A close relationship between soil-borne diseases, soil microbial community structure, and functional diversity has been described in the mulberry plant. In the present study, microbial abundance, community structure, and functional diversity in the soil rhizosphere were compared in resistant (Kangqing10) and susceptible (Guisang12) mulberry genotypes using the dilution plate method, micro-ecology technology, and polymerase chain reaction-denaturing gradient gel electrophoresis (PCR-DGGE). The goal of this study was to develop better management methods for mulberry cultivation and preventing and controlling bacterial wilt. Rhizosphere soil microorganisms were more abundant in the resistant normal mulberry genotype than in the susceptible normal mulberry genotype. Carbon source utilization was better in the susceptible normal mulberry genotype. These properties were lower in the resistant sickly mulberry genotype than in the susceptible sickly mulberry genotype. PCR-DGGE indicated that the bacterial and fungal community structures of the resistant genotypes were more stable than those of the susceptible genotypes. Correlation regression analysis implicated mulberry bacterial wilt in the loss of soil nutrients, particularly organic matter and nitrogen, which can disrupt the balance of the soil microbial community. Loss of soil organic matter and nitrogen had a lower impact on resistant genotype plants than on susceptible genotype plants. Therefore, resistant genotype plants displayed some resistance to bacterial wilt. Further insights into the soil rhizosphere microbial diversities of resistant and susceptible genotypes will help in the control and prevention of mulberry bacterial wilt.

DNA methylation is a critical epigenetic mechanism that plays a pivotal role in various biological processes. Currently, larger datasets from whole-genome bisulfite sequencing for DNA methylation pose challenges throughout the computational analysis pipeline, including storage and memory constraints. Unfortunately, storage formats and analysis tools have not kept pace with these increased resource demands. In this study, we present a new and efficient design for storing DNA methylation (DM) data after mapping in compressed binary indexed DM format. Our format significantly reduces storage space by 80%-95% compared to commonly used file formats for DNA methylation data after mapping. To enhance the processing of DNA methylation data in DM format, we have developed DMtools, a comprehensive toolkit that offers utilities such as rapid and random access, computation of DNA methylation profiles across genes, and analysis of differential DNA methylation. The analysis speed is improved by over 100 times compared to existing methods. Furthermore, we have created pyDMtools, a Python package that efficiently processes DM format files for Python users. The integration of the DM format and its associated tools represents significant progress in handling and exploring DNA methylation data, offering the potential to significantly reduce storage needs and improve downstream analysis capabilities.