Processing math: 100%

聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性

陈萍, 王晨媛, 贾智锐, 荆硕, 张毅. 聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性[J]. 环境工程学报, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
引用本文: 陈萍, 王晨媛, 贾智锐, 荆硕, 张毅. 聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性[J]. 环境工程学报, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
CHEN Ping, WANG Chenyuan, JIA Zhirui, JING Shuo, ZHANG Yi. Analysis of microbial community structure of poly(vinyl acohol) degradation and the degradation characteristics of the dominant strain[J]. Chinese Journal of Environmental Engineering, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
Citation: CHEN Ping, WANG Chenyuan, JIA Zhirui, JING Shuo, ZHANG Yi. Analysis of microbial community structure of poly(vinyl acohol) degradation and the degradation characteristics of the dominant strain[J]. Chinese Journal of Environmental Engineering, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151

聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性

    作者简介: 陈萍(1994—),男,硕士研究生。研究方向:生物工程。E-mail:201721044353@mail.scut.edu.cn
    通讯作者: 张毅(1964—),男,博士,副教授。研究方向:发酵工程等。E-mail:btyzhang@scut.edu.cn
  • 基金项目:
    广东自然科学基金资助项目 (2013B090600028)
  • 中图分类号: X172

Analysis of microbial community structure of poly(vinyl acohol) degradation and the degradation characteristics of the dominant strain

    Corresponding author: ZHANG Yi, btyzhang@scut.edu.cn
  • 摘要: 对堆肥中降解聚乙烯醇材料的微生物菌群结构进行了分析。结果表明:降解聚乙烯醇材料的优势菌群属于芽胞杆菌科(Bacillaceae)。从降解了3年的材料表面筛选出了1株聚乙烯醇降解菌DG01,鉴定为苏云金杆菌(Bacillus thuringiensis sp.)。分别以聚乙烯醇(poly(vinyl alcohol),PVA)浓度和二氧化碳排放量为指标,对PVA的降解动力学进行了研究。结果表明:PVA生物降解过程符合一级动力学模型,R2分别为0.984 0和0.983 5。对摇瓶培养条件进行了单因素优化实验。最佳降解温度,初始pH和酵母粉浓度分别为41 ℃、7和1.40 g·L−1。优化后,48 h内PVA初始浓度为3 g·L−1的降解率达到了45.21%,提高了2.10倍。
  • 随着中国经济的高速发展,大气污染成为全社会所关注的问题。当大气污染物达到一定浓度时,会对人体的呼吸系统造成危害,其中PM2.5表现最为明显[1]。因此,对PM2.5浓度的监测及数据获取就显得尤为重要,但目前常用的监测方式均存在一些不足[2],无法实现高分辨率PM2.5浓度空间分布制图。如实验设计监测成本较高、常规监测在监测站数目上得不到保证、车载移动监测的总体监测时间较短等。监测技术的不足为分析城市PM2.5时空分布特征及污染防治带来很大挑战[3],国内外学者尝试通过构建模型的方法来解决问题。黄仁东等[4]利用统计学与多元回归分析法构建四季最优模型,模拟分析了西安市PM2.5污染特征;孙兆彬等[5]利用CMAQ空气质量模型,模拟出兰州市PM10月均浓度;刘杰等[6]应用MATLAB空间插值算法实现对北京市颗粒污染物的空间分布模拟;陈辉等[7]利用MODIS遥感影像反演AOD的方法建立模型,模拟出京津冀地区PM2.5浓度;此外,扩散模型[8]、神经网络[9]等方法也都被应用于大气污染物浓度模拟。然而,这些方法大都未将影响PM2.5浓度的各种因素考虑进去,会对模型模拟结果的解释能力及精度造成影响。LUR模型综合考虑各种影响因素对PM2.5浓度进行模拟,其精度、解释能力较其他方法更强,已成为模拟大气污染物浓度最有效的方法之一[2,10]

    在欧美、日本等国家,LUR模型已被广泛使用,并在模拟城市PM2.5、NO2和NOx等污染物浓度空间分布方面取得良好效果[3,11-13]。我国学者对LUR模型的应用研究不多,多集中于对特定城市污染物浓度的模拟。陈莉等[14]应用该模型模拟了天津市PM10和NO2浓度的空间分布;吴健生等[15]、焦利民等[16]、汉瑞英等[17]及阳海鸥等[18]分别模拟了重庆市、武汉市、杭州市和南昌市的PM2.5浓度空间分布。然而,由于对区域尺度的PM2.5模拟所需数据量大,以及区域城市间污染传输等难题,只有少数学者开展过区域尺度的相关研究[19-20]

    鉴于区域尺度PM2.5的模拟研究对区域联防联控机制有着重要指导意义,本研究以中国西北部关中平原城市群为例,利用LUR模型模拟其PM2.5浓度,探讨LUR模型在区域尺度上的适用性,并进一步构建最优LUR模型,为该区域PM2.5污染防治提供科学依据,也为城市内部PM2.5浓度空间分布数据获取提供新的思路。

    关中平原城市群地处中国内陆中心,是我国雾霾及风沙多发的区域之一,包括西安、咸阳、宝鸡、渭南、铜川、天水以及商洛、临汾、运城、平凉、庆阳的部分区县等。在“一带一路”倡议的推动下,关中平原城市群的综合经济实力已位居中国内陆区域第二,但与此同时,也造成了区域内城市的空气质量恶化。据2017年全国365个城市的年均PM2.5浓度排名显示,该区域有5个城市的年均PM2.5浓度排在了全国前20。区域年平均PM2.5浓度为57.34 μg·m−3,超过国家二级标准60%(35 μg·m−3),空气污染现状不容乐观。

    LUR具有模拟精度高、考虑因素全面等特点,是模拟PM2.5浓度的有效方法。本研究主要利用SPSS 24.0与Arcgis10.2软件,构建PM2.5浓度与土地利用类型、地形、气象、道路交通、人口密度和污染源等相关因子的多元回归方程,即LUR模型。模型的基本形式通常包括1个因变量和2个或者2个以上自变量,计算方法见式(1)。

    y=β0+β1x1+β2x2++βnxn+α (1)

    式中:y为因变量,即PM2.5浓度值;x1x2,···,xn为自变量即文中的影响因子;β0β1β2,···,βn为待定系数;α为随机变量。

    首先,利用SPSS软件对PM2.5浓度与各类影响因子进行双变量相关性分析,并筛选去除与PM2.5浓度不显著相关(P>0.05)的影响因子。本研究生成的影响因子包括:土地利用类型(6类)、主要道路交通(4类)、污染源通过生成缓冲区的方式获取77(11×7)个影响因子;气象(5类)、植被指数、高程、人口密度等通过空间插值提取的方式获取8个影响因子,共计得到85(77+8)个影响因子。为避免后续多元线性回归方程中不同缓冲区下同类因子的共线性问题,采用吴健生等[2]提出的后向算法,即先找出每类影响因子中与PM2.5浓度相关性最高的影响因子,然后去除同类因子中与最高影响因子皮尔森相关系数大于0.6的因子。

    其次,将筛选后剩余的影响因子与PM2.5浓度值进行逐步线性回归,得到多元线性回归方程,即LUR模型,并采用留一交叉互验(leave-one-out cross validation)的方法对模型精度进行检验。然后利用Arcgis10.2软件生成5 km×5 km规则格网点,根据多元回归方程计算得到每个格网点的PM2.5浓度预测值。

    最后,通过克里金插值法(Kriging),模拟出研究区的PM2.5浓度空间分布图。

    采集2017年1—12月关中平原城市群范围内共计54个空气质量监测点的日均PM2.5浓度监测数据(数据来自中国环境监测总站http://www.cnemc.cn/),对这些数据进行汇总统计,得到各监测站点年均及季节PM2.5浓度值,研究区范围及监测站点分布,结果如图1所示。

    图 1  研究区及监测站点分布
    Figure 1.  Study area and monitoring site distribution

    土地利用数据为清华大学发布的2017年全球10 m分辨率土地利用数据集。该数据集将全球土地分为10大类。利用Arcgis10.2经拼接、裁剪和重分类等处理,并考虑各类型用地的面积及属性,将土地利用划分为耕地、林地、草地、水域、建设用地和裸地等6类,结果如图2所示。再以每个监测站点为中心,分别生成0.5、1、1.5、2、3、4和5 km的缓冲区,统计每种缓冲区中各类土地利用类型的面积,将得到的数据作为土地利用类型因子。道路数据来源于OpenStreetMap的矢量路网,提取研究区范围内高速公路、主干道、一级道路、二级道路等4类,并以监测站点为中心建立相同的缓冲区,通过空间叠加法统计得到每种缓冲区内各类道路的长度作为道路因子。

    图 2  研究区土地利用及道路
    Figure 2.  Land use and roads of the study area

    关中平原城市群东西海拔相差大,其复杂的地形会对PM2.5浓度产生一定的影响。本研究利用DEM数据表示研究区的地形地貌特征,从地理空间数据云上(http://www.gscloud.cn/)下载获取Aster GDEM数据,经拼接、裁剪得到研究区的DEM,并提取每个监测站点处的高程值作为地形因子。

    从中国气象科学数据共享服务网,获取研究区范围内28个气象站点2017年的气象数据。选取的气象因子包括:平均大气压、平均降水量、平均气温、平均风速和相对湿度等5项。统计得到各站点气象要素的季节及年均值,并利用空间插值提取的方法,获取各监测站点位置处的气象要素值作为气象因子。

    归一化植被指数(normalized difference vegetation index, NDVI)数据来源于NASA官方的MODIS数据,选取2017年1月至12月的MOD13A1产品数据。利用MODIS重投影工具 (MODIS reprojection tools, MRT)对该数据进行批量投影、拼接等预处理,然后采取最大值合成法(maximum value composite, MVC)进行数据合成,并裁剪得到研究区年NDVI栅格图,提取监测站点处的NDVI值作为植被指数因子。

    人口密度数据采用中国科学院资源环境科学数据中心(http://www.resdc.cn/)所发布的2015中国人口分布公里网数据集。以监测站点处的栅格值表示该点的人口密度,作为人口密度因子。工业废气的排放是PM2.5重要来源之一[21-23]。从生态环境部官网上收集到研究区范围内约130个国家重点监测企业(废气)名单及地址信息,再以监测点为中心建立相同的缓冲区,统计每种缓冲区内污染源的个数作为污染源因子。

    以年均PM2.5浓度为例,利用SPSS软件对其与各种影响因子进行双变量相关分析。根据模型筛选变量的方法,首先剔除与PM2.5浓度不显著相关的34个影响因子(P>0.05)。为有效避免后续LUR建模时不同缓冲区下同类影响因子的共线性问题,对自变量进行再次筛选,即先计算出同类影响因子中排序最高因子与其他因子之间的相关系数,然后剔除相关系数大于0.6的影响因子,最终得到16个影响因子。表1数据表明,PM2.5浓度与耕地、林地、水体、草地、裸地、高程、降水量、相对湿度、风速和NDVI等因子呈负相关;与建设用地、气压、温度、人口密度、道路长度和污染源个数等因子呈正相关。其中,PM2.5浓度与高程的相关系数最高,说明研究区PM2.5浓度受高程因素的影响最大。

    表 1  PM2.5浓度与影响因子双变量相关分析结果
    Table 1.  Result of bivariate correlation analysis between PM2.5 concentration and impact factor
    自变量皮尔森相关系数P 自变量皮尔森相关系数P
    耕地面积3 km−0.392**0.003 人口密度0.310*0.021
    水体面积3 km−0.404**0.002 高程−0.859**0.000
    林地面积5 km−0.647**0.000 气压0.840**0.000
    草地面积5 km−0.514**0.000 温度0.823**0.000
    建设用地面积5 km0.789**0.000 风速−0.613**0.000
    裸地面积5 km−0.644**0.000 降水量−0.378**0.004
    一级道路长度5 km0.590**0.000 相对湿度−0.488**0.001
    二级道路长度5 km0.412**0.002 植被指数−0.415**0.002
      注:**表示在α=0.01下,相关性显著;*表示在α=0.05下,相关性显著。
     | Show Table
    DownLoad: CSV

    由于各季节气象条件的不同,可能造成影响PM2.5浓度的主导因素不同,故分别以春、夏、秋、冬及年均PM2.5浓度为因变量,同时获取相对应影响因子作为自变量,构建多元回归方程即LUR模型共5个,结果如表2所示。可以看出,最终进入5个LUR模型的影响因子不尽相同。在所有模型当中都包含了高程因子,说明对研究区年均及四季PM2.5浓度影响最大的是地形因素。此外,气象因素中相对湿度因子进入了年均、春和夏季的LUR模型;降水因子分别进入了年均、春、秋和冬季的LUR模型,风速因子则进入了年均及春季的LUR模型。说明在3个气象因子中,降水和相对湿度对研究区的PM2.5浓度影响较大,且对PM2.5浓度有消减作用,而风速对春季的PM2.5影响较大且会使其浓度增加,这与该地区春季扬沙天气频繁密切相关[24];土地利用类型因素中5 km缓冲区内建设用地面积进入了年均及冬季的LUR模型、5 km缓冲区内草地面积和林地面积则分别进入了夏季和秋季的LUR模型。进一步分析模型方程发现,建设用地的增加对PM2.5浓度具有加剧作用,而草地、林地的增加对PM2.5浓度具有削减作用。这是由于土地利用类型的变化会引起地表反射率、粗糙度及植被覆盖度等地表物理性质的改变,从而影响区域内降水、湿度等气象条件,进而导致了PM2.5浓度出现差异[25-26];另一方面也可能与冬季居民区供暖等人为因素有关。由表2中模型调整后的R2可知,5个LUR模型的R2都在0.8以上,表明LUR模型拟合度较好、解释能力较强,其中年均LUR模型R2达到了0.9,在所有模型当中为最好。

    表 2  LUR模型结果
    Table 2.  LUR model results
    类型LUR模型R2调整后R2
    年均y=192.3970.031x11.897x20.533x3+12.373x4+0.000 2x50.9130.900
    春季y=153.7110.023x11.515x20.471x3+14.438x40.8460.831
    夏季y=189.3040.016x12.381x20.000 06x60.8330.817
    秋季y=98.1290.024x10.485x30.000 02x70.8830.874
    冬季y=215.5890.052x11.549x3+0.000 04x50.8670.857
      注:y为PM2.5浓度;x1为高程;x2为相对湿度;x3为降水;x4为风速;x5为5 km缓冲区内建设用地面积;x6为5 km缓冲区内草地面积;x7为5 km缓冲区内林地面积。
     | Show Table
    DownLoad: CSV

    采用交叉验证方法对模型的精度进行检验,并通过模型调整后R2、相对误差、均方根误差、线性回归拟合度4项指标,对5种模型的精度及稳定性进行评价。其中相对误差是指模拟值与实测值之间的偏移度,表示的是模型模拟结果的可靠程度;均方根误差是模拟值与实测值之间的偏差,它可以反映模拟结果的准确性;线性回归拟合度则表示模型的拟合精度,计算结果如表3所示。5种模型平均相对误差均值为12%,均方根误差均值为7.37 μg·m−3。对各监测站点的PM2.5浓度预测值与实际值进行线性回归(如图3所示),发现LUR模型的线性拟合度分别为0.85(年均)、0.77(春)、0.81(夏)、0.79(秋)、0.80(冬)。因此,LUR模型在模拟关中平原城市群年均及季节PM2.5浓度时效果较好。经进一步对比,5种模型中年均LUR模型的各项精度指标均为最优,表明LUR模型在模拟研究区年均PM2.5浓度时效果最好,且模拟精度最高、模型最稳定性最强。

    表 3  模型精度对比
    Table 3.  Model accuracy comparison
    模型名称模型调整后R2平均相对误差/%均方根误差/(μg·m−3)线性拟合度
    年均LUR模型0.909.26.790.85
    春季LUR模型0.8312.97.850.77
    夏季LUR模型0.8212.17.520.81
    秋季LUR模型0.8713.27.210.79
    冬季LUR模型0.8612.77.480.80
     | Show Table
    DownLoad: CSV
    图 3  PM2.5实测值-预测值散点
    Figure 3.  Scatter plots of the measured PM2.5 concentration versus the predicted one

    为更加直观地分析关中平原城市群PM2.5空间分布特征,在研究区范围内生成5 km×5 km的格网,并计算出每个格网点相对应的影响因子数值,分别带入表2的多元回归方程式中,得到各格网点的PM2.5浓度值。然后通过采用Kriging插值法,模拟生成关中平原城市群各季节及年均的PM2.5浓度空间分布(图4)。如图4所示,各季节的PM2.5浓度均值变化有明显差异,具体表现为冬季(78.26 μg·m−3)>春季(37.47 μg·m−3)>秋季(34.58 μg·m−3)>夏季(21.28 μg·m−3);另外,PM2.5浓度高值区范围随着季节变化而变化,由夏季的3个污染强点逐渐向四周扩散形成冬季连片状的污染区,这种现象主要由冬季逆温天气多发、建成区内集中供暖等原因所导致[27-28];但各季节的PM2.5空间分布则大致相同,高值大多集中在西安、咸阳、渭南和运城等东部、北部地区,低值则多集中在天水、平凉、宝鸡以及商洛等西部、南部地区;研究区PM2.5浓度沿海拔走势分布明显,关中平原等低海拔的区域污染严重,而秦岭山地等高海拔区域污染较轻。

    图 4  关中平原城市群PM2.5浓度空间分布模拟图
    Figure 4.  Spatial distribution simulation of PM2.5 concentration in Guanzhong plain city group

    LUR模型在一定程度上解释了该研究区PM2.5的浓度空间分布特征。研究区内海拔差异明显,地势高低起伏。关中平原中部及东部是人口、城市以及工业生产等主要集中的区域,空气污染相对较重。尤其是晋陕交界一带是煤炭等工业生产活跃的区域。据统计,这一区域内约有国家重点监测企业(废气)55家,大气污染物排放量大,空气污染最为严重。西部及南部地区靠近秦岭山地,植被覆盖度高,加上人口密度小、工业生产活动少等缘故,其空气质量相对较好。

    1) 完善区域联防联控机制。PM2.5的形成及来源复杂,对单一污染源及单一城市的控制很难从根本上减轻污染。一个城市的大气污染不仅与本地的自然、人为等因素有关,也与外来污染物传输密切相关[29-30]。以该区域重要城市西安为例,有超过50%的气流轨迹来自西北方向[31]。因此,从区域尺度上分析PM2.5空间分布,可进一步为建立完善区域联防联控机制提供可靠的信息支持,以便更好地解决城市大气污染。

    2) 实行污染分区监管。根据区域地理特征、气象条件及经济发展等因素的不同,将区域分为严重污染区及一般污染区,实施差异化控制管理,因地制宜地制定污染防治措施。尤其是针对关中平原东部及中部等污染严重的区域,相关政府部门应加快完善预警、约谈、问责工作机制。

    3) 实施季节性差异化防治。根据各季节LUR模型当中主要贡献因子的不同,实施有针对性的防治措施。如春夏季可通过道路洒水增加空气湿度减轻污染,据模型显示相对湿度每增加1%,PM2.5浓度会分别降低1.5 μg·m−3和2.3 μg·m−3;秋季可通过人工降雨或增加绿化减轻污染,据模型显示降水量每增加1 mm,PM2.5浓度会降低0.5 μg·m−3;冬季则可通过城区机动车限行、合理供暖以及人工降水降雪等措施减轻污染;模型显示降水量每增加1 mm,PM2.5浓度会降低1.5 μg·m−3

    4) 强化污染源头控制。工业排放及燃煤使用是PM2.5最主要的来源之一,尤其是研究区东部晋陕交界煤炭工业发达,是关中平原大气污染最主要的源头,因此,该区域企业需要加大能源结构调整和节能减排力度,从源头上防治大气污染。

    本研究将LUR模型应用到区域尺度的PM2.5浓度空间分布模拟,通过对非监测点PM2.5浓度值的模拟,解决了传统监测方式中站点数量少、覆盖范围小和成本高等问题,并实现了高分辨率PM2.5浓度空间分布制图,且该模型拟合度R2与前人研究结果相比提高了10.3%[15,17],均方根误差相比降低了52%[20]。但由于大气污染物形成机制的复杂性和多样性,模型精度存在一定误差。在针对不同区域和城市的PM2.5浓度分区模拟研究还有待进一步深入;另一方面,目前LUR建模主要以普通线性回归法进行模型构建,考虑的影响因子也通常集中在地形、人口、交通和土地利用类型等方面,这往往会对模型的精确度与解释能力造成负面影响。因此,改进LUR建模方法与扩展LUR模型的自变量也是当前的研究热点,未来可尝试利用神经网络、地理加权回归等方法改进模型,也可考虑将工业污染排放量、人均GDP等与经济相关的自变量因素加入模型,来提高模型的解释能力。

    1) 相关性分析结果表明,PM2.5浓度与耕地、林地、水体、草地、裸地、高程、降水量、相对湿度、风速和NDVI等呈负相关;与建设用地、气压、温度、人口密度、道路长度和污染源个数等呈正相关,其中高程与PM2.5浓度的相关系数最高。

    2) 利用LUR模型模拟了关中平原城市群各季节及年均的PM2.5浓度空间分布,模型调整后R2分别达到0.831 (春)、0.817 (夏)、0.874 (秋)、0.857 (冬)、0.900(全年平均),模型拟合度较好。经精度检验,显示模型平均精度为80.4%,平均相对误差为12%,平均方根误差为7.37 μg·m−3。通过对比,年均LUR模型模拟效果最好。

    3) 模拟结果显示,研究区域各季节的PM2.5浓度空间分布呈现出东部高、西部低的明显特征,且其空间分布状况受地形因素的影响较大,浓度高值多集中在关中平原,低值多集中在秦岭山地。此外,各季节的浓度均值变化具有明显的差异性,具体表现为冬季最高、春秋次之、夏季最低。

    4) 运用在城市尺度PM2.5浓度模拟的LUR模型,也同样适用于中国西北部关中平原城市群类似的大区域尺度的PM2.5浓度空间分布模拟。经与实际状况相对比,LUR模型在模拟该区域PM2.5浓度时适用性好,精度高,解释能力强。通过模拟分析该研究区的PM2.5浓度空间分布特征,可为当地相关政府部门提供科学合理的PM2.5污染防治建议。

  • 图 1  样品各分类水平中被注释tags比率

    Figure 1.  Ratio of annotated tags at each classification level

    图 2  科水平各样本菌群分布

    Figure 2.  Relative abundance of microbial communities at family level

    图 3  菌株Bacillus thuringiensis DG01的扫描电镜图

    Figure 3.  SEM image of strain Bacillus thuringiensis DG01

    图 4  Bacillus thuringiensis DG01生长过程中PVA2488浓度、活菌浓度、pH的变化

    Figure 4.  Changes in PVA2488 concentration, living bacteria concentration,pH during Bacillus thuringiensis DG01 growth

    图 5  以二氧化碳排放量为指标的PVA降解率随时间的变化

    Figure 5.  Relationship between degradation rate of PVA and culture time with CO2 evolved as indicator

    图 6  Bacillus thuringiensis DG01菌株降解PVA2488的条件优化

    Figure 6.  Optimization of PVA2488 degradation conditions with Bacillus thuringiensis DG01

    表 1  不同降解时间的微生物群落丰富度和多样性指数

    Table 1.  Community richness and diversity indices of microbes at different degradation time

    降解时间/aChao1SimpsonOTUs/个
    18680.265604
    28730.276556
    35800.583427
    降解时间/aChao1SimpsonOTUs/个
    18680.265604
    28730.276556
    35800.583427
    下载: 导出CSV
  • [1] CHIELLINI E, CORTI A, D'ANTONE S, et al. Biodegradation of poly (vinyl alcohol) based materials[J]. Progress in Polymer Science, 2003, 28(6): 963-1014. doi: 10.1016/S0079-6700(02)00149-1
    [2] SHIMAO M. Biodegradation of plastics[J]. Current Opinion in Biotechnology, 2001, 12(3): 242-247. doi: 10.1016/S0958-1669(00)00206-8
    [3] KAWAI F, HU X. Biochemistry of microbial polyvinyl alcohol degradation[J]. Applied Microbiology and Biotechnology, 2009, 84(2): 227-237. doi: 10.1007/s00253-009-2113-6
    [4] CHIELLINI E, CORTI A, POLITI B, et al. Adsorption/desorption of polyvinyl alcohol on solid substrates and relevant biodegradation[J]. Journal of Polymers and the Environment, 2000, 8(2): 67-79. doi: 10.1023/A:1011569920349
    [5] RODRIGUES C S D, MADEIRA L M, RUI A R B. Treatment of textile dye wastewaters using ferrous sulphate in a chemical coagulation/flocculation process[J]. Environmental Technology, 2013, 34(6): 719-729. doi: 10.1080/09593330.2012.715679
    [6] TAGHIZADEH M T, MEHRDAD A. Calculation of the rate constant for the ultrasonic degradation of aqueous solutions of polyvinyl alcohol by viscometry[J]. Ultrasonics Sonochemistry, 2003, 10(6): 309-313. doi: 10.1016/S1350-4177(03)00110-X
    [7] HARRUDDIN N, ORTHMAN N, ANDELINE L E S, et al. Selective removal and recovery of black B reactive dye from simulated textile wastewater using the supported liquid membrane process[J]. Environmental Technology, 2015, 36(3): 271-280. doi: 10.1080/09593330.2014.943301
    [8] MAKSIMOVA N I, KRIVORUCHKO O P. Study of thermocatalytic decomposition of polyethylene and polyvinyl alcohol in the presence of an unsteady-state Fe-containing catalyst[J]. Chemical Engineering Science, 1999, 54(20): 4351-4357. doi: 10.1016/S0009-2509(99)00160-8
    [9] 邱咏梅. 高级氧化预处理及生物法联合降解PVA的研究[D]. 青岛: 青岛科技大学, 2009.
    [10] SUZUKI T, ICHIHARA Y, YAMADA M, et al. Some characteristics of Pseudomonas 0-3 which utilizes polyvinyl alcohol[J]. Journal of the Agricultural Chemical Society of Japan, 2008, 37(4): 747-756.
    [11] YAMATSU A, MATSUMI R, ATOMI H, et al. Isolation and characterization of a novel poly(vinyl alcohol)-degrading bacterium: Sphingopyxis sp. PVA3[J]. Applied Microbiology and Biotechnology, 2006, 72(4): 804-811. doi: 10.1007/s00253-006-0351-4
    [12] MATSUMURA S, TOMIZAWA N, TOKI A, et al. Novel poly(vinyl alcohol)-degrading enzyme and the degradation mechanism[J]. Macromolecules, 1999, 32(23): 7753-7761. doi: 10.1021/ma990727b
    [13] ZHANG Y, LI Y, SHEN W, et al. A new strain, Streptomyces venezuelae GY1, producing a poly(vinyl alcohol)-degrading enzyme[J]. World Journal of Microbiology and Biotechnology, 2006, 22(6): 625-628. doi: 10.1007/s11274-005-9081-5
    [14] MORI T, SAKIMOTO M, KAGI T, et al. Secondary alcohol dehydrogenase from a vinyl alcohol oligomer-degrading Geotrichum fermentans: Stabilization with Triton X-100 and activity toward polymers with polymerization degrees less than 20[J]. World Journal of Microbiology and Biotechnology, 1998, 14(3): 349-356. doi: 10.1023/A:1008857026443
    [15] QIAN D, DU G, CHEN J. Isolation and culture characterization of a new polyvinyl alcohol-degrading strain: Penicillium sp. WSH02-21[J]. World Journal of Microbiology and Biotechnology, 2004, 20(6): 587-591. doi: 10.1023/B:WIBI.0000043172.83610.08
    [16] MORI T, SAKIMOTO M, KAGI T. Isolation and characterization of a strain of Bacillus megaterium that degrades poly(vinyl alcohol)[J]. Bioscience, Biotechnology, and Biochemistry, 1996, 60(2): 330-332. doi: 10.1271/bbb.60.330
    [17] SAKAZAWA C, SHIMAO M, TANIGUCHI Y, et al. Symbiotic utilization of polyvinyl alcohol by mixed cultures[J]. Applied and Environmental Microbiology, 1981, 41(1): 261-267.
    [18] SHIMAO M, FUKUTA I, KATO N, et al. Mixed continuous cultures of polyvinyl alcohol-utilizing symbionts Pseudomonas putida VM15A and Pseudomonas sp. strain VM15C[J]. Applied and Environmental Microbiology, 1984, 48(4): 751-754.
    [19] RONG D, USUI K, MOROHOSHI T, et al. Symbiotic degradation of polyvinyl alcohol by Novosphingobium sp. and Xanthobacter flavus[J]. Journal of Environmental Biotechnology, 2009, 9(2): 131-134.
    [20] 宋朝霞, 张颖, 钱鼎, 等. 聚乙烯醇降解酶产生菌的筛选及生物多样性初探[J]. 食品与生物技术学报, 2005, 24(4): 100-103. doi: 10.3321/j.issn:1673-1689.2005.04.022
    [21] FINLE Y, JOSEPH H. Spectrophotometric determination of polyvinyl alcohol in paper coatings[J]. Analytical Chemistry, 1961, 33(13): 1925-1927. doi: 10.1021/ac50154a044
    [22] 刘文娜, 吴文良, 王秀斌, 等. 不同土壤类型和农业用地方式对土壤微生物量碳的影响[J]. 植物营养与肥料学报, 2006, 12(3): 406-411. doi: 10.3321/j.issn:1008-505X.2006.03.020
    [23] 王伏伟, 王晓波, 李金才, 等. 施肥及秸秆还田对砂姜黑土细菌群落的影响[J]. 中国生态农业学报, 2015, 23(10): 1302-1311.
    [24] HU X P, MAMOTO R, SHIMOMURA Y, et al. Cell surface structure enhancing uptake of polyvinyl alcohol (PVA) is induced by PVA in the PVA-utilizing Sphingopyxis sp. strain 113P3[J]. Archives of Microbiology, 2007, 188(3): 235-241. doi: 10.1007/s00203-007-0239-4
    [25] 肖建军, 李亚龙, 杨琦. 苯降解菌的筛选及其对苯的降解研究[J]. 环境工程, 2018, 36(6): 159-162.
    [26] WEI Y, FU J, WU J, et al. Bioinformatics analysis and characterization of highly efficient polyvinyl alcohol (PVA)-degrading enzymes from the novel PVA degrader Stenotrophomonas rhizophila QL-P4[J]. Applied and Environmental Microbiology, 2017, 84(1): 1817-1898.
  • 加载中
图( 6) 表( 1)
计量
  • 文章访问数:  4479
  • HTML全文浏览数:  4479
  • PDF下载数:  77
  • 施引文献:  0
出版历程
  • 收稿日期:  2019-04-23
  • 录用日期:  2019-07-09
  • 刊出日期:  2020-02-01
陈萍, 王晨媛, 贾智锐, 荆硕, 张毅. 聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性[J]. 环境工程学报, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
引用本文: 陈萍, 王晨媛, 贾智锐, 荆硕, 张毅. 聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性[J]. 环境工程学报, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
CHEN Ping, WANG Chenyuan, JIA Zhirui, JING Shuo, ZHANG Yi. Analysis of microbial community structure of poly(vinyl acohol) degradation and the degradation characteristics of the dominant strain[J]. Chinese Journal of Environmental Engineering, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151
Citation: CHEN Ping, WANG Chenyuan, JIA Zhirui, JING Shuo, ZHANG Yi. Analysis of microbial community structure of poly(vinyl acohol) degradation and the degradation characteristics of the dominant strain[J]. Chinese Journal of Environmental Engineering, 2020, 14(2): 560-568. doi: 10.12030/j.cjee.201904151

聚乙烯醇生物降解菌群的结构分析及优势菌株降解特性

    通讯作者: 张毅(1964—),男,博士,副教授。研究方向:发酵工程等。E-mail:btyzhang@scut.edu.cn
    作者简介: 陈萍(1994—),男,硕士研究生。研究方向:生物工程。E-mail:201721044353@mail.scut.edu.cn
  • 华南理工大学生物科学与工程学院,广州 510006
基金项目:
广东自然科学基金资助项目 (2013B090600028)

摘要: 对堆肥中降解聚乙烯醇材料的微生物菌群结构进行了分析。结果表明:降解聚乙烯醇材料的优势菌群属于芽胞杆菌科(Bacillaceae)。从降解了3年的材料表面筛选出了1株聚乙烯醇降解菌DG01,鉴定为苏云金杆菌(Bacillus thuringiensis sp.)。分别以聚乙烯醇(poly(vinyl alcohol),PVA)浓度和二氧化碳排放量为指标,对PVA的降解动力学进行了研究。结果表明:PVA生物降解过程符合一级动力学模型,R2分别为0.984 0和0.983 5。对摇瓶培养条件进行了单因素优化实验。最佳降解温度,初始pH和酵母粉浓度分别为41 ℃、7和1.40 g·L−1。优化后,48 h内PVA初始浓度为3 g·L−1的降解率达到了45.21%,提高了2.10倍。

English Abstract

  • 聚乙烯醇(PVA)通过聚醋酸乙烯酯水解制得,是一种具有良好性能且可生物降解的水溶性聚合物[1]。PVA因其良好的水溶性,粘附性,耐磨性和强韧性等优良的性能,被广泛用于农用地膜,纺织上浆和食品包装等行业[2]。PVA具有较大的表面活性,因此,大量降解缓慢的PVA广泛存在于自然界中,造成水体和泥土富氧、生态环境危害和生物链的破坏[1, 3]。许多研究报道了处理PVA的物理和化学的方法,如吸附法[4]、化学凝固法[5]、超声波降解法[6]、膜过滤法[7]和催化氧化法[8]。但这些方法成本较高且可能造成二次污染,而生物降解法更加高效和经济,因此,筛选高效降解菌和优化降解方式对于减少PVA污染而言具有重要意义[9]

    自1973年首株能够降解PVA的假单胞菌(Pseudomonas O-3)[10]被分离出以来,大量关于PVA降解菌的研究被报道。从染料厂废水中分离出的鞘氨醇盒菌(Sphingopyxis sp. PVA3)在6 d的培养中,对初始浓度为1 g·L−1 PVA的降解率达到90%[11]。粪产碱菌(Alcaligenes faecalis KK314)降解PVA的机理被详细报道,PVA上的羟基首先被氧化为β-羟基酮,然后被进一步水解为甲基酮类化合物和羧酸类化合物[12]。放线菌委内瑞拉链霉菌(Streptomyces venenzuelae GY1)能产生降解PVA的诱导型胞外酶[13]。地霉 (Geotrichum WF9101)对低分子质量的PVA具有降解的活性[14]。青霉菌(Penicillium sp. WSH02-21)能在12 d内将PVA降解完全,且能够分泌过氧化氢酶,防止氧化PVA过程中产生的过氧化氢对细胞产生损害[15]。共生降解也被广泛研究,其主要分为2种模式。首先是MORI等[16]报道的2种菌株共代谢,2株菌都不分泌生长因子。另外一种模式由SAKAZAWA等[17]提出。其中1株菌分泌生长因子,其他菌利用这种生长因子进行聚合物降解,如假单胞菌(Pseudomonas sp.VM15C)和恶臭假单胞菌(Pseudomonas putida VM15A)[18],新鞘氨醇菌(Novosphingobium sp.) 和黄色杆菌(Xanthobacter flavus)等[19]。由于PVA降解菌广泛存在于自然界[20],因此,进一步筛选高效菌并研究降解特性就具有独特意义。本研究通过对聚乙烯醇材料堆肥,研究了材料表面的生物多样性变化,并且从经历了3年降解的PVA材料表面筛选到了能独立降解PVA的苏云金芽孢杆菌(Bacillus thuringiensis sp.),命名为DG01。对DG01进行了摇瓶降解实验和呼吸降解实验,并对其降解特性进行了研究。

  • 聚乙烯醇材料受赠于华南理工大学材料科学与工程学院;DNA提取试剂盒购于美国OMEGA公司;PVA2488(平均聚合度2 400±50,醇解度86.0%~90.0%)购于台湾长春化工有限公司。

  • 将材料切割成若干长方块(长3.5 cm,宽 2.0 cm,高 1.0 cm)。将长方块置于超净台中紫外灭菌45 min。用商业型堆肥对材料进行覆盖,覆盖深度为10 cm。将被肥料覆盖好的材料置于常温下避光保藏。在降解过程中,适量加水与翻动土壤,保证堆肥的含氧量和湿度。在降解1、2、3 a时分别取样。每次取3个样,对材料表面细菌的多样性进行分析。

  • 在聚乙烯醇材料降解过程中,用DNA提取试剂盒提取材料表面微生物的DNA。将目标时间段的材料置于装有50 mL无菌生理盐水的250 mL三角烧瓶中,适当振荡后,取出材料。按照试剂盒步骤提取DNA,提取液须−20 ℃保存。使用1%的琼脂糖进行电泳检查DNA样品是否合格。

  • 选取通用引物(F338(5′-ACTCCTACGGGAGGCAGCA-3′)和R806(5′-GGACTACHVGGGTWTCTAAT-3′)),扩增细菌16S DNA片段的V3~V4区。PCR总体系为50 µL,包括25 µL premix,上下游引物各为0.5 µL,模板DNA 1 µL,ddH2O 23 µL。反应条件为:94 ℃预变性5 min;94 ℃变性30 s;58 ℃退火45 s;72 ℃延伸60 s,循环25次;最后72 ℃延伸10 min。样品储存的温度为4 ℃。用1.2%凝胶琼脂糖做凝胶电泳检测,最后由广州基迪奥生物科技有限公司对其测序。

  • 在数据预处理时,基于序列末端相重合的部分,用FLASH将序列拼接起来。采用Usearch和Uchime除去非扩增区域序列和嵌合体。使用Prinseq 软件,控制过滤去除编码序列以及部分低质量序列。读段与接头序列对比超过15 bp长度,则认为接头污染。读段与接头序列超过9 bp长度,则认为质量较低。

    在OTUs(operating taxonomic units)分类及Alpha多样性分析时,使用Mothur平台数据对tag进行去冗余处理,挑选出Unique tag。在相似度97%的水平上,对这些有效数据进行OTUs聚类分析、物种分析及稀释曲线分析。基于OTUs结果,用QIIME计算出多样性指数Chao、Ace和丰富度指数Shannon、Simpson。采用Bayesian算法,对代表OTUs进行分类并选取最佳分类水平,比较微生物多样性的变化。

  • 选取经历了3年降解的材料,从材料表面筛选出了可降解PVA的菌株DG01。经过16S鉴定,株菌与Bacillus thuringiensis BM-BT15426(CP020723.1)相似度达到100%,命名为DG01。

  • LB培养基:蛋白胨 10.0 g·L−1,NaCl 5.0 g·L−1,葡萄糖 1.0 g·L−1,酵母膏粉 5.0 g·L−1,pH 7.0±0.2。

    营养琼脂培养基:蛋白胨 10.0 g·L−1,牛肉浸出粉 3.0 g·L−1,氯化钠 14.0 g·L−1,琼脂 14.0 g·L−1,pH 7.0±0.2。

    PVA无机盐培养基:PVA 24 883.0 g·L−1,酵母提取粉 1 g·L−1,NH4NO3 0.10 g·L−1,NaCl 0.02 g·L−1,MgSO4 0.05 g·L−1,CaCl2 0.05 g·L−1,FeSO4·7H2O 0.02 g·L−1,K2HPO4 1.60 g·L−1,KH2PO4 0.20 g·L−1,pH 7.0~7.2。

    无机盐培养基:酵母提取粉 1.0 g·L−1,NH4NO3 0.10 g·L−1,NaCl 0.02 g·L−1,MgSO4 0.05 g·L−1,CaCl2 0.05 g·L−1,FeSO4·7H2O 0.02 g·L−1,K2HPO4 1.60 g·L−1,KH2PO4 0.20 g·L−1,pH 7.0~7.2。

  • 从斜面上挑取适量菌株至100 mL(37 ℃,150 r·min−1)LB活化培养基中活化。活化16 h后,按无机盐培养基体积的5%接种菌液。

  • 1)摇瓶降解实验。按培养方法,将接种了DG01的PVA无机盐培养基置于37 ℃,150 r·min−1 摇床中培养。每组3个平行,每隔48 h取样,测定培养基中PVA的浓度、pH、活菌浓度。

    活菌浓度的测定:根据GB 4789.2-2016,对摇瓶降解实验的菌浓度进行测定。取1 mL的菌液,稀释至原菌液浓度的10−4、10−5、10−6倍;各取50 μL,涂布于营养琼脂培养基平板;将涂布好的平板置于37 ℃培养8 h左右,记录每个平板的菌落数;活菌浓度及其平均值按式(1)和式(2)计算。

    式中:N为活菌浓度,CFU·mL−1Ni为第i个样品的活菌浓度,CFU·mL−1;∑C为平板上的菌落之和;ni为稀释的倍数。

    PVA浓度的测定:采用改良的finely法[21],取上清液,通过96孔板,测量PVA浓度和PVA降解率。取摇瓶培养后的发酵液,8 000g离心10 min后,保留上清液;将碘化钾-碘溶液60 μL(碘1.27 g·L−1、碘化钾2.5 g·L−1),上清液40 μL和100 μL硼酸(浓度4 g·L−1)依次加入96孔板;在避光4 ℃下反应15 min;用酶标仪检测波长为510 nm处的吸光度,通过标准曲线测定PVA的浓度,且以显色后的吸光度计算降解率。

    降解率按照式(3)进行计算。

    式中:η为PVA的降解率;A0为标准对照,降解前培养基的吸光度;A1为降解后培养基的吸光度;A为空白,无机盐培养基的吸光度。

  • 2)以二氧化碳为指标的降解率的测定。根据EN ISO 14852-2004的方法搭建测定装置。在37 ℃下测试15 d。装置分为3部分:第1个部分吸收流入空气中的二氧化碳,由3个500 mL三角瓶组成,前2个瓶装200 mL的氢氧化钠溶液(0.05 mol·L−1,吸收二氧化碳),第3个瓶中装氢氧化钡溶液(0.012 5 mol·L−1),以检验二氧化碳是否除净;第2个部分由DG01利用PVA产生二氧化碳,由1个500 mL三角瓶组成,瓶子装有200 mL接种DG01后的PVA无机盐培养基;第3部分吸收由菌株产生的二氧化碳,由3个500 mL的三角烧瓶,分别装有200 mL 经过矫正的氢氧化钡溶液。气体流速控制在80 mL·min−1左右。用标准氢氧化钠(0.05 mol·L−1)矫正盐酸,然后用矫正后的盐酸滴定第3部分的氢氧化钡溶液来计算二氧化碳排放量。

    以二氧化碳排放量为指标的降解率按照式(4)计算。

    式中:η1为降解率;C0为装置第3部分氢氧化钡的浓度,mol·L−1V0为装置中第3部分所含氢氧化钡的总体积,mL;C1为盐酸的浓度,mol·L−1V1为滴定时消耗盐酸的总体积,mL;M为CO2的相对分子质量,g·mol−1TCO2为理论上排放的总二氧化碳,在本装置中取值为1.198 8 g。

  • 3)DG01降解PVA2488最适条件研究。按培养方法将PVA无机盐培养基分别置于不同温度下(33、35、37、39、41、43、45 ℃),培养48 h,每组3个平行,测定降解前后的浓度,以此计算出PVA的降解率。考察最优降解温度。

    按培养方法将DG01接种于酵母粉浓度不同(0.2、0.5、0.8、1.1、1.4、1.7、2.0 g·L−1)的无机盐培养基中,培养48 h,每组3个平行,测定降解前后PVA浓度,以此来计算PVA的降解率。考察最优酵母粉浓度。

    配制初始pH不同的无机盐培养基(5.0、5.5、6.0、6.5、7.0、7.5、8.0)。按培养方法将DG01接种到配好的培养基中,培养48 h,每组3个平行,测定降解前后浓度,以此计算出PVA的降解率。考察最优初始pH。

  • 群落多样性分析:基于V3+V4区的测序,经过处理,最终从降解时间为1、2、3 a的材料表面的样品中分别获得427、556和604个OTUs。降解1、2、3 a样品的稀释曲线分别在600、550和400个左右趋于平缓,说明测序覆盖率良好,基本覆盖样品的全物种。由表1可以看出,降解2 a的Chao1指数达到最大值,Simpson指数微量增高。能利用聚乙烯醇材料生长的微生物渐渐汇集在材料表面,不能利用材料的微生物逐渐减少,导致多样性减少。堆肥带来大量的有机质以及营养物质,对汇集在材料表面的微生物有促进作用,使细菌的丰富度增加[22]。降解3 a的Chao1指数大幅度下降,Simpson大幅度增高。材料被长期覆盖后,其表面的结构,营养成分以及通氧量发生了改变,限制了菌株的生长,导致物种多样性和丰富度都下降[23]

    菌群结构变化及优势菌株分析:通过尽可能降低分类水平和提高tag的注释率,可获得最佳分类水平。分别在界、门、纲、目、科、属、种分类水平上统计tag序列数。结果如图1所示。在界、门、纲、目、科的分类水平上均有100%的tag序列能被注释。在分类水平属上,降解3 a的样品有接近80%的tag能被注释,降解1年和2年样品的tag只有10%能被注释。因此,科为最佳分类水平。

    图2所示,聚乙烯醇材料在堆肥中降解时,汇集在材料表面的菌群主要包括10个科(每个科的丰度在2%以上),分别是状杆菌科(Corynebacteriaceae)、诺卡氏菌科(Nocardioidaceae)、鞘氨醇杆菌科(Sphingobacteriaceae)、杆菌科(Bacillaceae)、细胞噬菌体科(Cytophagaceae)、梭状芽孢杆菌科(Clostridiaceae)、生丝微菌科(Hyphomicrobiaceae)、草杆菌科(Oxalobacteraceae)、肠杆菌科(Enterobacteriaceae)、摩拉克菌科(Moraxelleceae)。其中在3个时期都占主要成分是杆菌科(Bacillaceae),在降解的第1年和第3年都占绝大多数,相对丰度分别达到82.47%及64.62%。肠杆菌科(Enterobacteriaceae)主要在中前期被检测到,而在第3年几乎检测不到。梭状芽孢杆菌科(Clostridiaceae)随着时间增长其相对丰度也从5%缓慢增加到16%左右。其他7类菌株在前期丰度相对较少,在中后期几乎检测不出。在材料降解的第1年,第2年,第3年,Bacillaceae的丰度都明显较高,故认为其是优势菌。

  • 从经历了3年降解的聚乙烯材料表面筛出了能降解聚乙烯醇的菌株。经16S rRNA分子生物学鉴定,该菌株属于在降解过程中占优势的杆菌科(Bacillaceae),命名为Bacillus thuringiensis DG01。能降解PVA的Bacillus thuringiensis鲜有报道。

  • 1)无机盐培养基下DG01形态SEM观察。对在PVA无机盐培养基里培养8 d的菌株进行电镜观察,结果如图3所示,DG01呈椭圆杆状长度和宽度各约为1.30 μm和0.64 μm。不同于在活化培养基的大小约1.4 μm×3.2 μm(图片没有给出),微生物形态变化可能与吸收PVA有关。HU等[24]发现,Spingopyxis sp.113P3在吸收PVA时,膜结构发生改变,以利于微生物吸收培养基中PVA。

  • 2) DG01降解PVA2488实验。Bacillus thuringiensis DG01降解PVA2488的过程如图4所示,活菌浓度在48 h内进入稳定期并达到最大值,在随后的6 d内维持不变。平衡期DG01的pH维持在8.20左右,降解环境维持稳定。对培养基中PVA浓度的下降趋势进行了动力学分析,结果表明PVA浓度下降趋势与一级动力学模型吻合良好,降解速率常数kR2分别为0.195 d−1和0.984[25]

    图5表明,DG01在前2 d降解率比较高,随后每天的降解率急剧下降。第1 天和第2 天的降解率之和达到18.04%,在后13 d内每天的降解率均较低。降解趋势符合一级动力学模型,R2为0.983 5。由图4图5可知,以PVA浓度为指标表示的降解率与以二氧化碳排放量为指标表示的降解率不相符,后者的降解滞后于前者,说明细胞吸收的PVA并没有立即全部转化为CO2,降解时产生了中间体。目前普遍认为PVA的降解主要分为2步。首先,PVA上的羟基被氧化,形成单酮和β–二羰基结构;然后,这些单酮和β–二羰基被进一步水解,PVA分子链断开,生成羧酸和甲基酮类物质。通过重复以上2步反应,PVA分子链不断变短,形成短链羧酸类物质,这些物质最终进入微生物的中心代谢途径,成为微生物的能源物质和细胞生长可利用的碳源[3,26]。通过对比降解前后PVA2488的红外光谱图,发现有新的羧基产生。凝胶排阻色谱图表明降解前后PVA2488的分子质量有所减小。因此,认为在PVA2488在降解过程中,可能产生了分子链相对较短的羧酸类物质。

  • 3) DG01降解PVA2488最适条件研究。分别对温度、初始pH和初始酵母粉浓度进行了单因素优化,结果如图6所示。当培养温度为41 ℃ 时,PVA2488降解率最高,可达到40.65%;当初始酵母粉浓度为1.4 g·L−1时,PVA2488降解率最高,可达到34.36%;当初始pH为7.0时,PVA2488降解率最高,可达到25.14%。因此,选择最优培养温度为41 ℃,最优初始酵母粉浓度为1.4 g·L−1,最优初始pH为7.0。

    按培养方法,在酵母粉浓度为1.4 g·L−1,初始pH为7.0的PVA培养基中接种DG01。在温度为41 ℃的条件下培养48 h,测量3个平行样降解前后培养基中PVA浓度,计算其降解率。结果表明,在最适条件下,DG01对初始浓度为3 g·L−1 PVA的降解率可达到45.21%,降解了1.356 g·L−1的PVA,降解率提高了2.10倍。优化后PVA降解速率为0.678 g·(L·d)−1,高于Stenotrophomonas rhizophila QL-P4[26]Sphingopyxis sp.PVA3[11],其降解速率在PVA初始浓度为1 g·L−1时分别为0.350 g·(L·d)−1和0.125 g·(L·d)−1。也高于Pseudomonas sp.strain VM15C[18]Penicillium sp.WSH02-21[15], 其降解速率在PVA初始浓度为5 g·L−1时分别为0.500 g·(L·d)−1和0.417 g·(L·d)−1。由此可见,DG01有相对较高的降解速率,有潜在的应用前景。

  • 1) 通过高通量测序,分析了聚乙烯醇复合材料降解过程中材料表面种群结构的变化,并找到了优势种群Bacillaceae,为堆肥降解PVA的研究提供了基础。在接下来的研究中将对堆肥中降解PVA菌群的功能进行分析。

    2) 从降解了3 a的材料中筛选出属于优势种群Bacillaceae的菌株Bacillus thuringiensis DG01。分别以培养基中PVA浓度和CO2排放量为指标研究降解趋势。2种指标下的降解趋势都符合一次降解动力学模型,且培养基中被微生物吸收的PVA没有完全转化为CO2。进一步研究发现,PVA在降解过程中产生了羧酸类物质,为研究该菌株降解PVA的机理做出了指导。在接下来的研究中将进一步详细探讨该菌株降解PVA的过程。

    3) 对DG01降解PVA2488的条件进行了优化,结果表明,其最适温度、初始pH和酵母粉浓度分别为41 ℃、7.0和1.4 g·L−1。在最佳条件下,3 g·L−1 的PVA在24 h的降解率为45.21%,提高了2.10倍。为该菌株降解PVA的实际应用打下了坚实基础。

参考文献 (26)

返回顶部

目录

/

返回文章
返回