Soil fungal communities are pivotal components in ecosystems and play an essential role in global biogeochemical cycles. In this study, we determined the fungal communities of a natural larch forest and a manual plantation larch forest in Heilongjiang Zhongyangzhan Black-billed Capercaillie Nature Reserve and Gala Mountain Forest using high-throughput sequencing. The interactions between soil fungal communities were analysed utilising a co-occurrence network. The relationship between soil nutrients and soil fungal communities was determined with the help of Mantel analysis and a correlation heatmap. The Kruskal-Wallis test indicated that different genera of fungi differed in the two forest types. The results show that there was a significant change in the alpha diversity of soil fungal communities in both forests. In contrast, nonmetric multidimensional scaling (NMDS) analysis showed significant differences in the soil fungal community structures between the manual plantation larch forest and the natural larch forest. The soil fungal co-occurrence network showed that the complexity of the soil fungal communities in the manual plantation larch forest decreased significantly compared to those in the natural larch forest. A Mantel analysis revealed a correlation between the soil fungal co-occurrence network, the composition of soil fungi, and soil nutrients. The RDA analysis also showed that AN, TK, and pH mainly influenced the soil fungal community. The null model test results showed the importance of stochastic processes in soil fungal community assembly in manual plantation larch forests. Overall, this study enhances our understanding of the differences in soil fungal communities in manual plantation larch forests and natural larch forests, providing insights into their sustainable management. It also serves as a reminder that the ecological balance of natural ecosystems is difficult to restore through human intervention, so we need to protect natural ecosystems.

To cope with the rapid growth of scientific publications and data in biomedical research, knowledge graphs (KGs) have emerged as a powerful data structure for integrating large volumes of heterogeneous data to facilitate accurate and efficient information retrieval and automated knowledge discovery (AKD). However, transforming unstructured content from scientific literature into KGs has remained a significant challenge, with previous methods unable to achieve human-level accuracy. In this study, we utilized an information extraction pipeline that won first-place in the LitCoin NLP Challenge to construct a large-scale KG using all PubMed abstracts. The quality of the large-scale information extraction rivals that of human expert annotations, signaling a new era of automatic, high-quality database construction from literature. Our extracted information markedly surpasses the amount of content in manually curated public databases. To enhance the KG9s comprehensiveness, we integrated relation data from 40 public databases and relation information inferred from high-throughput genomics data. The comprehensive KG enabled rigorous performance evaluation of AKD, infeasible in previous studies. We designed an interpretable, probabilistic-based inference method to identify indirect causal relations and achieved unprecedented results for drug target identification and drug repurposing. Taking lung cancer as an example, we found that 40% of drug targets reported in literature could have been predicted by our algorithm about 15 years ago in a retrospective study, demonstrating that substantial acceleration in scientific discovery could be achieved through automated hypotheses generation and timely dissemination. A cloud-based platform was developed for academic users to freely access this rich structured data and associated tools.