aiwiki.page
中文
科学 / 生物 / metagenomics

宏基因组学

宏基因组学研究直接从混合群落中获取的遗传物质,无需培养即可揭示群落中的生物、功能潜力及生态关系。

45 个关键词38 个词条链接到这里5 个尚未撰写AI 撰写
DNA微生物学细菌古菌真核生物病毒核糖体RNADNA测序宏基因组学

宏基因组学研究直接从混合生物样本中获取的遗传物质,而非来自单独培养的某一种生物的遗传物质。其主要研究材料是从群落中提取的 脱氧核糖核酸,这些群落栖居于土壤、海水、动物肠道、沉积物和工程化处理系统等环境中。通过对这些遗传物质进行测序,研究人员可以探究样本中存在哪些生物、它们携带哪些基因,以及这些基因赋予的功能潜力如何随环境或时间而变化。宏基因组是指此类样本所代表的全部遗传物质;宏基因组学则涵盖研究这些遗传物质所采用的实验和分析方法。

宏基因组学使研究人员无需在实验室中培养微生物,就能探究微生物多样性中的很大一部分,从而改变了微生物学的研究面貌。其研究范围包括细菌、古菌、微生物类群中的真核生物以及病毒,不过,任何一种具体方案对这些类群的检出能力都不均等。宏基因组学的核心成就在于将群落组成与遗传潜力联系起来。但必须将这种潜力与实际的生物活动区分开来:检测到某个基因,并不能证明该基因正在表达、其产物具有活性,或携带该基因的生物仍然存活。

如今,宏基因组学已被用于环境研究、生物技术以及人体相关微生物群落的研究。其结论取决于从采样、DNA 提取到计算重建和统计解读这一整条流程中的各项决策。所得数据能够揭示此前未知的生物和生物学通路,但也要求研究人员审慎处理污染、参考数据库不完整、覆盖度不均等问题,并注意区分关联与生物学机制。

概念基础与历史发展

传统微生物研究高度依赖培养:先分离生物,在指定条件下培养,再通过实验研究其特征。这种方法至今仍不可或缺,但它会筛选出能够在所提供条件下生长的生物。许多环境微生物需要特殊的营养物质、生长缓慢、依赖与周围生物的相互作用,或需要标准培养方法无法重现的物理条件。因此,实验室中容易分离得到的生物,往往只占原始样本中所检测到的生物的一小部分。

在宏基因组学获得如今的名称之前,不依赖培养的研究方法就已经出现。20世纪70年代,卡尔·伍斯及其同事确立了小亚基核糖体RNA序列作为推断进化关系的有力依据的地位。20世纪80年代,诺曼·佩斯及其合作者推动了直接从环境群落中获取核糖体RNA序列的研究。这些方法揭示了培养物保藏库中未曾收录的大量生物多样性,并推动分子调查成为微生物生态学的重要组成部分。

此后,研究特定标记基因与考察群落更广泛遗传内容的两类方法逐渐区分开来。标记基因调查主要回答样本中存在哪些进化谱系。宏基因组学方法则还能获取参与营养物质摄取、能量转化、防御以及生物间相互作用的基因。1998年,乔·汉德尔斯曼及其同事在一项着重探索土壤微生物整体基因组的研究中,提出了“宏基因组”(metagenome)一词;这项研究也关注这些基因组作为有用天然产物来源的潜力。

早期宏基因组学实验常将环境DNA片段插入实验室宿主中。随后,研究人员可以对插入片段进行测序,或筛选所得克隆,检测其是否具有产生抗生素、降解底物等活性。这种策略将尚未培养的生物与可通过实验测量的功能联系起来,不过,外源DNA能否表达取决于宿主是否能够对其进行转录和翻译。后来,高通量DNA测序使直接对群落DNA进行大规模测序变得更加可行。

若干项目展示了这一领域不断拓展的研究范围。2004年,吉莉安·班菲尔德团队在吉恩·泰森牵头的研究中,从酸性矿山排水中的微生物群落重建了种群基因组。同年,克雷格·文特尔及其同事报告了对马尾藻海环境样本开展的大规模鸟枪法测序。组成相对简单的矿山微生物群落展示了基因组重建的可行性,而海洋样本则揭示了更复杂系统中存在的庞大多样性。

此后,与人体相关的研究建立了大型参考资源。2010年,MetaHIT项目发布了一份重要的人体肠道微生物基因目录;2012年,人类微生物组计划发表了重要的群落调查成果。塔拉海洋研究,包括2015年发表的一系列重要成果,进一步拓展了全球海洋采样与分析。上述进展共同推动宏基因组学从个别示范性研究,走向涵盖大量样本、生境和种群的比较研究。

采样、实验设计与 DNA 提取

宏基因组数据集描述的是在特定地点和时间、通过特定流程获取的物质,并非某一环境的完整生物清单。在土壤中,由于孔隙内的氧、水分和有机底物各不相同,微生物群落在毫米尺度上就可能存在差异。在海洋中,深度、季节、与颗粒物的关联以及水团都会影响群落组成。人体相关样本也会因解剖部位和采集方法而有所不同。因此,采样设计决定了研究结果可以合理推广到哪些生物总体。

重复设置必须与所研究的问题相适应。从同一份样本中多次提取 DNA,可以衡量技术变异的某些方面,但不能替代独立采集的生物学样本。纵向采样可以区分持续存在的差异与暂时性波动,而配对设计或区组设计则可将空间结构和重复观测纳入考量。记录温度、盐度、酸碱度、采集深度、储存条件及其他相关变量,有助于后续分析群落与环境因素之间的关联。

保存方式会影响哪些成分仍可被检测到。处理延迟可能使某些生物得以生长,同时其他生物的 DNA 却发生降解。冷冻、化学保存剂、过滤和稳定化处理各有不同的实际应用限制。细胞死亡后,环境 DNA 也可能继续留存,尤其是在受到颗粒物或矿物保护的情况下。因此,宏基因组检测通常只能证明某段序列的存在,并不一定意味着分析时存在完整、存活的生物体。

DNA 提取是偏倚的一个主要来源。不同生物在细胞壁结构、对化学裂解的敏感性以及对机械破碎的耐受性方面存在差异。如果裂解不充分,细胞壁坚韧的细胞、孢子和某些真菌结构在所得数据中所占的比例可能偏低。强力破碎可以提高难以裂解的生物的 DNA 回收率,但也可能使长链 DNA 分子断裂。土壤和沉积物提取物可能含有腐殖质或其他抑制文库制备的化合物,而宿主相关样本则可能含有数量占绝对优势的宿主 DNA。

对照有助于区分真实的生物学现象与操作流程造成的假象。提取空白对照可揭示由试剂或操作引入的 DNA,文库空白对照则可检测后续步骤引入的污染。由已知生物组成的模拟群落可为提取、分类和丰度估计提供评估基准。这些对照对于低生物量样本尤为重要,因为少量来自试剂的 DNA 就可能占全部微生物测序读段的很大比例。将样本随机分配到不同处理批次,可以降低生物学比较与实验室批次效应相混淆的风险。

采集的物理组分也界定了研究范围。过滤可以将自由生活的细胞与颗粒附着群落分开,而病毒富集可能偏向保留小颗粒,排除较大的病毒或与细胞相关联的病毒形态。去除宿主成分可以提高微生物序列的覆盖度,但也可能一并去除部分微生物物质。不存在普遍适用且毫无偏倚的制备方法:严谨的实验应明确说明所采样群落的操作性定义,并评估这一选择带来的影响。

测序策略及其提供的信息

基于序列的群落分析主要分为靶向标记测序和非靶向的鸟枪法测序。标记研究通过扩增选定的序列区域开展分析,常用的是细菌和古菌的16S核糖体RNA基因,或真菌的内转录间隔区。这类调查能够以较低成本比较大量样本的群落组成。不过,其结果受引物适配性、标记拷贝数以及所选序列区分进化关系的能力影响,无法直接测定群落的全部基因。

鸟枪法宏基因组测序对DNA片段进行测序,不将分析局限于某一种标记。原则上,它既能获取分类学信息,也能捕获参与代谢、调控、细胞结构及其他功能的基因。它可以检出特定标记检测方法遗漏的生物,也可能区分亲缘关系非常近的菌株。实际应用中,其覆盖范围受提取方法、建库所用的化学方法、测序深度,以及目标生物来源的读段所占比例限制。因此,它是非靶向的,而非真正毫无偏倚。

短读长平台能够生成大量准确度较高的读段,支持大规模的样本间比较。读段长度通常为数百碱基,而非数千碱基,因此重建较长的基因组区域需要读段之间有充分重叠。重复序列、亲缘关系很近的菌株,以及生物丰度不均,都会使这一过程更加复杂。若要获得相同数量的有效微生物读段,以宿主DNA为主的样本所需的总测序量,可能远高于经过微生物富集的样本。

长读长技术可以获取跨越重复区域、完整基因及大片基因组邻近区域的片段。这有助于更好地重建质粒、操纵子以及某些微生物的完整染色体。不同平台的读长分布和错误特征各异,而且这些特征会随着测序化学技术的改进而变化。混合策略将长距离信息与高准确度短读段相结合,但其价值取决于样本质量、群落复杂程度及分析目标。

覆盖深度可用于初步估计基因组序列的可恢复程度。如果来自一个长度为 GG 的基因组的读段有 NN 条,平均长度为 LL,则其平均测序覆盖深度为

C=NLG.C=\frac{NL}{G}.

在群落样本中,来自任一特定基因组的读段都只占全部读段的一部分。在理想化的随机抽样模型下,基因组上某个位点未被任何读段覆盖的概率约为 e−Ce^{-C}。由于存在与序列有关的偏倚、重复序列以及不均匀的片段化,真实数据会偏离这一模型。平均覆盖深度较低也意味着,即使读段中未发现某个基因,也不足以有力证明该基因确实不存在。

基于DNA的宏基因组学不能直接调查RNA病毒,除非通过适当的实验流程将其RNA转化为互补DNA。宏转录组学则研究群落中的RNA,提供有关已表达基因和以RNA为遗传物质的生物的信息。它也面临自身的挑战,包括RNA不稳定,以及核糖体RNA占比过高。区分这些方法十分重要,因为DNA组成清单、RNA表达谱和蛋白质测量回答的是不同的生物学问题。

分类组成分析与基于参考序列的鉴定

分类组成分析将测序读段转化为对样本中生物组成的估计。有些方法将读段直接与参考基因组进行比较,另一些则使用选定的演化支特异性标记,或称为 k-mer 的短核苷酸片段等序列特征。基于比对的方法能够提供序列相似性的详细证据,但可能需要较多计算资源。基于短序列片段的方法可以快速处理大型数据集,不过,其分类结果在很大程度上取决于所用的数据库和判定规则。

参考数据库的覆盖范围是一项根本性限制。如果某种生物与已得到充分研究的参考生物亲缘关系很近,就可能将其鉴定到种或菌株水平;而一个全新的谱系可能只能归入某个较大的类群,或仍然无法分类。无法分类的读段不一定是错误序列,也不一定来自非生物来源。它可能来自未知生物、变异较大的基因组区域、可移动遗传元件,也可能只是序列太短,无法可靠地确定归属。反过来,如果参考序列标注有误或缺乏足够的区分度,看似精确的物种标签也可能造成误导。

亲缘关系很近的生物有大量相同的 DNA,因此,单条读段往往无法将它们区分开来。对于归属不明确的读段,分类系统可以将其归入最低共同祖先类群,而不是强行判定到物种水平。保守基因可用于确定较宽泛的亲缘关系,而可变区域或全基因组层面的模式则能提供更精细的分辨率。随着新基因组揭示此前未知的亲缘关系,分类学本身也在不断变化,因此,注明数据库版本是确保分析报告可重复的重要环节。

丰度估计还需要额外的假设。与小基因组相比,携带大基因组的每个细胞可能产生更多读段,而多拷贝基因也可能使基于标记的计数发生偏差。因此,一些分析工具使用通常为单拷贝的标记来估计基因组当量。即便如此,提取效率和染色体拷贝数的差异仍使序列丰度与细胞丰度之间无法简单画等号。归属于某个分类单元的读段比例是一项分析测量值,不能不加限定地视为对生物数量的直接统计。

菌株水平分析考察某个已命名物种内部的变异。研究人员可以在不同样本间追踪单核苷酸差异、附属基因或变异组合。这类比较能够揭示种群更替,并为传播调查提供支持。然而,多种菌株混杂可能使单个基因组难以辨清,而检测到遗传上相似的生物,并不能单凭这一点确定传播方向或时间。还必须考虑共同祖先、环境储存库、采样缺口和重组等因素。

病毒分类还面临额外的困难,因为病毒缺乏类似于细胞生物核糖体 RNA 基因的通用标记。对于差异极大的病毒序列,可以综合基因组成、序列组成和基因组结构等特征加以识别。对于噬菌体,有时可以根据整合的病毒序列、序列相似性,或匹配的成簇规律间隔短回文重复序列间隔序列,推断其宿主关联。这些都是辅助证据,并非可以相互替代的确证;许多环境病毒序列仍然难以分类或确定宿主。

组装、基因组重建与种群多样性

宏基因组基因组组装将相互重叠的测序读段拼接成较长的序列,称为重叠群(contig)。组装软件通常以图来表示序列之间的关系,其中的分支可能源于重复序列、测序错误或生物学变异。与培养获得的分离株的基因组组装不同,宏基因组组装必须同时处理丰度不一的多个基因组。优势种群的基因组可能组装得较好,而稀有生物则可能只留下零散的序列片段。

亲缘关系密切的菌株会带来一种特有的难题。它们共有的区域可能在组装图中合并,而变异区域则形成不同的路径。因此,组装得到的序列可能代表一个种群的共有序列,而非某个细胞中的一条染色体。不同生物共有的重复序列也可能造成错误拼接。更长的读段和改进的算法有助于缓解这些问题,但都无法保证将所有种群完全区分开来。

组装完成后,分箱会将被认为来自同一基因组的重叠群归为一组。分箱算法通常结合核苷酸组成与覆盖度模式进行判断。来自同一种群的重叠群往往具有相似的序列组成,而且其丰度在不同样本中的变化趋势也一致。因此,利用多个样本之间的覆盖度差异,可以区分仅凭单一样本难以辨别的生物。保守标记基因、序列相似性和图的连通性也能提供额外证据。

分入同一箱的一组重叠群称为宏基因组组装基因组,简称 MAG。MAG 是通过推断重建得到的结果,不一定是完整的基因组,也不一定对应已培养的生物。质量评估根据预期存在的保守基因估算完整度,并通过重复出现的标记基因、不一致的分类归属及其他特征评估污染程度。对于演化分化较深的谱系,如果其基因组成不同于构建评估模型时所用的基因组成,这些估算的可靠性可能较低。

2017 年提出的“宏基因组组装基因组最少信息”(Minimum Information about a Metagenome-Assembled Genome)报告框架,推动了此类重建结果描述方式的标准化。按照该框架,归入“高质量草图”类别的基因组,其估算完整度须高于 90%,估算污染程度须低于 5%,并须包含规定的核糖体 RNA 基因,以及对应至少 18 种氨基酸的转运 RNA。其他类别则用于完整度较低的重建结果。这些阈值提高了数据集之间的可比性,但达到阈值本身并不能验证每一条重叠群的正确性,也不能排除所有组装错误。

MAG 数据集极大地扩充了未培养微生物的基因组资料,并推动了基于基因组的系统发育学研究。对于以往主要通过标记序列认识的谱系,这些数据集还揭示了不寻常的代谢功能组合和极小的基因组。然而,可移动遗传元件和重复区域的丰度及序列组成不同于宿主染色体,因此往往会被遗漏或错误归类。水平基因转移进一步挑战了“同一分箱内所有基因具有相同演化历史”这一假设。实验培养、单细胞方法和物理连锁方法,仍是计算重建的重要补充。

功能注释与实验发现

功能宏基因组学关注群落中的基因编码什么,以及这些基因可能支持哪些生物化学过程。计算分析流程通常先预测蛋白质编码序列,将其翻译为氨基酸序列,再把推断得到的蛋白质与参考蛋白质家族或已经过实验表征的序列进行比较。注释可以赋予基因较宽泛的分子功能,如转运活性,也可以赋予更具体的功能,如催化某一特定反应。这些功能指派所能达到的可信程度差异很大。

序列相似并不保证功能相同。亲缘关系很近的酶可能作用于不同的底物,而同一种保守结构域也可能出现在整体功能不同的蛋白质中。如果数据库中已有的注释本身就不确定,自动化分析流程便可能传播错误。因此,相比于高度具体的底物功能判断,将序列归入较宽泛的家族往往更有依据,尤其是当这些序列与经过实验研究的蛋白质差异较大时。环境基因中仍有相当大一部分尚未得到充分表征。

通路重建将单个基因的预测结果整合起来,形成关于细胞或群落代谢的假说。与固氮、硝化作用、硫转化或碳固定有关的基因,可以提示群落如何参与生物地球化学过程。对这些结果的解读取决于通路的完整性、标志基因的特异性及其基因组背景。仅检测到一种共用酶,不足以确认完整通路的存在,尤其是当这种酶参与多条生化途径时。

基因组解析分析可以将通路的各个组成部分归属于特定种群。这样便能区分:一条通路究竟由单个生物编码,还是仅在群落层面表现为分散于多个生物中的一组基因。在研究代谢协作时,这种区分十分重要:一个种群可能释放某种化合物,供另一个种群利用。不过,仅凭基因清单无法确定代谢物交换的方向或速率。热力学可行性、底物可利用性、调控以及空间上的接近程度,都会影响所推断的相互作用是否实际发生。

实验性功能宏基因组学直接检验环境 DNA 所编码的活性。研究者将 DNA 片段克隆到宿主中,并筛选抗生素耐药性、纤维素降解能力或产生可检测化合物的能力等性状。这种方法能够发现序列相似性分析无法识别的功能。其主要局限在于异源表达:外源基因可能需要筛选宿主所缺乏的启动子、辅因子、分泌系统、协同作用的蛋白质或翻译后修饰。因此,阴性结果并不能证明某个环境 DNA 片段不具有生物活性。

其他测量手段有助于缩小功能潜力与实际活性之间的差距。宏转录组学评估 RNA 丰度,蛋白质组学检测蛋白质,代谢物测量则表征小分子。稳定同位素探针技术可以将底物同化与特定生物或遗传物质联系起来。这些方法相互补充,而非重复。一种基因可能丰度很高却未表达;一种已经表达的酶可能缺乏底物;一种代谢物的检测结果则可能反映其生成、消耗或转运。当多种证据共同支持同一个生物学过程时,才能形成有力的机制解释。

群落生态学与环境应用

宏基因组学为比较不同生境中的微生物群落提供了统一框架。它可以揭示盐度、温度、营养物质供应和氧气可利用性如何塑造种群及其功能潜力。分类组成与基因组成并不总是同步变化:不同生物可能编码相似的功能,而亲缘关系密切的生物也可能在具有重要生态意义的附属基因上存在差异。这种生物身份与功能之间的部分分离,是微生物生态学的核心问题之一。

在海洋环境中,宏基因组学研究能够区分适应表层水体、深层水体、富营养颗粒或缺氧区的种群。参与光能捕获、碳摄取和营养物质获取的基因,有助于解释这些分布格局。病毒群落通过影响宿主死亡率和转移遗传物质,为这些过程增添了另一层复杂性。它们的生态效应可能改变有机物的去向,使其进入食物网、向下沉降,或继续供微生物循环利用;不过,仅凭序列清单无法量化这些通量。

土壤中的生物种类繁多,分布于异质性的矿物和有机质微生境中,因此给分析带来了尤为复杂的难题。宏基因组能够揭示与纤维素及其他植物聚合物的分解、营养物质转化以及根系附近的相互作用有关的基因。然而,土壤 DNA 中可能包含细胞外遗传物质和休眠种群的 DNA。因此,基因丰度与实测过程速率之间的关系,取决于环境条件,也取决于全部遗传组成中实际处于活跃状态的部分所占的比例。

对多年冻土、湿地及其他富碳环境的研究,考察了微生物对升温、冻土融化和水文变化的响应。甲烷生成与甲烷消耗过程之间的平衡,与碳循环密切相关。基因组解析宏基因组学可以识别携带相应通路的种群,但估算甲烷净排放量还需要测量其生成、氧化、输送过程以及物理条件。群落的遗传潜力只是生态系统层面解释中的一个组成部分。

人工生态系统为比较遗传信息、运行条件与工艺效能提供了场景。污水处理中的微生物群落在受控的停留时间、曝气方式和底物输入条件下,执行有机物去除、氮转化及其他功能。宏基因组学有助于识别负责这些转化的生物,并可在处理效能发生变化时追踪群落变化。同样,厌氧消化系统也依赖多个种群协同完成降解、发酵和甲烷生成。

环境之间的比较也需要恰当的生态学解读。更高的序列多样性本身并不意味着系统更健康或效能更高;一个特化群落即使只有相对较少的优势种群,也能高效地执行特定功能。同样,根据不同样本中生物共同出现的情况构建的网络,本身也不能证明生物之间存在直接相互作用。对温度、营养物质或宿主条件的共同响应,也可能产生同样的模式。要区分这些解释,需要开展实验、获取时间序列数据,并测量物质交换。

人体相关群落与临床研究

人体宏基因组学研究肠道、口腔、皮肤、呼吸道及泌尿生殖道等部位的微生物组。这些群落在不同身体部位和个体之间存在显著差异。饮食、年龄、用药情况、地理位置、宿主生理状况以及样本采集程序,都可能影响观测到的群落组成。因此,大规模研究需要详尽记录研究队列的相关信息,并采用能够将所关注的关联与其他相关暴露因素区分开来的分析方法。

疾病相关微生物组研究通常会比较不同组之间的分类组成、基因家族或代谢通路。这类比较可以发现可重复验证的关联,但不能据此认定微生物差异导致了疾病。疾病可能改变饮食、肠道转运、炎症状态或用药情况,而这些变化均可改变群落。与单次横断面比较相比,纵向观察、机制实验和设计恰当的干预研究能够为探究因果关系提供更有力的依据。

临床宏基因组测序用于探查可能引起感染的生物,而不在初始分析时将范围限定为某一种疑似病原体。根据样本及工作流程的不同,它可以检测细菌、真菌、寄生虫或病毒。DNA 和 RNA 各自需要适当的制备流程,一些临床方案会同时对两者进行测序。已发表的应用包括探查其他方法无法解释的中枢神经系统感染,以及其他诊断困难的病例。其性能取决于具体检测方法、样本类型、生物种类及临床情境,而不是宏基因组学普遍具有的固定属性。

结果解读存在困难,因为检出的生物可能代表感染、定植、污染,或仅有残留核酸。低生物量样本尤其容易受到背景信号的干扰。因此,临床工作流程会设置对照、采用经过验证的报告阈值,并评估序列证据是否与样本及临床背景相符。阴性结果同样存在局限:目标生物丰度不足、宿主背景过高、提取失败或参考数据库收录不全,都可能导致未能检出。

宏基因组学可以调查整个群落中的抗微生物药物耐药性基因,这类基因的总集通常称为耐药组。这在人类、动物、农业及废水研究中具有重要价值。不过,某个耐药基因未必能被可靠地归属于特定病原体,尤其是当它位于移动遗传元件上时。检出基因也不等于证实存在表型耐药性,因为基因表达、基因完整性、拷贝数以及其他机制,都会影响实际观测到的微生物对抗微生物药物的反应。

人体相关测序会引发数据隐私问题,因为微生物制备样品中往往含有宿主 DNA。微生物特征也可能包含有关个人、家庭或共同暴露的信息,不过,这类推断的可靠程度和特异性各不相同。因此,研究治理需要涵盖知情同意、人源序列处理、访问控制及数据的二次使用。在考虑广泛共享数据的科学价值时,也必须兼顾人体样本及其相关临床或人口统计信息所涉及的责任与义务。

统计解释、标准与尚未解决的挑战

大多数宏基因组丰度表都属于组成型数据:表中各项表示受总量约束的比例。如果某种生物的绝对丰度增加,即使其他生物的细胞数量保持不变,它们的相对比例也可能下降。因此,表观变化并不总能解释为彼此独立的增加或减少。组成数据分析利用比值及相关变换来处理这类数据结构的部分问题,但零值、稀疏观测和采样异质性仍然难以处理。

绝对丰度测量可以补充序列比例所提供的信息。具体方法包括添加已知量的参考物质、利用聚合酶链式反应测量微生物总量,或通过流式细胞术进行细胞计数。每种方法都有各自的假设和误差来源。将这些测量结果与测序相结合,有助于区分种群的真实扩增与群落中其他成员变化所引起的比例变动。

统计检验还必须考虑多重比较、测序深度不均、重复测量和混杂变量。稀有特征尤其容易受到采样变异和筛选策略的影响。利用机器学习构建的预测模型,可能依赖的是批次效应或特定队列的特征,而非可推广的生物学规律。因此,独立验证以及防止训练与评估之间发生信息泄漏的设计,是解读所报告模型性能的关键。

可重复性既依赖计算信息,也依赖研究背景信息。如果没有记录样本处理方式、参考数据库、软件版本、参数设置和质量控制决策,仅有原始读段并不足够。“任意序列的最小信息”(Minimum Information about any Sequence)框架等领域标准,有助于以结构化方式报告元数据。用于描述生境和样本属性的受控词表使数据集更易于比较,而工作流系统和封装好的软件环境则有助于保存计算流程。

参考数据偏倚仍是一项重大障碍。相较于来自研究不足的环境或地理区域的生物,来自经常采样的生境和受到充分研究的种群的生物,在参考数据中的代表性更高。基因组重建扩大了覆盖范围,但也引入了自身的质量不确定性。利用模拟读段和模拟群落开展基准评测,可以揭示特定的失效情形,但两者都无法完整再现自然样本中的多样性、菌株混合情况、污染物和未知生物。没有任何单一基准能够涵盖所有预期应用。

若干尚未解决的问题涉及生物学关联:为可移动基因确定宿主、区分几乎相同的菌株、将病毒与其细胞宿主对应起来,以及确定哪些细胞在执行推断出的过程。长读段、物理邻近性测量、单细胞测序、培养和空间分析方法能够提供不同形式的证据。整合这些证据,有助于区分基因共享与生物体共有,也有助于区分整个群落具备的功能潜力与特定种群内实际发生的过程。尚待克服的挑战不仅是获取更多序列,而是将序列信息与生物体、位置、活动以及经实验确立的机制可靠地联系起来。