Detection of multiple fish species in the diet of the invasive round goby reveals new trophic interactions in the Baltic Sea
No Thumbnail Available
Files
Date
2023-04-28T12:14:47.365794Z
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Swedish National Data Service
Svensk Nationell Datatjänst
Svensk Nationell Datatjänst
Abstract
Description
The purpose of the study was to investigate round goby diet in two geographically distant areas in the Baltic Sea in two consecutive years, using two different methods. We collected round goby using fyke nets and gill nets in May and June 2018-2019 in Karlskrona in the southern Baltic Sea and on Åland in the northern Baltic Sea. The data set contains data of round goby diet, collected through both visual stomach content analysis (VSCA) and DNA metabarcoding. In VSCA, we dissected round goby and determined the prey items to the lowest possible taxonomic level, counted the individual prey/prey groups and estimated their relative proportions in each sample. In DNA metabarcoding, we used the 12S marker for detection of fish species in round goby diet, and the COI marker for an estimation of the proportions of fishes vs. invertebrates in the diet. DNA from round goby stomach samples was amplified using PCR and sequenced on the Illumina MiSeq platform. The output is then provided as number of sequences per prey species per sample, which roughly corresponds to relative biomass per prey species per sample. This makes it possible to compare approximate diet proportions between VSCA and DNA metabarcoding. We then analyzed round goby diet variation between areas and years for VSCA and metabarcoding (12S) separately with Redundancy analysis (RDA).
In order to investigate how round goby environmental abundances potentially influenced round goby diet, we analyzed how the fyke net catches varied between areas, years and months. The data of round goby environmental abundances was standardized for catch per unit effort (CPUE) to make comparisons possible. We then related the fyke net catches to number of prey aggregated in prey groups in round goby diet using linear mixed models (LMM) and general linear mixed models (GLMM).
To minimize the risk of drawing the wrong conclusions from the analysis of how round goby environmental abundances potentially influenced round goby diet, we also analyzed the environmental densities of various prey groups. We wanted to be as certain as possible that potential differences in round goby diet between years was in fact related to differences in e.g. round goby foraging, and not confused with potentially large variation in prey environmental differences. We got access to data of occurrences of fish fry/larvae from Karlskrona (both years) and invertebrates from Karlskrona and Åland (both years) from the Blekinge county administrative board and the Bureau of Fisheries/Husö biological station on Åland, respectively. The data of prey environmental densities was standardized for sampling effort to make comparisons possible between years. We analyzed potential differences in prey environmental abundances within areas between years with linear models.
In order to rerun the analyses, R software is required.
1. File Diet_data_RG_no_zoopl_200520_csv_1 (for RDA and relative prey proportions in VSCA). 346 rows, 50 columns.
2. File rg_dna_comparison_VSCA_COI_csv_1 (for visualization of fish and invertebrate proportions in DNA (COI) and visual stomach content analysis). 17 rows, 6 columns.
3. File RG_DNA_metabarcoding_12S_2018_2019_csv_1 (for RDA and relative prey proportions in DNA metabarcoding). 109 rows, 39 columns.
4. File RG_DNA_metabarcoding_FO_csv_1 (for visualization of frequency of occurrence of fish prey in DNA metabarcoding using 12S). 85 rows, 11 columns.
5. File DNA_seq_vs_rg_catch_csv_1 (for analysis of the number of sequences from fish prey against round goby environmental abundances). 105 rows, 11 columns.
6. File VSCA_prey_abund_vs_rg_catch_csv_1 (for analysis of the number of macroinvertebrate prey in VSCA against round goby environmental abundances). 5645 rows, 12 columns.
7. File data_ttest_fish_KK_1819_csv_1 (for analysis of fish prey densities in Karlskrona in 2018 and 2019). 25 rows, 4 columns.
8. File data_ttest_BMI_KK_1819_csv_1 (for analysis of macroinvertebrate prey densities in Karlskrona in 2018 and 2019). 37 rows, 4 columns.
9. File data_ttest_BMI_AL_1819_csv_1 (for analysis of macroinvertebrate prey densities in Åland in 2018 and 2019). 49 rows, 4 columns.
10. File data_ttest_rg_median_catch_1819_rev_csv_1 (for analysis of round goby environmental abundances in Åland and Karlskrona 2018 and 2019). 20 rows, 5 columns.
The files code_fish_diet_log.txt and Rplots.pdf contain textual and graphical output of the R script code_fish_diet.R (section 7). If the script is unpacked in the same directory as the data files, they can be reproduced with the command line:
Rscript code_fish_diet.R > code_fish_diet_log.txt. The last part of the log (output of sessionInfo) is also included separately in code_fish_diet_sessionInfo.txt in part 7.
Syftet med studien var att undersöka diet hos svartmunnad smörbult i två olika områden i Östersjön under två år genom att använda två olika metoder. Svartmunnad smörbult har samlats in genom ryssjefiske och nätfiske i maj och juni 2018-2019 i Karlskrona skärgård i södra Östersjön och på Åland i norra Östersjön. Datasetet innehåller data över diet hos svartmunnad smörbult, insamlat genom visuell dietanalys och DNA metabarcoding. Visuell dietanalys har gjorts genom dissektion och artbestämning av bytena till lägsta möjliga taxonomiska nivå, och sedan har vi både räknat byten/bytesgrupper och uppskattat deras relativa proportioner i varje prov. Vid DNA metabarcoding har vi använt oss av markören 12S för detektering av fiskarter i dieten, och markören COI för en uppskattning av proportionerna av fisk resp. ryggradslösa djur i dieten. DNA från smörbultarnas maginnehåll har amplifierats med PCR och sedan sekvenserats med Illumina MiSeq. Som output får man då antal sekvenser per bytesart, vilket ungefär motsvarar relativ biomassa per bytesart. Det gör att man kan jämföra ungefärliga dietproportioner mellan visuell dietanalys och metabarcoding. Variation i diet mellan områden och år analyserades separat för visuell dietanalys och metabarcoding (12S) med Redundancy analysis (RDA). För att se hur smörbultarnas förekomst i miljön eventuellt påverkade smörbultarnas diet analyserade vi hur ryssjefångsterna varierade mellan områden, månader och år. Data över svartmunnad smörbults förekomst i miljön har standardiserats för fångst per ansträngning (CPUE) för att göra data jämförbart mellan områden, månader och år. Sedan relaterade vi ryssjefångsterna till bytesgrupper i dieten med linear mixed models (LMM) och general linear mixed models (GLMM). För att minska risken att dra felaktiga slutsatser av analysen av smörbultarnas förekomst i miljön i relation till smörbultarnas diet undersökte vi tätheterna i miljön av olika bytesgrupper. Vi ville se så att eventuella skillnader mellan år i smörbultsdiet faktiskt berodde på att smörbultarna hade ätit andra saker eller olika mängder, och inte på eventuella stora skillnader i bytesförekomster i miljön. Vi fick tillgång till data över förekomst av fiskyngel/-larver från Karlskrona (båda åren) och över ryggradslösa djur från både Karlskrona och Åland (båda åren) från länsstyrelsen i Blekinge och Fiskeribyrån på Åland/Husö biologiska station. Data för tätheter i miljön av olika bytesgrupper har standardiserats för provtagningsansträngning för att möjliggöra jämförelser mellan år. Vi testade för skillnader inom områden mellan år med linjära modeller. För att kunna köra analyserna behövs mjukvaran R. 1. Fil Diet_data_RG_no_zoopl_200520_csv_1 (används för RDA och plotten över relativa bytesproportioner i visuell dietanalys). 346 rader, 50 kolumner. 2. Fil rg_dna_comparison_VSCA_COI_csv_1 (används för plotten över proportioner av fisk respektive ryggradslösa djur i dieten baserat på visuell dietanalys och metabarcoding (COI)). 17 rader, 6 kolumner. 3. Fil RG_DNA_metabarcoding_12S_2018_2019_csv_1 (används för RDA och plotten över relativa bytesproportioner baserat på DNA metabarcoding (12S)). 109 rader, 39 kolumner. 4. Fil RG_DNA_metabarcoding_FO_csv_1 (används för plotten över frekvensförekomst av fiskbyten i DNA metabarcoding (12S)). 85 rader, 11 kolumner. 5. Fil DNA_seq_vs_rg_catch_csv_1 (används för analysen av antal 12S-sekvenser från fiskbyten i dieten i förhållande till tätheter i miljön av svartmunnad smörbult). 105 rader, 11 kolumner. 6. Fil VSCA_prey_abund_vs_rg_catch_csv_1 (används för analysen av antal ryggradslösa byten i dieten i förhållande till tätheter i miljön av svartmunnad smörbult). 5645 rader, 12 kolumner. 7. Fil data_ttest_fish_KK_1819_csv_1 (används för analys av tätheter i miljön av fiskbyten i Karlskrona 2018 och 2019). 25 rader, 4 kolumner. 8. Fil data_ttest_BMI_KK_1819_csv_1 (används för analys av tätheter i miljön av ryggradslösa byten i Karlskrona 2018 och 2019). 37 rader, 4 kolumner. 9. Fil data_ttest_BMI_AL_1819_csv_1 (används för analys av tätheter i miljön av ryggradslösa byten på Åland 2018 och 2019). 49 rader, 4 kolumner. 10. Fil data_ttest_rg_median_catch_1819_rev_csv_1 (används för analys av tätheter i miljön av svartmunnad smörbult på Åland och i Karlskrona 2018 och 2019). 20 rader, 5 kolumner. Filerna code_fish_diet_log.txt och Rplots.pdf innehåller utdata i text och bild från R-skriptet code_fish_diet.R (avsnitt 7). Om skriptet körs i samma directory som datafilerna ligger i kan det reproduceras med kommandoraden: Rscript code_fish_diet.R > code_fish_diet_log.txt. Utdata från sessionInfo() har även lagts separat i filen code_fish_diet_sessionInfo.txt i avsnitt 7.
Syftet med studien var att undersöka diet hos svartmunnad smörbult i två olika områden i Östersjön under två år genom att använda två olika metoder. Svartmunnad smörbult har samlats in genom ryssjefiske och nätfiske i maj och juni 2018-2019 i Karlskrona skärgård i södra Östersjön och på Åland i norra Östersjön. Datasetet innehåller data över diet hos svartmunnad smörbult, insamlat genom visuell dietanalys och DNA metabarcoding. Visuell dietanalys har gjorts genom dissektion och artbestämning av bytena till lägsta möjliga taxonomiska nivå, och sedan har vi både räknat byten/bytesgrupper och uppskattat deras relativa proportioner i varje prov. Vid DNA metabarcoding har vi använt oss av markören 12S för detektering av fiskarter i dieten, och markören COI för en uppskattning av proportionerna av fisk resp. ryggradslösa djur i dieten. DNA från smörbultarnas maginnehåll har amplifierats med PCR och sedan sekvenserats med Illumina MiSeq. Som output får man då antal sekvenser per bytesart, vilket ungefär motsvarar relativ biomassa per bytesart. Det gör att man kan jämföra ungefärliga dietproportioner mellan visuell dietanalys och metabarcoding. Variation i diet mellan områden och år analyserades separat för visuell dietanalys och metabarcoding (12S) med Redundancy analysis (RDA). För att se hur smörbultarnas förekomst i miljön eventuellt påverkade smörbultarnas diet analyserade vi hur ryssjefångsterna varierade mellan områden, månader och år. Data över svartmunnad smörbults förekomst i miljön har standardiserats för fångst per ansträngning (CPUE) för att göra data jämförbart mellan områden, månader och år. Sedan relaterade vi ryssjefångsterna till bytesgrupper i dieten med linear mixed models (LMM) och general linear mixed models (GLMM). För att minska risken att dra felaktiga slutsatser av analysen av smörbultarnas förekomst i miljön i relation till smörbultarnas diet undersökte vi tätheterna i miljön av olika bytesgrupper. Vi ville se så att eventuella skillnader mellan år i smörbultsdiet faktiskt berodde på att smörbultarna hade ätit andra saker eller olika mängder, och inte på eventuella stora skillnader i bytesförekomster i miljön. Vi fick tillgång till data över förekomst av fiskyngel/-larver från Karlskrona (båda åren) och över ryggradslösa djur från både Karlskrona och Åland (båda åren) från länsstyrelsen i Blekinge och Fiskeribyrån på Åland/Husö biologiska station. Data för tätheter i miljön av olika bytesgrupper har standardiserats för provtagningsansträngning för att möjliggöra jämförelser mellan år. Vi testade för skillnader inom områden mellan år med linjära modeller. För att kunna köra analyserna behövs mjukvaran R. 1. Fil Diet_data_RG_no_zoopl_200520_csv_1 (används för RDA och plotten över relativa bytesproportioner i visuell dietanalys). 346 rader, 50 kolumner. 2. Fil rg_dna_comparison_VSCA_COI_csv_1 (används för plotten över proportioner av fisk respektive ryggradslösa djur i dieten baserat på visuell dietanalys och metabarcoding (COI)). 17 rader, 6 kolumner. 3. Fil RG_DNA_metabarcoding_12S_2018_2019_csv_1 (används för RDA och plotten över relativa bytesproportioner baserat på DNA metabarcoding (12S)). 109 rader, 39 kolumner. 4. Fil RG_DNA_metabarcoding_FO_csv_1 (används för plotten över frekvensförekomst av fiskbyten i DNA metabarcoding (12S)). 85 rader, 11 kolumner. 5. Fil DNA_seq_vs_rg_catch_csv_1 (används för analysen av antal 12S-sekvenser från fiskbyten i dieten i förhållande till tätheter i miljön av svartmunnad smörbult). 105 rader, 11 kolumner. 6. Fil VSCA_prey_abund_vs_rg_catch_csv_1 (används för analysen av antal ryggradslösa byten i dieten i förhållande till tätheter i miljön av svartmunnad smörbult). 5645 rader, 12 kolumner. 7. Fil data_ttest_fish_KK_1819_csv_1 (används för analys av tätheter i miljön av fiskbyten i Karlskrona 2018 och 2019). 25 rader, 4 kolumner. 8. Fil data_ttest_BMI_KK_1819_csv_1 (används för analys av tätheter i miljön av ryggradslösa byten i Karlskrona 2018 och 2019). 37 rader, 4 kolumner. 9. Fil data_ttest_BMI_AL_1819_csv_1 (används för analys av tätheter i miljön av ryggradslösa byten på Åland 2018 och 2019). 49 rader, 4 kolumner. 10. Fil data_ttest_rg_median_catch_1819_rev_csv_1 (används för analys av tätheter i miljön av svartmunnad smörbult på Åland och i Karlskrona 2018 och 2019). 20 rader, 5 kolumner. Filerna code_fish_diet_log.txt och Rplots.pdf innehåller utdata i text och bild från R-skriptet code_fish_diet.R (avsnitt 7). Om skriptet körs i samma directory som datafilerna ligger i kan det reproduceras med kommandoraden: Rscript code_fish_diet.R > code_fish_diet_log.txt. Utdata från sessionInfo() har även lagts separat i filen code_fish_diet_sessionInfo.txt i avsnitt 7.
Keywords
Ecology, Ekologi, Biological Sciences, Biologi, Natural Sciences, Naturvetenskap