Wuzhizhou Island (WZZ) is located in Haitang Bay in the northern region of Sanya, Hainan Island. The sea area surrounding WZZ represents a typical tropical marine ecosystem, characterised by diverse and complex habitats. Therefore, there is a rich variety of marine fish species at WZZ. The marine ecosystem of WZZ was seriously destroyed initially in the 1970s-1980s and recovered in the 1990s, then constructed as the first national tropical marine ranch demonstration area of China in 2019. As fish is an important high trophic vertebrate in the marine ecosystem, understanding the composition and distribution of fish species could help us to recognise the status of the ecosystem of WZZ and supply scientific data for construction of the national marine ranch demonstration area. This study used eDNA technology to investigate the composition of fish community surrounding WZZ and provided a scientific basis for realising and protecting the marine ecosystem of the South China Sea.

Identifying significant biological relationships or patterns is central to many metagenomic studies. Methods that estimate association networks have been proposed for this purpose, but they assume that associations are static, neglecting the fact that relationships in a microbial ecosystem may vary with changes in environmental factors, which can result in inaccurate estimations. We propose a computational model, k-Lognormal-Dirichlet-Multinomial model (kLDM), which estimates multiple association networks that correspond to specific environmental conditions according to values of environmental factors (EFs), and simultaneously infers microbe-microbe and environmental factor-microbe associations for each network. We showed the effectiveness of kLDM on synthetic data, a colorectal cancer dataset, as well as the TARA Oceans and American Gut project datasets. The results showed that the widely used Spearman's rank correlation coefficient (SCC) performed much worse than other methods, indicating the importance of separating samples by environmental conditions. We compared cancer fecal samples with cancer-free samples, and our estimation showed fewer associations among microbes but stronger associations between specific bacteria such as five colorectal cancer (CRC)-associated OTUs, indicating gut microbe translocation in cancer patients. Some environmental-factor-dependent associations were found within marine eukaryotic community, and gut microbial heterogeneity of irritable bowel disease (IBD) patients was detected. Results demonstrated that kLDM could successfully unravel the underlying biological associations. In summary, our study presents a computational framework that can elucidate the complex associations within microbial ecosystems. The kLDM program, R, and python scripts, together with all experimental datasets are all accessible at Github (https://github.com/tinglab/kLDM.git).

Wuzhizhou Island (WZZ) is one of the most mature tourism islands on the coast of the South China Sea, and its surrounding waters are rich in tropical coral reef fishes. Tourism could affect marine biodiversity, especially the coral reef fish community. In order to understand the species diversity of fish surrounding WZZ, environmental DNA (eDNA) samples were collected from six sampling sites around the island, located in the core and non-core tourism areas, respectively, from 2022 to 2023. In total, 188 fish species, belonging to 124 genera, 63 families and 17 orders, were detected using eDNA method. The Perciformes contained the highest number of species (n = 130, 69.15% of total number). Compared to traditional fishing nets, eDNA could provide more information on fish species. The results indicated that species richness and Margalef’s index were higher at the sampling sites in the core area of tourism of WZZ, which maybe relevant to tourism-based provisioning. By contrast, the Shannon–Wiener index, Pielou’s index and dominant species of fish did not display significant differences between core and non-core tourism areas. On the basis of the results of the β-diversity index, the differences in fish communities had a closer relationship to geographical location. Furthermore, there were obvious differences in fish communities in different seasons, which may be attributed to the influence of ocean currents.