Metax可实现宏基因组的准确跨域分类分析

科学问题

宏基因组物种定性定量长期受困于种级分辨率不足与假阳性频发。这主要是由跨物种保守区、移动遗传元件、参考基因组组装污染以及试剂盒本底DNA干扰导致的。在低生物量或宿主占绝对主导的临床样本中，极浅的微生物测序深度进一步放大了读段分配的歧义。本文旨在解决如何在复杂跨域群落及极低测序通量下，准确识别物种并获得真实的相对丰度。

背景与领域脉络

鸟枪法宏基因组测序能够绕过微生物培养，直接捕获样本中细菌、古菌、病毒和真菌的群落组成。过去的研究主要基于两类策略：一类依赖特定标记基因，另一类基于k-mer匹配或全基因组比对。然而，当群落中含有大量非细菌成分或高同源性近缘株系时，标记基因覆盖度往往不足；而全基因组比对又极易将读段错误指派给包含同源区段或嵌合污染的参考基因组。由于未能将基因组整体覆盖分布作为统计约束，现有方法在浅层测序样本中极易产生大量假阳性，限制了临床微量样本的应用。

方法与技术路线

研究团队开发了跨域物种定量分析软件Metax。该方法先将短读段或长读段比对至参考基因组库，提取候选物种的覆盖深度、整体覆盖广度以及分块覆盖广度。接着，算法将物种划分为含有独占读段（SEM）与无独占读段（SNM）两类。针对SEM物种利用期望最大化（EM）算法分配多重比对读段，SNM物种则采用最低共同祖先（LCA）策略保守归类。随后，Metax建立随机抽样泊松模型，计算观测覆盖广度与期望广度的比值（OEBR）及其分块指标（COEBR），剔除局部富集的人为假阳性信号。团队使用涵盖肠道（10例模拟样本，2 Gb深度）、腹水与脑脊液（各10例，梯度设置1k至1M条读段）、CAMI II海洋群落（5 Gb长短读段）以及高株系多样性土壤群落（76%物种缺失参考）进行跨平台严苛基准评测。

主要结果

创新点

Metax颠覆了仅依赖读段计数或标记基因的传统模式，首创将基因组覆盖广度的期望理论分布引入物种过滤。它通过独占读段（SEM）引导的EM概率模型拆解重叠比对，并利用分块观测与期望广度比（COEBR）从数理上识别出聚集在特定位点的假阳性。相比MetaPhlAn4或Sylph等工具，Metax能精准剔除由参考基因组组装嵌合、试剂盒污染DNA以及质粒转座子等移动元件引发的局部假阳性信号。

意义与影响

该研究解决了低生物量和跨界病原检测中假阳性泛滥的长期痛点，使极低通量临床样本的宏基因组诊断可靠性大幅提升。统一的统计框架将分析范围从细菌延展至病毒、真菌与古菌，无需针对特定物种切换分析流程。此外，其提出的分块索引策略将内存消耗从55 GB压缩至5 GB，使普通服务器或个人工作站运行大型宏基因组跨界分析成为可能。

局限与待验证

在高度复杂的未开发环境中，若参考数据库缺乏目标物种且株系多样性极高（如土壤基准中76%物种未收录），种级分辨率与召回率仍会发生明显下滑。此外，该工具依赖全基因组比对前置步骤，在未启用轻量化分块索引模式时，大型参考库对计算内存（约55 GB）和I/O性能的要求仍显著高于基于微型标记基因的纯轻量级算法。

对我们的相关性

对于从事宏基因组与临床微生物组的研究者，Metax可直接用于替代现有流程，尤其适合宿主细胞残留高、微生物极微量的血液、脑脊液与组织穿刺样本分析。单细胞组学与空间转录组学研究者可借鉴其「广度观测比期望（COEBR）」这一空间泊松覆盖建模思路，用于滤除捕获探针非特异结合、宿主转录组嵌合污染以及低丰度内源反转录病毒的假阳性表达计数。

术语速查