城市污水管网中社区和医院排放物的源解析与抗性组特征

《Environmental Pollution》：Source Apportionment and Resistome Signatures of Community and Hospital Effluents in Urban Sewer Networks

　　• 大多数进水抗性基因图谱被归类为采样的住宅参考来源。• 医院废水中富集了多种临床重要的抗性基因。• 重叠序列为选定的抗性基因—移动遗传要素网络关联提供了基因组背景信息。• 尽管16S基因浓度较低，临床抗性基因在出水中仍可检出。**引言**抗生素耐药性是最紧迫的全球健康威胁之一。尽管新型抗生素不断问世，耐药性问题却持续升级，其发展速度远超新药研发1。近年来，多项多中心研究显示，社区获得性和医院获得性抗生素耐药性均呈持续上升趋势2。全面了解耐药性的产生、持续存在和传播，对于"同一个健康"框架下的抗菌药物耐药性认识至关重要。然而，当前的监测系统主要依赖于对住院患者个体的样本采集3。这种策略偏向于医疗环境和有症状病例，因此无法捕捉更广泛的社区信息，包括在人群和环境中持续存在的无症状共生微生物储库(4), (5)。此外，临床检测中对表型药敏谱的依赖缺乏识别高风险克隆和新兴耐药决定因子所需的基因组分辨率?。基于废水的流行病学（WBE）通过提供整合的、人群层面的耐药性快照来解决这些局限性，涵盖临床和社区来源?。作为储库和传播途径，废水还可用于早期检测疫情爆发和预测风险建模?。此外，WBE提供了一种可扩展、成本低、伦理顾虑较小的解决方案，能够监控从单个建筑到整个城市的各种场景。然而，大多数先前的WBE研究依赖于服务大量人口的污水处理厂（WWTP）进水的采样?。虽然这些研究对于评估区域总负荷很有价值，但WWTP进水代表的是均质化信号，掩盖了上游动态变化。来自不同来源的废水在污水管网中混合，模糊了不同集水区特有的微生物和遗传模式，这使得很难区分耐药标志物的峰值是由局部临床疫情驱动还是由广泛的社区传播所致。医院废水通常被认为是抗生素耐药性产生和蔓延的关键热点。由于富含患者排泄物和亚治疗剂量的抗生素残留，它创造了强大的选择压力，促进了高风险抗生素耐药基因（ARGs）(10), (11) 的传播。研究表明，频繁使用某些抗生素类别（如糖肽类和碳青霉烯类）塑造了医院废水中与其他废水流不同的ARGs图谱12。最近的一项系统综述报告称，81%（30/37）的研究发现医院废水中耐药决定因子的频率高于社区来源13。然而，大多数现有分析依赖于基于宏基因组测序的相对丰度比较，这本质上忽略了总生物量负荷13。忽略体积稀释，这一视角可能会高估医院废水对下游处理厂的影响。实际上，社区废水由于人口较多和未经监督的抗生素使用，可能产生更大的负荷(14), (15)。这些因素突显了在进入接收处理厂的废水相对体积的背景下解读来源特异性耐药图谱的重要性。本研究旨在识别来源特异性耐药组特征，并评估医院和住宅废水对接收WWTP进水微生物组和耐药组图谱的相对贡献。具体而言，我们评估了下游耐药组的组成是否主要受局部高风险临床输入的驱动，还是受更广泛的社区废水影响。**节选片段****样本采集**废水样品于2023年5月至2024年11月期间每周在同一采样日期采集，采集地点共5处：污水处理厂（WWTP）进水（A）和出水（E）、密歇根大学医院（D站，代表临床来源）以及两处服务学生公寓的住宅集水区：校园内宿舍（S站）和校园外宿舍（T站）。五个采样站之间的水力关系及废水收集处理系统如下图所示。**16S rRNA基因浓度的时空动态**使用ddPCR对城市污水管网中细菌16S rRNA基因浓度进行了定量。总体而言，线性混合效应模型显示采样地点具有显著影响（*p* < 0.01；图1A）。污水处理厂出水（E站）的16S rRNA基因浓度显著低于上游站点，平均值为1.49 × 10? 拷贝/100 mL。校园内住宅废水、校园外住宅废水和医院废水的平均浓度分别为3.71 × 10?、2.37……**讨论**抗生素耐药性构成了重大的全球健康挑战，然而监测工作仍聚焦于临床环境，社区和环境驱动因素缺乏充分监测(32), (33)。近期宏基因组调查显示，临床环境之外存在广泛的微生物储库，这受城市环境中人为输入以及广泛抗生素压力下人体共生微生物组重构的驱动(34), (35)。与先前的报告一致，我们的……**结论**医院废水中富集了多种临床重要的抗性基因，而SourceTracker2将WWTP进水微生物组和耐药组图谱中最大比例的份额分配给了采样的住宅参考样本。医院网络中含有更多的ARG-MGE丰度相关性，重叠序列分析在医院和住宅废水中的选定ARG附近识别出MGE注释。这些发现支持将WWTP进水监测与上游住宅监测相结合……**CRediT作者贡献声明****Xi Chuanwu：** 撰写——审阅与编辑、监督、资源、项目管理、概念化。**Wu Jianfeng：** 撰写——审阅与编辑、监督、方法论、概念化。**Liu Haodong：** 撰写——审阅与编辑、可视化、验证、正式分析。**Li Xin：** 撰写——审阅与编辑、初稿撰写、可视化、方法论、调查、正式分析、数据整理、概念化。**生成式AI及AI辅助技术在稿件准备过程中的声明**作者使用ChatGPT和Codex（OpenAI）辅助起草、文本组织和英文语言编辑。作者审阅并修改了生成内容，并对最终稿件负责。**数据可用性**宏基因组测序数据已存于NCBI序列读取档案馆，BioProject登录号为PRJNA1525168。**利益冲突声明**作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。**投稿及作者批准**所有作者均已审阅并批准了提交的稿件，并同意将其投稿至*Current Research in Microbial Sciences*期刊。该稿件报告了原创研究，并未同时被其他期刊考虑。**伦理批准与参与同意**不适用。本研究分析了环境废水样品，未涉及人类参与者、可识别的个人信息或动物实验。**出版同意**不适用。稿件不包含关于任何个人的可识别信息。**数据可用性**宏基因组测序数据已存于NCBI序列读取档案馆，BioProject登录号为PRJNA1525168，计划于2028年10月1日公开发布。**竞争利益**作者声明不存在竞争利益。**资金支持**本研究未获得任何专项资助。**利益冲突声明**? 作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。作者：Li Xin | Liu Haodong | Wu Jianfeng | Xi Chuanwu