Abstract Two fundamental questions in ecology are how biodiversity is maintained and how it affects ecosystem functioning. Until now, it has been difficult to study the above mechanisms in natural microbial communities, yet they are important drivers of biogeochemical ecosystem functions. Here, we use a new approach to define and measure biodiversity in complex lake microbial communities (Lake Cadagno, Switzerland) based on the cell-to-cell variation in multiple functionally relevant phenotypic traits. We use stable isotope probing coupled to correlative imaging using confocal laser scanning microscopy (CLSM) and nanometer-scale secondary ion mass spectrometry (NanoSIMS) to obtain morphological (size), physiological (pigments) and metabolic (carbon and nitrogen isotope uptake and sulfur content) traits for a large number of individual cells along the environmental gradient found across lake depth. We show that cell-to-cell trait variation is significantly correlated with cell densities as a proxy for ecosystem functioning, whereas genetic diversity measured at the level of 16S and 18S is not. Our single-cell analysis provides evidence for a simultaneous increase in niche partitioning (measured as increased evenness in pigment composition) and decrease in fitness differences (measured as decreased variability in sulfur content) due to light limitation and competition for nutrients in deep layers of the lake. This leads to a negative relationship between niche and fitness differences. Our results suggest that niche and fitness differences in natural microbial communities can be understood at the level of single-cell traits, providing a mechanistic understanding of the relationship between microbial diversity and ecosystem functioning.

Forecasting anthropogenic changes to ecological communities is one of the central challenges in ecology. However, nonlinear dependencies, biotic interactions and data limitations have limited our ability to assess how predictable communities are. Here we used a machine learning approach and environmental monitoring data (biological, physical and chemical) to assess the predictability of phytoplankton cell density in one lake across an unprecedented range of time scales. Communities were highly predictable over hours to months: model R2 decreased from 0.89 at 4 hours to 0.75 at 1 month, and in a long-term dataset lacking fine spatial resolution, from 0.46 at 1 month to 0.32 at 10 years. When cyanobacterial and eukaryotic algal cell density were examined separately, model-inferred environmental growth dependencies matched laboratory studies, and suggested novel trade-offs governing their competition. High-frequency monitoring and machine learning can help elucidate the mechanisms underlying ecological dynamics and set prediction targets for process-based models.

Scanning flow cytometry (SFCM) is characterized by the measurement of time-resolved pulses of fluorescence and scattering, enabling the high-throughput quantification of phytoplankton morphology and pigmentation. Quantifying variation at the single cell and colony level improves our ability to understand dynamics in natural communities. Automated high-frequency monitoring of these communities is presently limited by the absence of repeatable, rapid protocols to analyse SFCM datasets, where images of individual particles are not available. Here we demonstrate a repeatable, semi-automated method to (1) rapidly clean SFCM data from a phytoplankton community by removing signals that do not belong to live phytoplankton cells, (2) classify individual cells into trait clusters that correspond to functional groups, and (3) quantify the biovolumes of individual cells, the total biovolume of the whole community and the total biovolumes of the major functional groups. Our method involves the development of training datasets using lab cultures, the use of an unsupervised clustering algorithm to identify trait clusters, and machine learning tools (random forests) to (1) evaluate variable importance, (2) classify data points, and (3) estimate biovolumes of individual cells. We provide example datasets and R code for our analytical approach that can be adapted for analysis of datasets from other flow cytometers or scanning flow cytometers.

Abstract Individual-level variation arising from responses to environmental gradients influences population and community dynamics. How such responses empirically relate to the mechanisms that govern species coexistence is however not well understood. Previous results from lake phytoplankton communities suggested that the evenness of organisms in multidimensional trait space increases with resource limitation, possibly due to resource partitioning at the individual level. Here we experimentally tested the emergence of this pattern by growing two phytoplankton species (Pseudokirchneriella subcapitata, Microcystis aeruginosa) under a gradient of light intensity, in monoculture and jointly. Under low light (resource) conditions, the populations diversified into a wide range of phenotypes, which were evenly distributed in multidimensional trait space (defined by four pigment-related trait dimensions), confirming the observed field pattern. Our results provide prime experimental evidence that resource limitation induces even spacing of conspecific and heterospecific microbial phenotypes along trait axes, and advances our understanding of trait-based coexistence.