基于简单线性回归的病原宏基因组测序单靶标污染定量建模研究

《VIEW》：Single-target contamination modeling in pathogen metagenomic sequencing via simple linear regression

中文摘要翻译 本研究开发了一种基于简单线性回归（simple linear regression）的框架，用于定量病原宏基因组二代测序（metagenomic next-generation sequencing, mNGS）中的污染。该模型在模拟污染样本上训练，样本通过在HeLa细胞背景（1×105 cells/mL）中掺入梯度浓度的肺炎链球菌（Streptococcus pneumoniae）阳性标准品（5.6×106 copies/mL）制备，覆盖0.05%–10%的混合比例（2.8×103至5.6×105 copies/mL）。样本被独立生成两组：建模集（n = 178）和独立验证集（n = 32）。宏基因组文库经制备和测序后，进行质量修剪（fastp）和宿主序列去除（Kraken2）；基于肺炎链球菌参考基因组（NC_003028.3）的自定义数据库计算非宿主归一化读段。经离群值排除和模型重建优化后，最终模型在独立验证集上取得R2为0.966，总体平均绝对百分比误差（MAPE）为16.46%，支持临床可操作的污染监测，有待多物种验证。

论文解读

一、研究背景与目的

宏基因组二代测序（metagenomic next-generation sequencing, mNGS）能够全面检测样本中来自宿主和微生物来源的核酸，其工作流程涵盖核酸提取、文库构建、PCR扩增、高通量测序和生物信息学分析等多个环节。湿实验处理和PCR扩增步骤引入了显著的外源污染和交叉污染风险，若未被检测到，此类污染可能干扰临床判读并产生假阳性结果。因此，建立客观的污染定量指标对于确保检测结果的可靠性和准确性至关重要。

当前的方法通常通过阳性和阴性对照，利用阴性对照中检测到的病原特异性读段来监测污染。然而，由于mNGS存在显著的技术变异性——包括提取过程中的核酸损失、PCR扩增偏倚以及缺乏标准化定量校准——直接基于原始读段数进行定量仍然面临挑战。模拟群落精度评估显示，批内重复性和批间再现性的变异系数（coefficient of variation, CV）通常超过20%，部分病原甚至接近40%。因此，直接使用原始读段进行污染建模存在难以接受的误差，亟需一种归一化的、基于比值的定量方法。

在固定反应体积和均一扩增动力学条件下，精心设计的模拟样本可维持恒定的宿主背景以压倒目标病原载量，归一化读段比值可简化为目标病原浓度的线性函数，通过简单线性回归即可拟合。本研究基于常规实践中合成内参（internal control, IC）掺入以验证检测完整性的标准做法，将目标测序读段归一化至该掺入内参，构建可抵消系统性偏倚的归一化指标，并采用普通最小二乘法（ordinary least squares, OLS）建立归一化指标与标称污染比例之间的线性关联模型，为mNGS质量控制提供污染定量工具。

二、研究设计与核心方法

研究人员构建了模拟污染样本体系：以HeLa细胞（1×10⁵ cells/mL）为恒定宿主背景，掺入肺炎链球菌（S. pneumoniae）阳性标准品（5.6×10⁶ copies/mL），覆盖0.05%–10%共15个污染梯度，每个梯度12个重复，经质控后建模集共178个样本；另设8个验证梯度（0.15%–10%），每梯度4个重复，共32个样本作为独立验证集，在独立批次中完成全部前处理与测序流程。关键方法包括：使用fastp（v0.23.4）进行质量修剪；采用基于GRCh38人类参考序列的Kraken2（v2.1.2）k-mer数据库快速分类去除宿主读段；基于肺炎链球菌参考基因组（NC_003028.3）及人工内参序列构建Kraken2特异性数据库进行物种分类计数；以每百万读段数（reads per million, RPM）作为归一化丰度指标，计算目标病原和内参的RPM比值，经log₁₀变换后建立简单线性回归模型。

三、研究结果

模型拟合与诊断：基于178个训练样本的初始模型得到截距β₀ = 1.659（95% CI: 1.578–1.740）、斜率β₁ = 0.897（95% CI: 0.857–0.938），R²为0.917。但残差诊断显示偏离正态性（Kolmogorov–Smirnov检验D = 0.117, p < .01；Shapiro–Wilk检验W = 0.828, p < .01），残差偏度为?1.766，峰度为12.492，P–P图呈S形偏离。Cook距离诊断（阈值4/n = 0.023）识别出10个聚集在低浓度端（0.05%、0.1%、0.3%梯度）的离群样本并予以排除。基于剩余168个样本重建的最终模型R²提升至0.966，截距为1.755（95% CI: 1.703–1.808），斜率为0.950（95% CI: 0.923–0.977），接近理论模型预测的1。残差正态性检验不再显著（Kolmogorov–Smirnov检验p = .079；Shapiro–Wilk检验p = .052），P–P图显示数据点紧密分布于对角线附近。

敏感性分析：通过比较178样本初始模型与168样本最终模型发现，斜率从0.897变为0.950，截距从1.659变为1.755，系数方向和显著性均未改变。在独立验证集上，初始模型MAPE为17.69%，与最终模型的16.46%接近，表明预测精度对离群值排除不敏感。对全部178个样本的稳健回归进一步确认了排除的统计学必要性。

模型假设评估：Ramsey RESET检验未显示显著非线性（F = 0.098, p = .755）。Breusch–Pagan检验提示轻度异方差（LM = 11.69, p = .001），集中在低于1%的梯度，该区域残差方差（0.0178）是高梯度区域（0.0095）的1.9倍。采用HC3异方差一致性估计量重新计算标准误后，截距和斜率的95%置信区间（1.709–1.802和0.922–0.978）与最终OLS模型（1.703–1.808和0.923–0.977）高度吻合，表明主要推断结论不受影响。

独立验证：最终模型在32个独立验证样本上取得总体RMSE为0.0854 log₁₀单位（95% CI: 0.068–0.102）、MAE为0.0694 log₁₀单位（95% CI: 0.053–0.087）。回变换至原始污染比例后，总体MAPE为16.46%（95% CI: 12.47%–20.67%），低浓度范围（0.15%–0.9%，n = 16）MAPE为16.45%，高浓度范围（2.5%–10%，n = 16）MAPE为16.46%，两者95%置信区间大幅重叠。梯度特异性MAPE介于7.34%至34.75%之间，其中2.5%梯度最高（34.75%），0.15%梯度最低（7.34%）。预测误差未显示系统性浓度依赖性。

四、讨论与结论

本研究开发的污染定量模型在独立验证集上取得16.46%的MAPE，处于预测精度标准中“良好预测”（10%–20%）区间，表明模型在低模板分子计数的固有随机性下仍具有可接受的精度。在log₁₀尺度上，总体RMSE和MAE分别为0.0854和0.0694 log₁₀单位，远低于CLSI MM06-A2指南中临床微生物学定量分子方法0.2–0.5 log₁₀单位的变异容忍度。关于10个低浓度离群值的处理，研究人员指出这些离群并非源于实验错误，而是低模板输入下PCR随机性所固有，排除构成必要的物理移除而非统计调整。与快速增长的生物信息学污染去除工具相比，实验室层面的mNGS污染监测仍停留在无定量指标的阴阳性对照层面，缺乏区分系统性分析漂移与试剂、人员、设备或环境变化所致变异的标准。该模型将阴性对照中检出的目标读段转换为预测浓度，实现定量污染监测，为污染信号的标准化判读和分析性能监测提供了框架。研究结论指出，该模型将mNGS质量控制从二元判定推进至定量层面，未来工作将把框架从当前单一病原的模拟体系扩展到多种病原类型，以建立常规实验室污染监测的参考阈值。