mNGS 病原检测：检出微生物之后，如何建立可信证据？

一份 mNGS 报告列出多个微生物，其中某个物种排在第一位：这是否意味着它就是致病原因？

从生信工程的角度，物种名单只是分析的中间产物。真正需要交付的是一条可追溯的证据链：这些序列是否可靠、是否能排除污染和误分类，以及它们能否解释当前样本和患者的临床表现。本文面向生信工程师、检验人员及希望理解检测边界的读者，讨论如何把“检出”推进到“可信解释”。

1. 先分清三个不同的问题

宏基因组二代测序（metagenomic next-generation sequencing，mNGS）对样本中的核酸进行广泛测序，再通过计算分析识别微生物。它减少了对预先指定靶标的依赖，但仍受到核酸提取、DNA/RNA 建库策略、宿主背景和参考数据库的影响。“广泛检测”不等于所有病原体都能被同样灵敏地发现。[1,2]

这张表是本文组织复核工作的框架，不是经过临床验证的评分量表。高置信度的序列分类，也不能单独完成最后一层判断。

2. 看懂研究数字，才能避免夸大检测能力

2024 年发表于 Nature Medicine 的一项研究回顾了 UCSF 实验室七年的脑脊液 mNGS 检测。4,828 份样本中，697 份检出微生物，阳性样本比例为 14.4%。进一步分析的临床资料子集包含 1,053 名患者的 1,164 份样本；其中 220 个感染诊断中，48 个仅由 mNGS 识别。[1]

这里有两个值得停下来核对的分母：

• 14.4% 是全部送检样本中的阳性比例。 它不是检测灵敏度，也不是任意医院送检后的预期收益。
• 48/220 是该临床资料子集的感染诊断中，仅由 mNGS 识别的比例。 它不能改写成全部患者中有相同比例因此获益。

这项研究支持 mNGS 的补充诊断价值，但它是特定实验室、特定流程下的脑脊液研究。作者也指出，患者间常规检查不同、复合诊断中的临床判定可能引入偏倚，而且研究没有正式评估成本效益。肺泡灌洗液、血浆或组织检测，不能直接套用这些结果。[1]

3. 从原始 reads 到候选病原体，复核应放在哪里？

一个便于审计的分析流程可以按以下顺序组织：

样本与对照登记 → 原始数据质控 → 宿主序列处理 → 微生物候选分类 → 重点候选比对复核 → 背景评估 → 报告解释。

这是工程组织建议，具体参数需要通过本实验室的验证确定。以下几个节点尤其值得留下记录。

先确认本次检测是否具备足够的检出能力。 总 reads 数只是起点，还应检查有效数据、宿主背景和内参。Miller 等的脑脊液方法验证显示，过量宿主核酸可降低检测灵敏度，加入的噬菌体内参能够提示灵敏度损失。由此可以理解：一份“没有检出”的结果，必须和本次运行的质量状态一起阅读。[2]

把快速分类视为候选生成步骤。 Kraken 2 利用 minimizer 与分类学信息实现高效分类，适合在大规模数据中筛出候选。工具给出的物种标签，回答的是序列与数据库的匹配关系。对关键候选，本文建议再检查支持序列是否落在多个独立区域、是否仅集中于保守或低复杂度片段，以及是否同样支持近缘物种。[3]

让数据库成为可追踪的分析输入。 工程记录应包括软件版本、参数、数据库构建日期、参考序列来源和校验值。对无法可靠区分的近缘物种，保留到属或物种复合群层级，比输出未经证据支持的种名更便于复核。分类器的算法依据见文献 [3]；版本留档和分级复核是本文给出的工程建议。

4. 为什么不能用一个 reads 阈值解决所有问题？

先看一个纯粹用于说明归一化的例子：同样检出 20 条候选序列，如果分母分别是 200 万条和 2,000 万条质控后 reads，按“每百万 reads”计算，结果分别为 10 RPM 和 1 RPM。

RPM = 候选微生物 reads 数 ÷ 约定的总 reads 数 × 1,000,000

这个例子不是阳性判定标准。 它只说明，比较数值前必须先确认分母。在实际报告中，应写明分母是原始 reads、质控后 reads，还是去宿主后 reads；不同口径不宜直接比较。这里的 RPM 也不是病原体浓度或每毫升拷贝数。[2]

另一方面，背景信号不能靠简单排名解决。Salter 等通过实验发现，提取试剂和实验室试剂中的污染 DNA 会影响测序分析，污染组成还会随试剂盒及批次变化，低微生物量样本尤其容易受影响。这项工作同时涉及 16S 和 shotgun 测序，为“阴性对照需要与样本一起处理和测序”提供了直接实验依据。[4]

因此，本文建议对重点候选至少并排展示：样本信号、同批阴性对照信号、历史背景出现情况，以及比对分布。阴性对照中的一次未检出，不能独立证明样本绝无污染；反过来，也不宜仅因某个属曾出现在污染研究中，就在所有样本中机械删除它。需要判断的是当前证据，而不是给物种贴永久标签。

5. 实验室之间的差异，提醒我们复核整个流程

一项发表于 Clinical Chemistry 的多中心质量评价，使用人工微生物群落和真实临床样本组成的参考面板，评估了中国 122 家实验室。其加权 F1 分数范围为 0.20–0.97；研究还发现，部分实验室虽然检出了目标微生物，却未能给出正确的病因解释。[5]

这不是所有 mNGS 实验室的总体准确率调查，也不是某一种软件的排名。它更直接地说明：从样本处理到结果解释，任一环节的差异都可能影响最终答案。升级分类器或增加测序数据量，应当放在完整的方法验证中评价。[5]

下面是一份可以用于内部复核的检查表。它是工程沟通工具，不能替代实验室验证方案或临床诊断标准。

6. 阴性报告也需要交代边界

“未检出”首先描述的是：在本次样本、流程和判定规则下，没有达到报告条件的信号。

它能否帮助排除某种感染，还取决于病原体是否存在于所取样本、核酸含量与取样时机，以及检测流程对该病原体的实际能力。脑脊液研究中的部分漏检，与病原体位于其他组织或需要血清学等间接检测有关；单独依赖脑脊液 mNGS 无法覆盖这些情形。[1]

报告可以把结论与限制分别写清楚。例如：“本次检测未发现达到报告标准的目标微生物信号”，随后注明样本、覆盖范围和实际出现的质量问题。只有当确实观察到高宿主背景或内参异常时，才写入相应限制，避免把模板化警告当成真实检测结果。[2]

生信交付的价值，体现在每一个结论都能追溯到具体证据。 一份有用的 mNGS 报告，应让接收者知道发现了什么、证据有多强、哪些问题尚未解决，以及下一步需要由实验室与临床共同核实什么。

参考文献

1. Benoit P, et al. Seven-year performance of a clinical metagenomic next-generation sequencing test for diagnosis of central nervous system infections. Nature Medicine, 2024. DOI: 10.1038/s41591-024-03275-1 · 开放全文
2. Miller S, et al. Laboratory validation of a clinical metagenomic sequencing assay for pathogen detection in cerebrospinal fluid. Genome Research, 2019. DOI: 10.1101/gr.238170.118 · 开放全文
3. Wood DE, Lu J, Langmead B. Improved metagenomic analysis with Kraken 2. Genome Biology, 2019. DOI: 10.1186/s13059-019-1891-0 · 开放全文
4. Salter SJ, et al. Reagent and laboratory contamination can critically impact sequence-based microbiome analyses. BMC Biology, 2014. DOI: 10.1186/s12915-014-0087-z · 开放全文
5. Diao Z, et al. Assessing the Quality of Metagenomic Next-Generation Sequencing for Pathogen Detection in Lower Respiratory Infections. Clinical Chemistry, 2023. DOI: 10.1093/clinchem/hvad072 · 原文

说明：文中的流程和检查表属于技术建议，示例数字不构成诊断阈值；未使用患者数据，也未开展新增实验。文章用于技术交流，具体病例的解释应结合临床与实验室评估。