于DNA数据集，我们还进行了等深度 subsampling到581个读段，以评估不均匀测序深度的潜在影响。由于结果与使用原始数据集获得的结果没有显著差异，我们在最终结果中保留了原始分析。两者都使用非度量多维缩放（NMDS）进行了可视化。为了评估不同处理和生产系统（例如，耕作、果园和草莓系统）之间的群落组成差异，使用了adonis2函数进行了999次排列的PERMANOVA多变量分析。相对丰度使用堆叠条形图进行可视化，使用非参数检验（Kruskal–Wallis）评估不同处理和生产系统之间主要类群的相对丰度差异，必要时使用Dunn's事后检验并进行Holm校正。指示物种分析使用indicspecies（v1.8.0；Cáceres和Legendre，2009年）包进行，使用multipatt函数和999次排列。分析在属和目级别进行。对于DNA宏条形码数据，指示分析是在分类群上进行的，而对于QBS数据，则是在生物形式（BFs）上进行的。评估了单个组和组合组的性能，并保留了显著的指示器。为了比较QBS和DNA评估的性能，使用Pearson相关系数将基于DNA的ASV丰富度与QBS生物形式丰富度进行了相关分析。因为单个QBS值是从三个合并的子样本中定义的，所有QBS分析都是在子样本三元组级别进行的。使用了两种构建三元组的方法：1）按照原始协议，合并每个处理中三个空间上相邻的子样本来计算标准QBS值；2）使用排列组合方法，其中每个处理中的三个子样本随机分组以生成替代的三元组组合。因为QBS-ar本质上基于三个子样本，而任何三个样本的三重选择在某种程度上都是任意的，所以我们收集了比最低要求更多的子样本，以便采用排列方法来评估QBS指数对子样本选择的稳健性，而不是为了增加重复实验的次数。使用非参数检验（Mann–Whitney）来评估来自随机和相邻三重样本的QBS指数的分布特性（中心趋势）、分散性（Levene或Brown–Forsythe）以及多变量分散性（betadisper）。这些结果可以在补充表S3中找到。排列QBS仅用于可视化分析和评估三重样本选择的敏感性，并不视为生成独立的生物重复实验。为了确保在将QBS指数与基于DNA的丰富度分析进行比较时的方法论等效性，我们对DNA数据应用了相同的三个子样本聚合方法。对于每种处理和生产系统，我们列举了所有三个子样本的独特组合，以生成匹配的QBS和DNA三重样本。这些聚合值仅用于方法比较分析，不用于测试处理或生产系统之间的差异。我们使用放宽的过滤方法从ASV表构建了一个仅基于存在的DNA派生的QBS指数，以最大化保留的分类单元数量。在过滤后保留的1020个节肢动物ASV中，只有32个ASV（约占ASV的3%，约占读取量的5%）被分配到物种水平，因此可以用于计算QBS-DNA指数。确切的阈值和设置可以在补充材料S1中找到。我们将这个指数称为QBS-DNA。该指数的数学公式在表1中提供。每个通过宏条形码分析得到的分类单元都被赋予了一个EMI分数，遵循QBS-ar生物形态框架（D'Avino等人，2024年；Parisi等人，2005年），反映了其根据诊断性形态特征（例如体型、色素沉着和附肢减少）对土壤生态的适应程度。在必要时，原始的QBS框架被改进以适应物种水平的DNA数据和包含多种生物形态的分类单元。带有分配分数的表格可以在补充表S5中找到。土壤表层分类单元获得了高分，而表土层分类单元获得了低分。当无法从DNA数据推断出生态阶段时，会应用中间值；例如，双翅目序列可能来源于被分类为“有2个翅膀和2个平衡棒”的成年个体（EMI = 2），或者来源于被描述为“有少许或没有腿的蝇类幼虫”的个体（EMI = 10），因此被赋予了中等分数EMI = 6。将这些分数加总到样本中检测到的所有分类单元上，得到了一个单一的基于DNA的指数值（不考虑丰度加权）。我们报告了两种可视化结果：一个样本级别的指数和一个三重样本级别的指数，后者使用与基于形态的QBS相同的三重样本聚合逻辑。数据集仅限于与QBS相关的组和物种级别的鉴定。所有图表都是使用ggplot2准备的，统计显著性水平设为p < 0.05。

3.1. 测序输出和过滤
在从三种农业生产系统和五种管理方式中收集的70个QBS样本中，我们记录了6999个土壤微节肢动物个体，代表了数据集中观察到的30种生物形态（BF），这些生物形态来自QBS框架中考虑的38种生物形态。对于DNA宏条形码数据集，所有样本都获得了序列数据，但有一个传统耕作样本未能达到最低读取深度阈值，因此被移除，最终剩下69个DNA样本。在这个样本被移除并经过所有过滤步骤后，最终的节肢动物表包含了1020个ASV和505,623个读取量，代表了32个已命名的物种、40个属、38个科和19个目。

3.2. 丰富度
使用ASV水平的DNA宏条形码分析，总体丰富度高于基于生物形态的丰富度（图1），但不同生产系统之间的DNA ASV丰富度没有显著差异。相比之下，耕作系统的生物形态丰富度显著高于草莓系统（p = 0.006），而耕作系统与果园系统和果园系统与草莓系统之间的差异不显著。在每种系统内部，耕作系统中的DNA ASV丰富度有所不同：传统耕作（CT-A）的丰富度低于最小耕作（MT-A；p = 0.012）和免耕（NT-A；p = 0.001），而MT-A和NT-A之间没有差异。在草莓系统中，有机管理的丰富度（ORGS）高于综合管理的丰富度（INTS；p = 0.021），而在果园系统中，INT-O和ORG-O之间的差异不明显（所有p ≥ 0.161）。基于样本的稀释曲线（补充图S2）显示，两个数据集的系统级丰富度都接近一个渐近线。处理级别的曲线上升得更平缓，表明主要群体被充分采样，而额外的样本主要会增加稀有的分类单元并填补剩余的处理内部丰富度。DNA ASV丰富度与生物形态丰富度之间的相关性没有统计学意义（p = 0.96），表明这两种方法得出的丰富度模式之间没有明确的关系。

3.3. 群落组成
不同生产系统之间的DNA和生物形态（BF）群落组成存在差异（图2）。DNA和BF数据显示了相似的生产系统效应（DNA：R2 = 0.28，F = 12.97，p = 0.001；BF：R2 = 0.27，F = 12.71，p = 0.001）。然而，DNA更清楚地显示了系统内部的处理差异，区分了耕作系统的处理方法和果园及草莓系统中的有机/综合处理方法。在耕地中，免耕、最小耕作和传统耕作地块基于DNA形成了不同的群落（R2 = 0.23，F = 3.79，p = 0.001）。DNA还区分了果园中的有机和综合处理方法之间的群落（R2 = 0.09，F = 1.87，p = 0.018），以及草莓系统中的群落（R2 = 0.21，F = 4.93，p = 0.001）。相比之下，生物形态仅在耕作系统的不同处理方法之间显示了部分差异（R2 = 0.14，F = 2.13，p = 0.043），而在果园系统中，无论是哪种处理方法之间的BF群落组成都没有显著差异（R2 = 0.066，F = 1.27，p = 0.265或草莓系统中的R2 = 0.031，F = 0.58，p = 0.807）。所有NMDS排序都拟合得很好（应力<0.15）。直接比较两个排序空间显示出强烈的一致性（Procrustes r = 0.879，p = 0.009；co-inertia RV = 0.876，第一个轴捕获了81.9%的共结构），表明DNA和BF排序捕捉到了相同的优势β多样性梯度（图2；补充图S3）。

3.4. QBS指数
使用标准方法（合并每个重复实验的三个相邻子样本）计算的QBS指数揭示了一些系统级和处理级别的模式，但在同一系统内的不同处理方法之间或系统之间没有观察到统计学上的显著差异，除了草莓系统的QBS值高于耕作系统。总结QBS-ar、QBS-ar_BF和QBS-ab的平均值±标准误差的完整表格在补充表S4中提供。为了探索处理内部的变异性并确保与基于DNA的分析的可比性，我们按照方法中描述的方法，通过排列10个收集的样本来计算QBS值。排列QBS指数的分布显示了明显的系统级模式。草莓田的QBS-ar和QBS-ar_BF值最高，而耕作田的QBS-ab值最高（图4）。在处理级别，虽然没有进行统计测试，但可视趋势表明，耕作田中的最小耕作通常产生的QBS-ar和QBS-ar_BF值低于传统耕作或免耕处理。有机果园在各项指数上的得分通常高于综合果园。

下载：下载高分辨率图像（252KB）
下载：下载全尺寸图像
图1. 根据生产系统和处理方式划分的DNA（ASV水平）和生物形态（BF）丰富度。框表示样本分布，点带抖动；颜色表示系统（耕作=蓝色，果园=绿色，草莓=橙色）。管理方式缩写如下：CT-A=传统耕作（耕地），MT-A=最小耕作（耕地），NT-A=免耕（耕地），INT-O=综合管理（果园），ORG-O=有机管理（果园），INT-S=综合管理（草莓），ORG-S=有机管理（草莓）。紧凑的字母表示每个系统内统计上显著不同的处理方式，每个系统内的字母只能相互比较。系统间的对比在图中没有标注，在文本中报告。注意，DNA和BF面板使用自由的y轴刻度。

基于DNA的相对丰度剖面显示了生产系统和管理方式之间在群落结构上的显著差异（图3）。在耕地土壤（CT-A、MT-A和NT-A）中，群落主要由半翅目（Hemiptera）和膜翅目（Hymenoptera）主导，这两类昆虫占序列读取量的85%以上。这两个目在耕作处理方式之间存在显著差异（半翅目：H = 28.4，df = 2，p = 1.3 × 10^?7；膜翅目：H = 25.6，df = 2，p = 2.0 × 10^?6），传统耕作和免耕土壤中半翅目的优势更为明显，而最小耕作土壤中双足目（Diplopoda）的相对贡献显著更高（H = 6.5，df = 2，p = 0.0107）。果园系统的特点是膜翅目的显著优势。综合果园几乎完全由这一目主导（约75%的读取量），而有机果园保留了较高的膜翅目贡献（约55%），同时还有一定比例的双足目。草莓系统显示了最不同的基于DNA的剖面。综合草莓土壤仍然是膜翅目主导，但也包含相当数量的鞘翅目（Coleoptera），这些种类在不同系统中的比例有显著差异（H = 36.9，df = 4，p = 4.4 × 10^?8）。在有机草莓土壤中，鞘翅目的相对丰度显著增加，同时半翅目的数量明显减少。来自BF评估的模式强调了土壤动物群的不同组成部分（图3）。耕作处理方式主要由螨类（Acarina）（约三分之二）和弹尾目（Collembola）（约三分之一）主导。果园土壤表现出减少的螨类和增加的膜翅目，而草莓土壤显示出最大的BF多样性。有机草莓土壤的特点是鞘翅目的相对丰度最高（约60%）和最低的螨类比例（约25%），其余群落分布在双翅目、鞘翅目、半翅目和膜翅目之间。这些差异得到了统计学支持：螨类在耕地土壤中的丰度高于果园或草莓土壤（H = 21.9，df = 2，p = 2.7 × 10^?5；所有成对比较的padj ≤ 5.7 × 10^?5），弹尾目在草莓土壤中的丰度高于耕地土壤（H = 6.7，df = 2，p = 0.0096；padj = 0.0074），而膜翅目在果园土壤中的丰度高于耕地土壤（H = 26.1，df = 2，p = 1.7 × 10^?6；padj = 7.7 × 10^?7）。

图3. 基于DNA读取丰度（A）和生物形态（BF）丰度的处理方式比较的相对群落组成。每个堆叠条形图显示了处理方式内的平均相对丰度，先将每个样本标准化到100%，然后再对重复样本进行平均。颜色/图案表示分类/BF组，并在各个面板之间进行匹配以便于比较；不在显示集中的组或未分配的组被合并为“其他”。垂直虚线分隔不同的生产系统。管理方式缩写如下：CT-A=传统耕作（耕地），MT-A=最小耕作（耕地），NT-A=免耕（耕地），INT-O=综合管理（果园），ORG-O=有机管理（果园），INT-S=综合管理（草莓），ORG-S=有机管理（草莓）。面板A总结了订单级别的DNA读取数据；面板B汇总了与DNA相同类别中的BF计数。两个图表共享相同的颜色/图案分组。
指示物种分析提供了更精细的分类学分辨率，尽管有时在分类学等级上与图3中显示的订单级别组不同。在系统层面，DNA数据将果园与双尾目（Diplura；r.g = 0.354，p = 0.018）联系起来，而EMI数据将果园与蚂蚁（Formicidae）（Hymenoptera_5；r.g = 0.529，p = 0.001）、同翅目（Symphyla_20；r.g = 0.446，p = 0.002）和半翅目（Hemiptera_1；r.g = 0.376，p = 0.013）联系起来。耕地系统以螨类目（Sarcoptiformes，r.g = 0.418，p = 0.004；Trombidiformes，r.g = 0.409，p = 0.002）和弹尾目属（Ceratophysella，Lepidocyrtus，Parisotoma）为特征；EMI数据突出了表土层中的弹尾目_2（r.g = 0.431，p = 0.001）和有翅双翅目_1（r.g = 0.435，p = 0.004）。草莓系统显示了多足目（Lithobiomorpha，r.g = 0.451，p = 0.001；Julida，r.g = 0.438，p = 0.001）的强DNA信号，以及甲虫和表土层分类单元如Polydrusus和Thalassaphorura。EMI数据在两种果园处理方式中都发现了高分的表土层分类单元（Protura_20和Pauropoda_20），以及高分的双足目_20。在处理尺度上，DNA解析了特定的关联，包括Ceratophysella和Parisotoma与MT-A和NT-A的关联，Acrotritia与NT-A的关联，Lithobiomorpha与INT-S + ORG-S的关联，以及ORG-S中的强Polydrusus信号。EMI指示器包括两种果园处理方式中的蚂蚁，最小耕作和有机果园处理方式中的表土层Collembola_10，以及耕地处理方式中的有翅双翅目_1。总体而言，这些指示分类单元证实了丰度剖面中看到的群落差异（图3），并识别了每个系统和管理方式的特征分类单元。

QBS指数使用标准方法（每个重复实验合并三个相邻子样本）计算出了一些系统级和处理级别的模式，但在同一系统内的不同处理方式之间或系统之间没有观察到统计学上的显著差异，除了草莓系统的QBS值高于耕作系统。总结QBS-ar、QBS-ar_BF和QBS-ab的平均值±标准误差的完整表格在补充表S4中提供。为了探索处理内部的变异性并确保与基于DNA的分析的可比性，我们按照方法中描述的方法，通过对收集的10个样本进行排列来计算QBS值。排列QBS指数的分布显示了明显的系统级模式。草莓田的QBS-ar和QBS-ar_BF值最高，而耕作田的QBS-ab值最高（图4）。在处理级别，虽然未进行统计测试，但视觉趋势表明，耕作田中的最小耕作通常产生的QBS-ar和QBS-ar_BF值低于传统耕作或免耕处理。有机果园在各项指数上的得分往往高于综合果园。管理处理的缩写如下：CT-A = 传统耕作（耕地），MT-A = 最小耕作（耕地），NT-A = 免耕（耕地），INT-O = 综合管理（果园），ORG-O = 有机管理（果园），INT-S = 综合管理（草莓），ORG-S = 有机管理（草莓）。图表使用自由的y轴刻度。在不同生产系统中，基于排列的QBS指数与排列DNA ASV丰富度之间的关联存在差异（图5）。果园系统的关联最强，耕地系统的关联中等，草莓系统的关联最弱。在果园中，三个指数——QBS-ar（ρ = 0.42）、QBS-ar_BF（ρ = 0.37）和QBS-ab（ρ = 0.35）——与排列DNA丰富度显示出中等程度的正相关。耕地土壤也显示出正相关（QBS-ab，ρ = 0.38），而QBS-ar的相关性较弱（ρ = 0.14）。相比之下，草莓系统的关联较弱，QBS-ab表现出轻微的正趋势（ρ = 0.15），其他指数没有一致的模式。在处理层面，模式出现分歧。在耕地土壤中，免耕（NT-A）处理显示出明显的分裂：QBS-ar和QBS-ar_BF与DNA丰富度呈负相关（斜率分别为-0.30和-0.36），而QBS-ab显示出强烈的正相关（斜率=+0.59）。其他耕地处理（CT-A和MT-A）在任何指数上都没有显示出一致的相关性。在果园中，QBS-ar和QBS-ar_BF的正相关尤为明显。例如，INT-O在所有指数上都显示出强烈的正相关，包括QBS-ar（斜率=+0.18）和QBS-ab（斜率=+0.26）。ORG-O的QBS-ar也显示出正斜率（斜率=+0.21），而QBS-ab则没有明显趋势。在草莓系统中，只有有机处理（ORG-S）显示出清晰且一致的正相关，包括QBS-ar_BF（斜率=+0.35）和QBS-ab（斜率=+0.47）。然而，综合草莓系统（INTS）没有显示出一致的趋势。详细的相关性统计数据见补充表S6。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图5. 不同农业系统中基于排列的QBS土壤生物质量指数与排列DNA ASV丰富度之间的关联。A-C面板显示了QBS-ar（A）、QBS-ar_BF（B）和QBS-ab（C）的系统分层散点图。每个点代表一个枚举的三重体聚合；三重体点不是独立的生物重复样本，统计结果是描述性的。管理处理的缩写如下：CT-A = 传统耕作（耕地），MT-A = 最小耕作（耕地），NT-A = 免耕（耕地），INT-O = 综合管理（果园），ORG-O = 有机管理（果园），INT-S = 综合管理（草莓），ORG-S = 有机管理（草莓）。彩色回归线表示处理层面的拟合；粗虚线表示系统层面的趋势。相关系数和斜率估计见补充表S6.3.5。

DNA衍生QBS指数（QBS-DNA）在不同处理下的变化（图6）显示，CT-A下的值最低，而在干扰较小的系统下通常较高，但在样本层面处理差异不显著（Kruskal–Wallis χ2 = 3.46，df = 6，p = 0.75）。三重体总和聚合增加了指数的幅度并减少了分散程度，但仍没有处理效应（χ2 = 7.06，df = 6，p = 0.315）。在处理平均值层面，样本总和指数与基于形态的QBS-ar（Spearman ρ = 0.86，p = 0.014）和QBS-ar_BF（ρ = 0.79，p = 0.036）呈正相关，而与DNA ASV丰富度的关联较弱且不显著（ρ = 0.46，p = 0.294）。

下载：下载高分辨率图像（277KB）
下载：下载全尺寸图像

图6. 箱形图显示了为每个处理计算的DNA衍生指数，分别展示了样本层面总和（左侧面板）和三重体层面总和（右侧面板）。管理处理的缩写如下：CT-A = 传统耕作（耕地），MT-A = 最小耕作（耕地），NT-A = 免耕（耕地），INT-O = 综合管理（果园），ORG-O = 有机管理（果园），INT-S = 综合管理（草莓），ORG-S = 有机管理（草莓）。

4. 讨论
4.1. 基于DNA和基于BF的方法在丰富度和群落组成上的对比
我们发现α多样性的模式强烈依赖于所使用的方法。扩增子序列变体（ASV）的丰富度明显高于Kempson装置提取的生物形态（BFs）的数量，然而基于DNA的丰富度在我们的生产系统之间几乎没有区分，而BF丰富度仅能勉强区分它们。这种基于DNA的丰富度估计与BF计数之间的差异是预期中的，并反映了方法学上的差异，因为metabarcoding可以检测基因组和物种内的序列变异，并从多个生命阶段（例如卵和若虫）以及细胞外或残余DNA中获取DNA（K?ninger等，2025；Young和Hebert，2022），而在QBS框架中，单个生物只产生一个BF。分子数据集也可能包括来自表层活性或短暂存在的分类群的DNA，这些物质会落入土壤中，而细胞外DNA可以持续数周或数月（Carini等，2016；Young，2021）；因此，丰富度估计结合了活跃和历史信号。因此，ASV丰富度应被解释为序列多样性，而不是真正的生物体丰富度，因为metabarcoding检测到的是活跃和非活跃生物的DNA（并且可能每个物种产生多个ASV）。相比之下，BF计数只记录了在提取过程中向下移动的活跃微节肢动物；无法爬入收集液或处理过程中被杀死的个体被低估了。与丰富度不同，群落层面的排序分析在DNA数据中显示出了更清晰的分离，而基于BF的排序则将系统更广泛地分组，并在不同管理处理之间有重叠。尽管存在这些分辨率上的差异，分子和形态排序之间的一致性表明这两种方法捕捉到了相似的环境和管理梯度。因此，丰富度测量之间的一致性不足不仅反映了方法学限制，还反映了生态范围的基本差异（Basset等，2022；Oliverio等，2018）。其他研究也报告了类似的不一致现象：最近对飞行昆虫群落的研究发现，大约一半的物种通过形态学和metabarcoding方法都被发现，且群落模式大致相当（Remmel等，2024）。在解释这些结果时还需要考虑研究的空间范围。我们的实验在同一个温带气候区域的两个长期实验站点进行。这种设计最小化了气候变异，以便更清晰地比较基于形态的QBS指数和DNA metabarcoding方法。然而，有限的地理范围意味着观察到的QBS指数和metabarcoding派生多样性指标之间的关系应在这一土壤气候背景下解释。因此，未来的研究应该评估更广泛的土壤气候梯度上的QBS–DNA关系，以确定是否需要对基于特征的指数进行区域特定的校准。

4.2. 分类组成和指示性分类群
不同方法之间的分类组成有显著差异。BF样本主要由螨类和弹尾虫主导，而metabarcoding恢复了更广泛的分类谱，包括耕地和果园土壤中的丰富膜翅目和半翅目，以及有机草莓中的捕食性甲虫和与土壤相关的弹尾虫目（Entomobryomorpha、Neelipleona、Poduromorpha）。BF样本中的这种主导地位而在DNA相对丰度中不明显，这与螨类和弹尾虫的全球普遍性一致，因为它们占土壤节肢动物个体的95%以上，但仅贡献了约20%的节肢动物生物量（Rosenberg等，2023）。与前一节描述的方法学限制一致，DNA数据集中的差异主要反映了已知的分子偏差，例如小型螨类和弹尾虫通常产生的DNA较少，经常被低估，并且具有重叠的种内和种间COI变异，这限制了在科水平以下的可靠分类（Arribas等，2021）。相反，来自表层活性或短暂存在的分类群的DNA容易被检测到，并可以通过粪便、脱落的碎片或尸体沉积进入土壤，从而在分子数据集中增加它们的代表性（Chua等，2023；Epp等，2012）。其他陆地eDNA调查也报告了类似的表面活性分类群的过度代表，表明这是土壤和落叶层eDNA的普遍特征，而不是特定系统的伪影（Beng等，2016；Gossner等，2016）。然而，这些限制并不使研究无效，因为我们的主要推论基于群落层面的差异、排序之间的一致性以及与处理相关的指示性分类群，而不仅仅是相对丰度的定量比较。尽管如此，指示性分类群的分析仍然展示了metabarcoding提供的额外生态分辨率。与落叶层相关的弹尾虫属（Parisotoma、Ceratophysella）区分了少耕地块，刚毛尾（Rhabdura）区分了果园系统，食草象甲（Polydrusus）则具有草莓田的特征。这些关联可能反映了由管理直接影响的落叶层动态、营养结构和栖息地利用的差异，而不是QBS中定义的EMI分数。因此，指示性分类群捕捉到了特定于管理的生态响应，这些响应并不直接与QBS总结的生态形态梯度对齐。此外，因为QBS将分类群聚合成粗略的功能类别，所以仅靠形态学无法解析这种精细的管理特定关联。因此，将DNA衍生的指示性分类群纳入土壤生物评估框架可以增强生态解释，并提供管理引起的变化的早期预警信号，特别是随着COI DNA标记选择、参考数据库和长读长测序技术的改进，分类学分辨率不断提高（Le Cadre等，2024）。未来，整合基于RNA的分析可能有助于进一步区分活生物和残余或短暂的DNA，提高生态分辨率。

4.3. 对QBS指数和基于特征的生物指示的影响
我们的结果表明，传统QBS-ar指数对管理效果的敏感性有限，这主要是由于标准协议中固有的小样本规模，而不是其评分逻辑中嵌入的简化假设。QBS赋予地下生物分类群（例如，无色素的弹尾目）较高的权重，基于这样的假设，即这些形式比地上物种更敏感于干扰，但这些结构特征反映了它们对土壤生活的适应，而不是生理耐受性或繁殖策略。从这个意义上说，QBS已经代表了一个描述地下性的方向性综合特征，即对矿物土壤中生活的适应程度，而不是对有机表层生活的适应程度。因此，QBS分数不应被解释为物种丰富度的代理或管理强度的直接指标。重复限制仍然是一个实际问题，因为官方协议是从三个土壤核心的组合中定义QBS指数的。尽管许多研究报告QBS值为几个此类组合的平均值，并附带一定的变异性，但增加重复样本仍需要额外的采样和处理工作，并且在重复样本数量有限时可能会限制统计功效（Fusco等，2023；Perinelli等，2025；Rodríguez-Pajares等，2025）。然而，即使通过统计重采样生成了额外的组合分数，QBS分数与ASV丰富度之间的相关性在不同生产系统和指数变体之间的大小和方向上也有变化，这表明分类多样性和生态形态适应对部分解耦的生态驱动因素作出反应。这种解耦是预期的，因为QBS有意将分类信息压缩成功能组；其值对演替或恢复梯度更敏感——在那里地下生物形式变得占主导地位——而不是对物种丰富度或稀有分类群的存在的变化更敏感（Madej等，2011）。先前的研究也显示，形态学和分子方法恢复了土壤动物的互补部分，引物偏差或残余DNA可能会夸大分子多样性估计，特别是在受干扰的土壤中（Basset等，2022；Nagler等，2018；Young，2021）。添加丰度加权（QBS-ab）很少改善这些关联，因为丰度加权很少改变整体QBS模式（Gardini等，2025；Mantoni等，2021）。总体而言，我们的发现强化了QBS仍然是一个有价值的基于特征的土壤生物质量指标，但不应被解释为DNA衍生丰富度的替代品。Metabarcoding可以通过将分类群与额外的生态特征（如营养群、扩散能力和繁殖模式）联系起来，并通过DNA分析识别的指示性分类群来细化QBS框架，正如最近基于特征的线虫指数所展示的（Ghaderi等，2025）。因此，特征数据库提供了一种通过提供关于地下性、营养角色和生命周期特征的明确信息来细化EMI假设的途径。在某些情况下，由于物种级别的生态信息不完整，采用了中间或基于专家的评分方法，这给指数计算带来了不确定性。此外，该指数仅根据分配到物种级别的ASVs（ Atlantis Sequence Variants）进行计算，因此大多数检测到的节肢动物ASVs被排除在评分之外，可能会由于未能充分代表底层群落而导致QBS-DNA值的偏差。尽管如此，它与基于形态学的QBS指数之间的相关性表明，尽管存在这些限制，该方法仍保留了具有生态意义的信号。未来的发展可以通过建立功能特征数据库来减少这种不确定性，将这些数据库与土壤特化性和生态特征联系起来。未来，基于特征的指数应该结合多种遗传标记以及基于DNA和RNA的宏条形码技术和长读长测序技术，以提高分类学分辨率。一个统一的无脊椎动物土壤质量指数，将节肢动物、线虫和其他土壤动物纳入单一的基于DNA的框架中，可以为监测不同农业生态系统中的土壤健康状况提供更全面和可扩展的工具。

5. 结论
本研究表明，基于QBS和DNA的方法能够捕捉土壤微生物节肢动物多样性的互补方面。QBS指数仍是一个实用且稳健的土壤生物质量指标，它直接将群落结构与功能适应性联系起来，但缺乏检测更细微管理效果所需的分类学细节。相比之下，DNA宏条形码技术提供了高分类学分辨率，能够检测到隐秘和幼年形态，揭示了仅凭BFs无法辨识的生产系统之间的组成和指示物种差异。尽管存在方法论偏差和参考库不完整的问题，这两种方法都捕捉到了主要的生产系统梯度，而在DNA群落数据中观察到系统内部管理效果的证据比在QBS指数中更为明显。这里开发的基于DNA的QBS-DNA指数是一个概念验证，展示了将基于特征的视角融入分子生物多样性评估的第一步。通过将基于QBS的评分分配给宏条形码分类单元，我们展示了如何原则上将序列数据转化为土壤适应性的功能指标。随着进一步改进，通过扩大条形码覆盖范围、建立精心策划的特征数据库以及针对形态学基准进行校准，这样的指数可以成为下一代生物监测框架的基础。总体而言，结合QBS和基于DNA的方法能够提供更全面的土壤生物质量视图：形态学将评估扎根于功能适应性，而宏条形码技术揭示了隐藏的分类结构和管理特定的生物指标。它们的整合为开发可扩展的、基于特征的土壤健康指数提供了一条现实的路径，这种指数在单一监测框架内统一了功能和分类学视角。

术语表
●生物学形态（BF）：一种操作单位，结合了较高的分类学分类和形态物种特征的区分，以反映土壤适应性（形态分类群体）。BF根据其在土壤中的适应性获得评分。
●生态形态指数（EMI）：分配给每个BF群体的评分，反映了其适应土壤环境的程度。
●微生物节肢动物：小于2毫米的土壤栖息节肢动物，主要来自螨类（Acari）和弹尾目（Collembola）。
●生产系统：一种广泛的土地利用类别，反映了作物类型和长期管理背景，包括耕地种植系统、多年生果园和草莓种植系统。
●管理措施：在生产系统内应用的具体管理方式，如传统耕作、免耕或有机管理等。
●QBS-ar（Qualità Biologica del Suolo – arthropods）：一种基于土壤微生物节肢动物生物学形态（BF）存在的土壤质量指数。对于每个分类群体，仅保留最高的生态形态指数（EMI）评分，指数计算为这些评分的总和，而不考虑数量。
●QBS-ar_BF：QBS-ar的一个变体，它将样本中观察到的所有不同生物形态（BF）的总和进行计算，而不仅仅是保留每个分类群体的最高EMI。
●QBS-ab：QBS框架的扩展版本，其中EMI评分根据BFs的对数转换后的数量进行加权，综合考虑了土壤适应性和优势模式。

资助声明
本研究得到了斯洛文尼亚研究与创新机构（项目编号P4-0431；J4-3098；P4-0107）的核心资助，以及斯洛文尼亚研究与创新机构与斯洛文尼亚共和国农业、林业和食品部通过Target Research Programme项目V4-2221的共同资助。

作者贡献声明
Vid Nagli?：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、方法论、调查、正式分析、数据管理、概念化。
Tijana Martinovi?：撰写 – 审稿与编辑、方法论、数据管理。
Nata?a ?ibanc：撰写 – 审稿与编辑、方法论、调查。
Tine Grebenc：撰写 – 审稿与编辑、资源获取、资金筹措。
Paul Henning Krogh：撰写 – 审稿与编辑、监督、方法论、数据管理。
Rumakanta Sapkota：撰写 – 审稿与编辑、方法论。
Anne Winding：撰写 – 审稿与编辑、资源管理。
Robert Leskov?ek：撰写 – 审稿与编辑、资源管理。
Irena Bertoncelj：撰写 – 审稿与编辑、监督、资金筹措、概念化。