当前位置: 首页 > backend >正文

宏基因测序宿主污染太严重,无解?

宏基因组测序作为微生态研究的利器,然而在面对高宿主污染样本时却束手无策。宿主DNA可占据测序数据的90%以上,大幅降低目标微生物基因组的有效数据量,即便是增加测序数据量,效果也微乎其微。

真的没有办法了吗?

   凌恩   生物推出两种方案可供选择:

  1、从实验端入手——通过稀释的方法降低样本中宿主细胞的占比的

  2、从分析端入手——去除宿主序列后剩余的有效数据基于浅宏基因组流程进行分析

图片

图 稀释宏基因组测序原理及流程示意图

稀释宏基因组作为凌恩 的特殊项目,已经多次介绍,详细请点击:破局,屏蔽宿主干扰,深入微生态研究;谁说高宿主污染样本不能做宏基因组?

稀释宏基因是破解高宿主污染的有效方法,奈何实验操作较为繁琐,而且价格也更加高昂。那么浅宏基因组是如何在操作简单且费用较低的同时实现分析需求的呢?

1、浅宏基因组如何分析高宿主污染样本?

答:浅宏基因组分析仅需要1G数据,正常开展宏基因组测序得到10G数据,去除宿主序列后,正好剩1G左右,可用于浅宏基因组的分析流程。

2、简介浅宏基因组分析流程

答:因为测序数据太少,如果进行拼装,得到的基因结果会非常有限,浅宏基因组利用HUMAnN软件直接基因reads进行物种注释和功能注释。

物种注释:将宏基因组reads对比到物种特异性标记基因数据库(如clade-specific marker genes),识别微生物物种,其注释结果比单纯基于16S基因的多样性注释更准确,分辨率可以达到种、菌株水平;

功能注释:将宏基因组序列与参考基因组数据库比对,利用MetaCyc代谢通路数据库和UniRef蛋白质序列数据库,分析微生物组在功能和代谢通路水平上的组成和活性。HUMAnN还提供了多样性分析、关联分析和可视化工具,可用于深入研究微生物组。

3、浅宏基因组应用案例

图片

  • 期刊:nature microbiology         

  • 影响因子:20.5

  • 发表时间:2025年                

  • 测序方法:浅宏基因组

研究背景

饮食模式是调控肠道微生物组结构和功能的重要外部因素,不同的食物来源与宏量营养素比例对微生物群落的多样性、代谢潜能及宿主健康具有深远影响。

实验设计

国外5个列队共21561名志愿者,根据饮食方式分为:纯素食、素食、杂食。通过浅宏基因组测序分析饮食模式对肠道微生物组及其代谢功能的影响。

主要研究结果

饮食模式显著影响肠道微生物多样性,其中,杂食者的微生物多样性显著高于素食者和全素者。肠道微生物饮食特征与主要食物类别有关,红肉是杂食者肠道微生物群的主要驱动因素,相应的标志性微生物(例如,瘤胃球菌属扭结菌、沃斯沃斯拟杆菌和腐生拟杆菌)与宿主的心血管代谢健康呈负相关。相反,纯素食者的标志性微生物与有利的心血管代谢标志物相关,并且在食用更多植物性食物的杂食者中也有所富集。特定饮食的肠道微生物部分与食物微生物群重叠,尤其是与乳制品微生物群(例如嗜热链球菌)以及纯素食者中的典型土壤微生物群重叠。常见西方饮食模式的特征可为未来的营养干预和流行病学研究提供支持。

图片

图 不同饮食模式下食物微生物对肠道微生物群的贡献

参考文献

Gut microbiome signatures of vegan, vegetarian and omnivore diets and associated health outcomes across 21,561 individuals.Nature microbiology,2025.

http://www.xdnf.cn/news/13584.html

相关文章:

  • 御微半导体面试总结
  • UE5.2像素流实现公网访问
  • 40.第二阶段x64游戏实战-封包-添加发包功能
  • 13.react与next.js的特性和原理
  • LangChain MCP Adapters Quickstart
  • 无人机避障——感知篇(基于ZED2实现Vins Fusion)
  • [原创](现代Delphi 12指南):[macOS 64bit App开发]: SameText, SameStr, 比较字符串更简单
  • Git 介绍、安装以及基本操作
  • 【行云流水AI笔记】游戏里面的强化学习使用场景
  • 博客系统自动化测试
  • Linux基本指令(包含vim,用户,文件等方面)超详细
  • 服务器BMC相关问题-重启-挂起-HANG
  • java超大文件上传
  • 【评测】flux-dev文生图模型初体验
  • 股指期货贴水率怎么计算?
  • 知识图谱和图数据库Neo4j
  • AI的发展过程:深度学习中的自然语言处理(NLP);大语言模型(LLM)详解;Transformer 模型结构详解;大模型三要素:T-P-G 原则
  • APP Trace 传参安装流程详解 (开发者视角)
  • Flotherm许可的跨平台兼容性
  • 在RK3588上部署ROS2与ORB-SLAM3实现Gazebo小车自主导航-环境搭建过程
  • 6月11日day51打卡
  • 机器学习与深度学习18-线性代数01
  • Java八股文——Spring「MyBatis篇」
  • RPC启动机制及注解实现
  • 基于OpenCV的图像增强技术:直方图均衡化与自适应直方图均衡化
  • JavaWeb期末速成
  • 力扣 Hot100 动态规划刷题心法:从入门到精通的蜕变之路
  • 论文略读:When Attention Sink Emerges in Language Models: An Empirical View
  • VAS1085Q奇力科技LED驱动芯片车规级线性芯片
  • OpenCV CUDA模块图像变形------ 构建仿射变换的映射表函数buildWarpAffineMaps()