Plant–mycorrhizal fungus co-occurrence network lacks substantial structure Francisco Encinas-Viso, David Alonso, John N. Klironomos, Rampal S. Etienne and Esther R. Chang

Spatial overlap

Spatial  overlap  as  a  predictor  of  species  interaction  has  

been used to test competition among plants (Roxburgh and 

Chesson,  1998)  and  to  describe  plant-animal  mutualistic 

networks (Vázquez et al. 2009). Vázquez et al. (2009) showed 

that spatial overlap, in combination with temporal variation 

and species abundance, is a good predictor of species interac-

tions. Moreover, a simulation study by Morales and Vázquez 

(2008) indicated that spatial aggregation of individuals and 

limited  dispersal  strongly  affects  network  statistics  (e.g.  

connectance,  nestedness),  thus  affecting  the  probability  of 

species interactions.

We  obtained  different  predictions  when  incorporating 

spatial  auto-correlation  in  our  null  models.  More  signifi-

cant  spatial  co-occurrences  were  found  when  spatial  auto-

correlation was not considered. All metrics pointed out at 

the high aggregation between the plant species Helictotrichon 

pratense and the AMF species Scutellospora calospora. Empiri-

cal  evidence  from  greenhouse  experiments  has  indicated 

that  these  species  interact  positively  (Klironomos  2003). 

In our analysis, the high aggregation of Bromus inermis and  

Glomus etunicatum seemed to be less strong than predicted 

by mutual dependence; however experimental evidence has 

465

of how to identify those ‘real’ interactions and avoid false 

positives. Different methods exist for this purpose, such as 

Bayesian methods and Bonferroni corrections (Gotelli and 

Ulrich 2010), but even when using these methods, one has 

to be cautious. A priori biological knowledge and the use of 

specific predictor variables (abiotic or biotic) are important 

to avoid false-positives. Moreover, AMF sporulation changes 

depending  on  physiological  and  environmental  conditions 

and  our  AMF  data  may  be  biased  by  cultivation  method 

because we used trap cultures (Sýkorová et al. 2007). How-

ever, the alternative, using molecular methods, has the dis-

advantage of allowing only a relatively low number of plant 

individuals to be sampled per species, which could increase 

type II errors (false negatives). For example, the number of 

individuals sampled per plant species in the dataset used by 

Opik et al. (2009), Davison et al. (2011) and Chagnon et al. 

(2012) varied from 6 to 31 (and these ranged over different 

successional stages and seasons). In the Montesinos-Navarro 

et al. (2012) dataset, this number ranged from 1 (for almost a 

third of the plant species) to 18. In contrast, records for plant 

species in our data set ranged from 73 to 1292, which is one 

to three orders of magnitude higher in sampling effort.

It must be noted that the species concept is still ambigu-

ous for AMF (Redecker et al. 2003, van der Heijden and  

Scheublin 2007). Given the complicated population genet-

ics  of  AMF  species  and  the  current  lack  of  consensus  in 

assigning taxa with molecular methods (Kruger et al. 2012, 

Redecker  et  al.  2013),  identifying  AMF  species  by  spore 

morphology seems more consistent. Some AMF types can 

only be detected using spore morphology, although others 

are only detected using molecular tools (Clapp et al. 2002). 

Ideally, a combination of the two methods is needed to cover 

the  whole  spectrum  of  AMF  in  a  community.  However, 

there is no doubt that the development of next-generation 

sequencing tools has opened up many new possibilities for 

studying AMF communities and new studies of plant–AMF 

networks should take advantage of that, but without neglect-

ing spatial structure.

Finally, we only studied one snapshot of the community 

but,  there  is  evidence  for  phenology  and  seasonal  dynam-

ics  being  crucial  in  the  assembly  of  AMF  communities 

(Dumbrell et al. 2011). As these factors have been shown to 

be important in shaping in plant–animal mutualistic webs 

as well (Vázquez et al. 2009), future studies should consider 

spatio-temporal  variability  when  investigating  plant-AMF 

networks (but see Bennett et al. 2013).

We  have  shown  that  stochastic  processes  seem  to  be 

important for at least the first step in assembly of our plant– 

AMF community, the probability of encountering potential 

partners. Thus, plants and AMF species do not track each 

other with high efficacy over the space. This gives support to 

recent evidence that stochasticity is very important in struc-

turing AMF communities (Dumbrell et al. 2010a, Lekberg 

et al. 2012). 

 

   

Acknowledgements  –  R.  S.  Etienne  and  E.  R.  Chang  share  last 

authorship. We would like to thank Roger Guimerá for providing 

us  with  the  simulated  annealing  algorithm  to  estimate  network 

modularity, the Natural Sciences and Engineering Research Coun-

cil of Canada (NSERC) for a post doctoral fellowship awarded to 

ERC,  the  Spanish  ‘Ministerio  de  Economía  y  Competitividad’ 

Rosendahl 2008). We argue, however, that invoking niche 

related processes in plant–AMF networks to explain nested-

ness must be done cautiously, as it is highly dependent on 

the null model.

Niche-based factors

The  predictions  of  the  ENV  null  model  did  not  differ 

from the CSR null model, indicating that pH and organic  

matter (OM) cannot predict the distribution of plant–AMF 

co-occurrences in this community. Hence, we do not find 

any clear evidence of niche-related processes based upon abi-

otic  factors  in  shaping  this  web,  contrary  to  other  studies 

that have found that pH is an important factor structuring 

AMF communities (van Aarle et al. 2002, Dumbrell et al. 

2010b). However, the regression analysis showed that plant 

and AMF species frequency in a spatial grid was positively 

associated with broad ranges of pH and OM. Thus, plants 

and AMF seem to be spatially distributed according to gra-

dients of pH and OM, although these abiotic factors do not 

predict how often plant and AMF species co-occurr. Even 

though the spatial variation of pH and OM was very low 

in  this  homogeneous  old  field  site  (m

pH

  6.8,  s

pH

  0.5; 

m

OM

  6, s

OM

  1.3), the frequency of both plant and AMF 

species still responded significantly to niche breadth. How-

ever,  species  establishment  at  a  specific  site  may  be  more 

influenced by the probability that it reaches that site before a 

competitor does than by its ability of establishing at that site. 

Thus, the positive relationship between niche breadth and 

species frequency can be partially explained by competitive 

interactions  and  dispersal  limitation.  Moreover,  abundant 

species are more likely to encounter broader ranges of pH 

and OM. The partial Mantel test revealed a strong associa-

tion between plant and AMF when conditioned by abiotic 

factors (pH and OM). However, a recent study has shown 

that high spatial autocorrelation in the variables can generate 

type I errors (Guillot and Rousset 2013); therefore, we need 

to be cautious with this result. We argue that a combination 

of dispersal limitation, competition and priority effects may 

be stronger than the effect of abiotic niche breadth in this co-

occurrence network. However, both niche (pH) and stochas-

tic processes might be shaping these communities (Dumbrell 

et al. 2010b).

Limitations and future directions

The  accuracy  of  using  co-occurrence  and  spore  trap  

cultures to identify realized plant–AMF interactions is debat-

able. This method relies on indirect evidence of interactions 

taking place between plant and AMF species pairs, taking a 

forensic approach if you will. On the one hand, AMF are 

obligate symbionts and forced sporulation from soil samples 

indicates  interaction  with  at  least  one  or  more  proximate 

plants.  Interaction  between  plant–AMF  partners  in  the 

rhizosphere  should  result  in  spatial  overlap.  On  the  other 

hand,  this  method  may  not  distinguish  between  realized 

interactions  and  putative  interactions  resulting  from  asso-

ciations between plant species, which could result in higher 

type I errors (false positives). When performing spatial over-

lap analysis to find significant interacting species-pairs based 

on presence–absence binary matrices, one faces the problem 

466

Hart,  M.  et  al.  2003.  Plant  coexistence  mediated  by  arbuscular 

mycorrhizal fungi. – Trends Ecol. Evol. 18: 418–423.

Johnson, N. et al. 1997. Functioning of mycorrhizal associations 

along  the  mutualism–parasitism  continuum.  –  New  Phytol. 

135: 575–586.

Johnson,  N.  et  al.  2012.  Resource  limitation  is  a  driver  of  local 

adaptation in mycorrhizal symbioses. – Proc. Natl Acad. Sci. 

USA 107: 2093–2098.

Kiers, E. and van der Heijden, M. 2006. Mutualistic stability in 

the arbuscular mycorrhizal symbiosis: exploring hypotheses of 

evolutionary cooperation. – Ecology 87: 1627–1636.

Klironomos, J. 2003. Variation in plant response to native and exotic 

arbuscular mycorrhizal fungi. – Ecology 84: 2292–2301.

Klironomos, J. et al. 1993. A comparison of spatial heterogeneity 

of vesicular-arbuscular mycorrhizal fungi in two maple-forest 

soils. – Can. J. Bot. 71: 1472–1480.

Kruger, M. et al. 2012. Phylogenetic reference data for systematics 

and  phylotaxonomy  of  arbuscular  mycorrhizal  fungi  from  

phylum to species level. – New Phytol. 193: 970–984.

Lekberg,  Y.  et  al.  2012.  454-sequencing  reveals  stochastic  local  

reassembly and high disturbance tolerance within arbuscular 

mycorrhizal fungal communities. – J. Ecol. 100: 151–160.

Maherali,  H.  and  Klironomos,  J.  2012.  Phylogenetic  and  trait-

based assembly of arbuscular mycorrhizal fungal communities. 

– PLoS ONE 7: e36695.

McGill, B. J. 2011. Measuring the spatial structure of biodiversity. 

– In: Magurran, A. E. and McGill, B. J. (eds), Biological diver-

sity: frontiers in measurement and assessment. – Oxford Univ. 

Press, pp. 152–170.

Montesinos-Navarro, A. et al. 2012. The network structure of plant-

arbuscular mycorrhizal fungi. – New Phytol. 194: 536–547.

Morales,  J.  and Vázquez,  D.  2008.  The  effect  of  space  in  plant-

animal mutualistic networks: insights from a simulation study. 

– Oikos 117: 1362–1370.

Moran,  P.  1950.  Notes  on  continuous  stochastic  phenomena.  

– Biometrika 37: 17–23.

Olesen, J. M. et al. 2007. The modularity of pollination networks. 

– Proc. Natl Acad. Sci. USA 104: 19891–19896.

Opik, M. et al. 2009. Large-scale parallel 454 sequencing reveals 

host ecological group specificity of arbuscular mycorrhizal fungi 

in a boreonemoral forest. – New Phytol. 184: 424–437.

Peres-Neto,  P.  et  al.  2001.  Environmentally  constrained  null  

models:  site  suitability  as  occupancy  criterion.  –  Oikos  93: 

110–120.

Pineda-Krch, M. and Poore, A. 2004. Spatial interactions within 

modular  organisms:  genetic  heterogeneity  and  organism  fit-

ness. – Theor. Popul. Biol. 66: 25–36.

Redecker,  D.  et  al.  2003.  Molecular  identification  of  arbuscular 

mycorrhizal fungi in roots: perspectives and problems. – Folia 

Geobot. 38: 113–124.

Redecker, D. et al. 2013. An evidence-based consensus for the clas-

sification  of  arbuscular  mycorrhizal  fungi  (Glomeromycota). 

– Mycorrhiza 23: 515–531.

Ribeiro, A. S. et al. 2008. Mutual information in random Boolean 

models of regulatory networks. – Phys. Rev. E 77: 011901.

Rosendahl, S. 2008. Communities, populations and individuals of 

arbuscular mycorrhizal fungi. – New Phytol. 178: 253–266.

Roxburgh,  S.  and  Chesson,  P.  1998.  A  new  method  for  

detecting  species  associations  with  spatially  autocorrelated 

data. – Ecology 79: 2180–2192.

Sanders, I. 2002. Specificity in the arbuscular mycorrhizal symbio-

sis.  –  In:  van  der  Heijde,  M.  G.  A.  and  Sanders,  I.  (eds), 

Mycorrhizal ecology. – Springer, pp. 416–437.

Sanders,  I.  and  Croll,  D.  2010.  Arbuscular  mycorrhiza:  the  

challenge  to  understand  the  genetics  of  the  fungal  partner.  

– Annu. Rev. Genet. 44: 271–292.

Smith,  S.  and  Read,  D.  (eds)  2010.  Mycorrhizal  symbiosis.  

– Academic Press.

under  the  project  SITES  (CGL2012-39964)  to  DA  and  the  

Netherlands  Organization  for  Scientific  Research  (NWO)  for 

financial assistance through a VIDI grant awarded to RSE. Pierre-

Luc Chagnon contributed insightful comments on a previous draft 

of the manuscript, and Alexander Dumbrell gave valuable advice 

on the techniques used to detect the presence and abundance of 

AMF  species.  Finally,  the  manuscript  was  improved  by  valuable 

comments from Leho Tedersoo.

References

Almeida-Neto, M. et al. 2008. A consistent metric for nestedness 

analysis  in  ecological  systems:  reconciling  concept  and  

measurement. – Oikos 117: 1227–1239.

Bascompte,  J.  and  Jordano,  P.  2007.  Plant–animal  mutualistic  

networks: the architecture of biodiversity. – Annu. Rev. Ecol. 

Evol. Syst. 38: 567–593.

Bascompte,  J.  et  al.  2003.  The  nested  assembly  of  plant– 

animal mutualistic networks. – Proc. Natl Acad. Sci. USA 100: 

9383–9387.

Bascompte,  J.  et  al.  2006.  Asymmetric  coevolutionary  networks 

facilitate biodiversity maintenance. – Science 312: 431–433.

Bennett, A. et al. 2013. Arbuscular mycorrhizal fungal networks 

vary throughout the growing season and between successional 

stages. – PLoS ONE 8: e83241.

Boerner, R. et al. 1996. Spatial patterns of mycorrhizal infectiveness 

of soils long a successional chronosequence. – Mycorrhiza 6: 

79–90.

Caruso, T. et al. 2012. On the application of network theory to 

arbuscular  mycorrhizal  fungi–plant  interactions:  the  impor-

tance of basic assumptions. – New Phytol. 194: 891–894.

Chagnon,  P.-L.  et  al.  2012.  Using  ecological  network  theory  to 

evaluate  the  causes  and  consequences  of  arbuscular  mycor-

rhizal community structure. –New Phytol. 194: 307–312.

Clapp,  J.  et  al.  2002.  Glomales  rRNA  gene  diversity  –  all  

that  glistens  is  not  necessarily  glomalean?  –  Mycorrhiza  12: 

269–270.

Davison, J. et al. 2011. Arbuscular mycorrhizal fungal communi-

ties  in  plant  roots  are  not  random  assemblages.  –  FEMS 

Microbial Ecol. 78: 103–115.

Dumbrell, A. et al. 2010a. Idiosyncrasy and overdominance in the 

structure  of  natural  communities  of  arbuscular  mycorrhizal 

fungi:  is  there  a  role  for  stochastic  processes?  –  J.  Ecol.  98: 

419–428.

Dumbrell,  A.  et  al.  2010b.  Relative  roles  of  niche  and  neutral  

processes in structuring a soil microbial community. – ISME 

J. 4: 337–345.

Dumbrell, A. et al. 2011. Distinct seasonal assemblages of arbus-

cular mycorrhizal fungi revealed by massively parallel pyrose-

quencing. – New Phytol. 190: 794–804.

Encinas-Viso, F. et al. 2015. Data from: Plant–mycorrhizal fungus 

co-occurrence network lacks substantial structure . – Dryad Dig-

ital Repository,  http://dx.doi.org/10.5061/dryad.c0751 .

Giovannetti, M. et al. 2004. Patterns of belowground plant inter-

connections  established  by  means  of  arbuscular  mycorrhizal 

networks. –New Phytol. 164: 175–181.

Gorelick, R. et al. 2004. Normalized mutual entropy in biology: 

quantifying division of labor. – Am. Nat. 164: 677–682.

Gotelli,  N.  2000.  Null  model  analysis  of  species  co-occurrence  

patterns. – Ecology 81: 2606–2621.

Gotelli, N. and Ulrich, W. 2010. The empirical Bayes approach as 

a tool to identify non-random species associations. – Oecologia 

162: 463–477.

Grieg-Smith,  P.  1983.  Quantitative  plant  ecology,  3rd  edn.  –  

Blackwell.

Guillot, G. and Rousset, F. 2013. Dismantling the Mantel tests. 

– Meth. Ecol. Evol. 4: 336–344.

467

Smith,  S.  et  al.  2011.  Roles  of  arbuscular  mycorrhizas  in  plant 

phosphorus  nutrition:  interactions  between  pathways  of  

phosphorus  uptake  in  arbuscular  mycorrhizal  roots  have 

important  implications  for  understanding  and  manipulating 

plant  phosphorus  acquisition.  –  Plant  Physiol.  156:  

1050–1057.

Stone, L. and Roberts, A. 1990. The checkerboard score and species 

distributions. – Oecologia 85: 74–79.

Sýkorová, Z. et al. 2007. The cultivation bias: different communi-

ties of arbuscular mycorrhizal fungi detected in roots from the 

field,  from  bait  plants  transplanted  to  the  field,  and  from  a 

greenhouse trap experiment. – Mycorrhiza 18: 1–14.

van Aarle, I. et al. 2002. Arbuscular mycorrhizal fungi respond to 

the  substrate  pH  of  their  extraradical  mycelium  by  altered 

growth  and  root  colonization.  –  New  Phytol.  155:  

173–182.

van der Heijden, M. and Scheublin, T. 2007. Functional traits in 

mycorrhizal  ecology:  their  use  for  predicting  the  impact  of 

arbuscular mycorrhizal fungal communities on plant growth 

and ecosystem functioning. – New Phytol. 174: 244–250.

Vázquez,  D.  et  al.  2007.  Species  abundance  and  asymmetric  

interaction  strength  in  ecological  networks.  –  Oikos  116: 

1120–1127.

Vázquez, D. et al. 2009. Evaluating multiple determinants of the 

structure of plant–animal mutualistic networks. – Ecology 90: 

2039–2046.

Wang, B. and Qiu, Y. 2006. Phylogenetic distribution and evolution 

of mycorrhizas in land plants. – Mycorrhiza 16: 299–363.

Supplementary  material  (available  online  as  Appendix  

oik-02667 at < www.oikosjournal.org/appendix/oik-02667 >). 

Appendix 1–2.