《Discover Viruses》：Bioinformatics-driven genomic surveillance and evolutionary tracking of emerging viral pathogens
## 三、摘要翻译
新发病毒病原体对全球健康构成持续威胁，因此基因组监测（genomic surveillance）与进化追踪已成为不可或缺的公共卫生工具。本综述评估了用于基因组监测、病原体追踪和实时进化生物学的生物信息学工具、分析流程（pipelines）与分析方法，并系统评述了各自的优势、局限及病原体特异性适用性。研究人员采用跨病原体比较框架，考察了五个案例：SARS-CoV-2、埃博拉病毒（Ebola virus）、猴痘病毒（monkeypox virus, MPXV）、禽流感病毒（avian influenza virus）以及蜜蜂病毒（honeybee viruses），每一案例均需将全基因组测序（whole-genome sequencing, WGS）、多序列比对（multiple-sequence alignment, MSA）、系统发育树构建（phylogenetic tree building）与分子钟重建（molecular clock reconstruction）进行定制化组合，以重构传播链与进化动力学。文中讨论的关键工具包括 Nextstrain、GISAID、BEAST、IQ-TREE、MEGA 与 Pangolin。上述方法已转化为切实的公共卫生成效，从针对 SARS-CoV-2 的 mRNA 疫苗研发到针对禽流感病毒的通用疫苗设计工作，但其影响仍受制于测序基础设施、专业人才与计算资源分布不均。在全部五个案例中，没有任何单一流程具有普适最优性：工具与平台的选择必须与各病原体的生物学特性及特定环境下的监测基础设施相匹配。全球范围内加强这一能力，尤其是在资源匮乏地区，对于确保新发病原体被及时发现并完成特征鉴定、从而支撑有效的公共卫生应对至关重要。
## 四、主体内容总结
**引言**
传染病由细菌、病毒、真菌和寄生虫等广泛病原体引起，是全球健康最持久的挑战之一。病原体快速传播、发生遗传演化并突破地理与生态屏障的能力，对人类、动物与环境健康构成严重威胁。全球化、人口流动加剧、城市化及环境变化进一步加速了传染病跨大陆的出现与扩散。病毒性疾病因具有高内在突变率、基因重配（reassortment）与重组（recombination）驱动的快速突变、复制和传播特性而尤需关注。COVID-19 大流行表明新型病毒病原体可在全球迅速传播，凸显了快速基因组监测在追踪病毒演化、识别关注变异株（variants of concern, VOCs）和指导公共卫生应对中的关键需求。SARS-CoV-2 的早期测序揭示了其与蝙蝠冠状病毒的密切关系，促进了诊断与疫苗的快速开发；2014—2016 年西非埃博拉疫情则展示了基因组监测在追踪传播链中的价值。基因组监测被界定为对病原体基因组进行系统测序、分析与解读，以实时监测传播与演化。二代测序（next-generation sequencing, NGS）技术对病毒基因组监测至关重要，Illumina、Oxford Nanopore 与扩增子平台之间的选择涉及通量、准确性、成本与现场可部署性之间的权衡。文章强调其贡献在于有意的跨病原比较分析：并非抽象综述工具，而是以五个生物学与操作上各异的案例检验同一批工具类别，识别哪些方法学选择可跨监测情境推广、哪些具有病原体或资源环境特异性。
**背景、方法与分析框架**
本综述采用叙述性（非系统性）方法学。候选研究通过 PubMed、Scopus 与 Google Scholar 检索 2015—2025 年文献，检索词组合包括"基因组监测""生物信息学""系统发育学""二代测序"及五种病原体名称；依据方法学相关性与发表时间排序，并优先选取原始研究与描述生物信息工具和方法的论文。
**病毒的演化与基因组多样性**：病毒演化由突变、重组与重配驱动。RNA 病毒因 RNA 依赖的 RNA 聚合酶（RNA-dependent RNA polymerase, RdRp）缺乏 3′→5′ 外切酶校对活性，突变率约为每个核苷酸每位点每复制周期 10
-4—10
-6 替换。Coronaviridae 例外，其编码的 nsp14 外切核糖核酸酶赋予校对活性，是 SARS-CoV-2 及相关冠状病毒突变率显著低于多数 RNA 病毒的重要原因。节段化 RNA 病毒（如流感）可在共感染时发生重配，产生具大流行潜力的新毒株。选择压力（宿主免疫应答、抗病毒药物、生态因素）塑造病毒群体演化动力学：正选择固定免疫逃逸或传播力增强的有益突变，纯化选择清除有害突变，中性突变随时间积累并作为系统发育分析的分子标记。检测选择信号在实践中依赖基于密码子的似然法工具 HyPhy，拟合位点与分支特异的同义/非同义替换率模型。
**基因组监测的原理**：基因组监测涵盖样本采集、实验室处理、基因组测序、数据分析共享到公共卫生行动与政策的协同步骤。全基因组测序与生物信息学的整合可检测遗传突变、重构传播链并高分辨率监测病毒演化。其相对传统流行病学的优势包括：识别传播簇与传播链以实施针对性干预；检出表型改变（传播力、毒力或免疫逃逸增强）的新发变异株；揭示病原体演化动力学以指导疫苗、诊断与治疗开发。需注意 GISAID 的核心作用在流感与 SARS-CoV-2 中最为确立，而非普遍适用于所有病毒监测；埃博拉、猴痘等更多依赖 NCBI GenBank 与病原体特异性数据库。监测成功取决于测序基础设施、数据共享及时性与生物信息分析能力；Illumina 与 Oxford Nanopore 等高通量技术使快速、低成本测序大量病毒基因组成为可能，但仍需稳健的分析流程处理多平台数据、准确调用变异、构建系统发育树并推断演化动力学。除 GISAID 与 GenBank 外，流感研究数据库（IRD）与病毒病原资源（ViPR）提供特定病毒科的精选数据集与分析工具，Nextstrain 与 ProMED-mail 等实时疫情监测平台则补充流行病学背景与预警能力。开放及时的数据共享常受数据所有权、知识产权与误用顾虑阻碍，需建立明确的数据共享政策与激励机制。
**二代测序技术**：短读长 Illumina 测序通量高、单碱基错误率低、具成本效益，但 150—300 bp 的短读长限制长程单倍型与结构变异的解析。Oxford Nanopore Technology（ONT）产生可达数十 kb 的长读长、近实时输出且可现场部署（如 2014—2016 年埃博拉疫情所示），但单碱基错误率较高（通常 5—15%），需高测序深度以获得准确一致性序列。基于扩增子的测序（如 ARTIC 网络方案）通过 tiled 引物预扩增降低成本、提高灵敏度，但可能引入引物结合偏倚而掩盖引物结合位点突变。无参考基因组的宏转录组应用使用 SPAdes 与 MEGAHIT 等从头组装（de novo assembly）工具，前者针对低覆盖与覆盖不均的病毒基因组优化，后者针对大型宏基因组数据集的效率与可扩展性优化。此外，将高精度短读长（Illumina 或 MGI-DNBSEQ）与 ONT 长读长结合的混合测序策略日益用于解析单一技术难以处理的同聚物区与短串联重复，并以短读长数据对长读长一致性序列进行校正（polishing）。技术选择取决于监测目标、可用资源与目标病原体特征。
**病毒基因组分析的生物信息学流程**：分析通常始于原始测序读长（FASTQ）。FastQC、fastp 或 Trimmomatic 用于去除低质量读长与接头序列，Bowtie2 等工具去除宿主序列。有参考基因组时可采用基于参考的组装（BWA-MEM、SAMTools），否则采用从头组装（SPAdes、MEGAHIT）。二者选择并非仅取决于参考可及性：若样本可能含高度分化毒株、结构变异或重组断点，即使存在参考也常优先采用从头组装；而基于参考的组装更快且对低覆盖数据更稳健。变异调用工具 LoFreq、FreeBayes 或 GATK 检测突变与单核苷酸多态性（single nucleotide polymorphism, SNP），选择取决于测序深度与变异类型。注释工具 VAPiD、Prokka 与 RAST 识别基因、开放阅读框（open reading frame, ORF）与特征。系统发育工具 MAFFT、IQ-TREE 与 RAxML 用于建树与推断进化关系；贝叶斯方法 BEAST 利用马尔可夫链蒙特卡洛（Markov chain Monte Carlo, MCMC）采样联合估计系统发育与演化参数以推断分歧时间与演化速率；Pangolin 使用训练好的机器学习分类器进行谱系分类。精确注释是后续分析的前提，Geneious Prime 用于识别 ORF，NCBI 保守结构域数据库（Conserved Domain Database, CDD）用于注释保守结构域。MultiQC 可汇总跨样本质控报告，Nextflow 与 Snakemake 等工作流管理框架将各步骤串联为可移植、可重复的流程，并常以 Docker、Singularity 等容器化环境封装以保证跨平台结果一致。质控过滤过严会丢失真实病毒读长，过松则引入下游误差与偏倚，故参数优化与验证十分重要。GATK 的变异调用模型原为二倍体人类基因组设计，假定每位点等位基因拷贝数少而固定；直接应用于呈准种（quasispecies）群体、具连续低频等位基因频率分布的病毒群体，可能漏检低于其灵敏度阈值的真实少数变异，或将真实的宿主内多样性误判为测序噪声，因此 LoFreq 等专用低频调用工具更适合宿主内准种分析，GATK 更适于共识水平、宿主间的变异调用。变异识别后需用 SnpEff、VEP 等工具注释功能影响（同义、非同义或调控区），以推断毒力、传播力或免疫逃逸等潜在表型后果。
**多序列比对**：多序列比对是系统发育分析的基础步骤，通过比对同源序列识别保守区与可变区。MAFFT、MUSCLE 与 Clustal Omega 等工具采用迭代算法基于序列相似性优化比对，其中 MAFFT 因速度快、准确性高（尤其适用于大型数据集）而被广泛使用。
**系统发育与系统发育动力学分析**：系统发育分析是基因组监测的基石，可重建病毒序列间的进化关系并推断动力学过程。建树采用最大似然（maximum likelihood, ML）或贝叶斯推断：IQ-TREE 与 RAxML 分别采用超快自举近似与快速自举的最大似然推断；BEAST 等贝叶斯方法纳入先验信息并以 MCMC 采样估计树拓扑与参数的后验分布。文章给出系统发育推断决策框架，涵盖基于分析目标、数据集规模与病毒类型的方法选择流程、六种主要系统发育软件包的比较以及核苷酸替换模型层级与选择指导。除最大似然与贝叶斯方法外，邻接法（neighbor-joining）等距离法更快但准确性较低；最大简约法计算简单直观，但易受趋同或回复突变误导，现主要用于快速探索性建树而非确定性系统发育。拟合分子钟前，宜先检验数据中是否存在充分的时间信号（如 TreeTime 实现的根到端回归），信号不足会导致定年不可靠。系统发育动力学分析进一步推断有效再生数（effective reproductive number, R
e）、群体大小动态与传播事件时间；其与单纯系统发育分析的区别在于额外建模传播与采样等流行病学过程如何塑造树结构，因而需要更密集、偏倚更小的采样。例如 SARS-CoV-2 的系统发育动力学分析揭示了超级传播事件、国际旅行与公共卫生干预的作用；埃博拉病毒研究阐明了 2014—2016 年西非流行的时空动态。时间定根与分子钟校准可用 TreeTime 或 LSD2 完成。
**可视化与解读**：可视化是基因组监测的关键环节。系统发育树可用 FigTree、iTOL 与 Nextstrain 可视化；Nextclade 可直接从一致性序列进行快速网络化分支（clade）划分与突变调用，无需本地建树；UShER 支持将新序列超快速定位到既有全球树上；Nextflow 与 Snakemake 等可重复工作流框架日益用于使多步骤流程可移植、可重复。Nextstrain 是整合基因组、流行病学与地理数据的实时系统发育可视化与分析平台，其交互式可视化经 Auspice 组件渲染，该组件亦可独立运行以可视化自定义系统发育树。Microreact 与 Phandango 等工具提供类似的监测数据探索能力。这种整合方法有助于识别传播簇、检出新兴变异株并评估公共卫生风险。
**机器学习与预测建模**：机器学习（machine learning, ML）与预测建模利用算法识别病毒基因组数据中的隐藏模式，以预测其他手段难以识别的病毒行为。ML 算法可利用高维序列数据预测与毒力和免疫逃逸相关的病毒基因组特征。需说明 DeepARG 原本是基于神经网络、从宏基因组数据预测抗生素抗性基因的工具，并非用于毒力或宿主适应预测，此处仅用以说明应用于病毒宏基因组的深度学习工具类别。DeepVirFinder 利用深度学习识别组装宏基因组中的病毒序列。ML 模型可用于谱系分类、风险变异株识别、功能基序注释、免疫逃逸等表型变化评估以及疫情进程模拟。AlphaFold2 等蛋白结构预测工具日益与 ML 工作流整合以建模基因组突变的功能后果。ML 在病毒监测中的应用包括病毒序列识别（VirFinder、DeepVirFinder）、谱系或分支分类（Pangolin、Nextclade）、变异效应与抗原性预测、免疫逃逸预测、宿主范围预测、蛋白结构与功能预测以及基于基因组与流行病学数据的疫情预测；其输入数据、训练方法、验证策略与性能指标差异很大，虽均显示良好前景，但通常需要大量训练数据与独立生物学验证才能达到公共卫生监测实用水平。目前经过验证并部署的应用集中于谱系/分支分类与蛋白结构预测等具有明确金标准的较窄任务；关于 ML 驱动疫情预测或自动化风险预测的更广泛主张仍多为探索性，尚未在真实监测环境中前瞻性验证。可解释性是另一相关局限：DeepARG、DeepVirFinder 等深度学习架构在很大程度上是黑箱，驱动特定预测的序列特征鲜有报告或独立验证；若无模型无关的可解释性方法或在流行病学上独立的数据集上进行系统外部验证，对 ML 风险判断的过度信任仍是监测应用中的实际隐患。
**案例研究**
文章选取的五种病毒有意覆盖广泛的监测条件：高通量与低通量测序情境、突变率不同的 RNA 与 DNA 基因组、人类/人畜共患/非人类宿主，以及从全球大流行到区域性疫情的暴发谱系。
**SARS-CoV-2：实时基因组监测的范例**：截至 2024 年，仅 COVID-19 Genomics UK（COG-UK）联盟即测序并共享逾 300 万个 SARS-CoV-2 基因组。在起源与早期检测方面，SARS-CoV-2 于 2019 年 12 月在中国武汉病因不明肺炎病例中被识别；早期患者支气管肺泡灌洗液的宏基因组测序揭示一种与蝙蝠冠状病毒密切相关的新型乙型冠状病毒，系统发育分析将其置于 Sarbecovirus 亚属，最近亲缘 RaTG13 共享约 96% 基因组一致性，病毒在首批病例报告数周内完成测序并公布基因组，刺突蛋白结构与受体结合域随后被表征。测序策略上，ARTIC 网络扩增子方案因成本效益与适应低病毒载量样本而被广泛采用，可在 Illumina 与 ONT 平台测序；Illumina 准确性高、通量高，适合大规模监测；ONT 周转快、便携，支持近实时测序；全基因组鸟枪测序避免引物偏倚但需较高病毒载量与测序深度；混合策略可兼顾灵敏度与准确性。分析流程方面，ARTIC 流程含读长修剪、比对参考基因组（Wuhan-Hu-1）、引物修剪、变异调用与一致性序列生成，使用 minimap2、samtools 及 medaka 或 nanopolish；COG-UK 建立了面向 Illumina 的综合流程，含质控、比对、变异调用与 Pangolin 谱系指派；nf-core/viralrecon 与 Cecret 等提供模块化、可扩展的多平台工作流。变异检测方面，主要 VOCs 包括 Alpha（B.1.1.7）、Beta（B.1.351）、Gamma（P.1）、Delta（B.1.617.2）与 Omicron（B.1.1.529 及其亚谱系）。Alpha 具 N501Y（增强与 ACE
2 受体结合亲和力）及 69—70 位缺失（影响诊断检测）等刺突突变；Delta 具 L452R 与 P681R 等增强传播力与免疫逃逸的突变；Omicron 刺突蛋白携带 30 余个突变，表现为传播力与免疫逃逸增强。系统发育与系统发育动力学分析揭示了多次跨国输入后本地传播与谱系分化，BEAST 等工具估计了 R
e 与关键流行病学事件时点，Nextstrain 用于实时可视化。文章亦指出规模带来的风险：在资源充足地区实现实时变异追踪的高通量流程在其他地区远不可及，这一能力差距直接促成了后续案例所述的可现场部署与免参考方法。
**埃博拉病毒：资源有限环境中的现场可部署测序**：2014—2016 年西非埃博拉疫情导致逾 28 000 例病例和 11 000 例死亡。早期基因组测序显示疫情由病毒单次引入人群后持续人际传播所致，系统发育分析表明疫情毒株属 Zaire ebolavirus 种、与中非毒株近缘，提示远距离输入事件。现场可部署测序是重大创新：Oxford Nanopore MinION 为便携、USB 供电、实时产生长读长的测序仪，研究者在几内亚与塞拉利昂建立测序设施，可在采样数日内完成测序，快速提供传播簇识别与突变检测等可操作信息，证明在缺乏传统实验室基础设施的资源有限环境开展基因组监测的可行性，并启发了 COVID-19 与 2022 年猴痘疫情的类似实践。系统发育与传播分析揭示多条传播链、超级传播事件与跨境传播；整合基因组与流行病学数据可重构传播网络，例如发现涉及与逝者密切接触的葬礼习俗在传播中起重要作用；BEAST 等系统发育动力学分析估计了 R
e 与关键事件时点。病毒演化方面，糖蛋白基因中若干突变被识别，其中 A82V 与在人细胞中感染力增强相关；该关联基于体外感染力实验结合 A82V 在疫情期间频率上升的流行病学观察，提示可能的适合度优势，而非该突变直接导致人际传播增强的确证。埃博拉病毒总体突变率低于流感与 SARS-CoV-2 等 RNA 病毒，反映丝状病毒复制率较低、世代时间较长。
**猴痘（monkeypox）：检出非预期传播模式**：2022 年全球猴痘疫情标志 MPXV 在其传统中非与西非流行区之外的 unprecedented 扩散，至 2022 年底逾 100 个国家报告超过 87 000 例确诊病例，主要影响男男性行为者（men who have sex with men, MSM）。该疫情已成为 One Health 防控方法的广泛引用范例。基因组特征上，早期测序显示 2022 年疫情毒株属西非分支（相对中非/刚果盆地分支病情较轻），与 2017 年以来尼日利亚流行的病毒近缘，被划为 B.1 谱系。最显著的发现之一是 APOBEC3 介导的超突变：APOBEC3 酶是宿主抗病毒因子，诱导病毒基因组胞嘧啶脱氨，导致 C→T（互补链 G→A）转换；对 MPXV 而言，APOBEC3 介导的超突变在 TC 二核苷酸背景产生 TC→TT 转换，这一机制性特征是明确的，可通过标准变异调用流程识别，揭示了病毒在人类宿主内的持续适应；2022 年疫情毒株中 APOBEC3 诱导突变的高频率提示持续人际传播而非反复动物源引入，挑战了此前关于 MPXV 传播动力学的假设。传播动力学方面，对 2022 年疫情 MPXV 基因组的系统发育分析揭示病毒多次输入不同国家后本地传播并形成不同传播簇，全球旅行与社交网络促进快速国际传播；系统发育动力学分析提示疫情在首批报告病例前数月即已开始，凸显早期发现与监测的重要性，整合基因组与流行病学数据有助于识别传播网络与性接触、大型聚会等风险因素。公共卫生应对方面，检测到 APOBEC3 介导的超突变引发对病毒适应与免疫逃逸潜力的关注，天花疫苗（如改良痘苗 Ankara，MVA 疫苗）被部署用于控制疫情，基因组监测用于追踪病毒对疫苗接种的响应。
**禽流感：监测人畜共患威胁**：高致病性禽流感（highly pathogenic avian influenza, HPAI）H5N1、H7N9 等亚型能够感染人类并导致高病死率重症，构成重大人畜共患威胁。禽流感病毒八节段 RNA 基因组使共感染时重配成为可能，从而产生具大流行潜力的新毒株；协调监测依赖 GISAID 的 EpiFlu 数据库、WHO 全球流感监测与应对系统（Global Influenza Surveillance and Response System, GISRS）以及 FAO-OIE-WHO 联合的 OFFLU 网络，在 One Health 框架下连接动物与人类流感监测。重配检测通过比较各节段系统发育树的拓扑不一致性进行，2009 年 H1N1 大流行毒株即为禽、猪、人流感病毒重配的产物；FluSurver 可自动化分析流感基因组节段并基于系统发育不一致识别重配事件，GiRaF 与 SCUEAL 等工具采用统计方法检测重组与重配。在监测演化与抗原漂移方面，血凝素（hemagglutinin, HA）与神经氨酸酶表面蛋白突变积累可导致免疫逃逸并降低疫苗效力，HA 序列的系统发育分析用于追踪病毒演化与评估抗原特性，抗原制图（antigenic cartography）基于血清学数据映射毒株间抗原关系以指导疫苗株选择。评估大流行潜力方面，关注受体结合域决定宿主特异性的突变以及聚合酶复合体影响哺乳动物细胞复制效率的突变；例如 H5N1 已获得增强与人型受体结合亲和力的突变，ML 方法日益用于基于禽流感基因组数据评估大流行风险。
**蜜蜂病毒：生态与经济影响**：文章将蜜蜂病毒纳入并非偏离以人类为重点的新发病原监测，而是有意的 One Health 案例研究：其监测沿用同一核心流程（测序、组装、变异调用、系统发育）应用于非人类宿主系统，对全球粮食安全具有直接意义，说明这些方法在人类病原体之外的可推广性。蜜蜂是重要传粉者，其种群因病毒感染、寄生虫、农药与栖息地丧失等多重胁迫而下降，畸形翅病毒（Deformed Wing Virus, DWV）、急性蜜蜂麻痹病毒（Acute Bee Paralysis Virus, ABPV）与以色列急性麻痹病毒（Israeli Acute Paralysis Virus, IAPV）是蜂群损失的主要贡献者。宏转录组方法对蜜蜂样本总 RNA 测序而无需预先知晓病毒种类，可发现新病毒并表征病毒组（virome）；其分析流程包括质控、宿主序列去除、从头组装（SPAdes 适于低覆盖病毒基因组，MEGAHIT 适于大型宏基因组数据集）、病毒序列识别（BLAST 比对病毒参考数据库或 DeepVirFinder 等机器学习工具）与系统发育分析。宏转录组研究揭示了蜜蜂种群广泛的病毒多样性；DWV 存在 DWV-A、DWV-B、DWV-C 等毒力与地理流行度不同的基因型，监测可追踪其基因型及其对蜂群健康的影响。病毒演化受宿主免疫、Varroa destructor 螨传播与环境胁迫驱动，Varroa 螨作为传播媒介促进病毒传播并提高感染蜂病毒载量，与病毒多样性增加及更强毒力毒株出现相关。传播动力学方面，系统发育分析显示病毒在蜂群内与蜂群间传播，受迷巢（drifting）、盗蜂（robbing）行为及蜂群运输、蜂王交易等商业养蜂实践促进；整合基因组与流行病学数据有助于识别传播风险因素并制定管理策略。
**讨论**
**生物信息学工具的比较分析**：对于基因组组装，基于参考的方法（如 BWA-MEM）在具近缘参考基因组的 SARS-CoV-2 监测中快速准确，但不适于发现新病毒或高度分化病毒；在无参考基因组的蜜蜂病毒监测中从头组装工具不可或缺。对于变异调用，工具选择取决于生物学问题：LoFreq 对低频变异的灵敏度适于追踪宿主内准种，GATK 的统计严谨性更适合病毒异质性较低数据集的共识水平、宿主间调用。最大似然方法（IQ-TREE、RAxML）提供五个案例实时疫情追踪所需的速度，贝叶斯方法（BEAST）则用于深入的系统发育动力学重建，如埃博拉与猴痘疫情中的分歧时间估计，其 MCMC 采样的额外计算成本由分子钟估计需求所证明合理。可视化方面，Nextstrain 贯穿 SARS-CoV-2、埃博拉与猴痘案例，凸显其作为向公共卫生受众传达监测数据的实时跨病原平台的价值。
**基因组监测的挑战**：第一，测序能力全球分布不均，高收入国家占多数序列；另一常被忽视的相关障碍是兼具生物学与编程专长的人才短缺，限制了公共实验室独立运行与排障能力；同时，支撑快速疫情应对的测序与生物信息能力本身具有两用性，病原体基因组表征乃至合成能力涉及生物安全治理问题。该差距限制低资源环境（最需监测之处）检出新兴变异株的能力，需投资测序基础设施、人员培训与区域测序中心建设。第二，数据共享延迟与元数据缺乏标准化阻碍实时分析；GISAID 等平台虽促进共享，但数据所有权、知识产权与误用顾虑仍是障碍，需建立明确政策与激励。第三，大规模基因组数据集的计算复杂性要求稳健流程与受训人员，许多低资源环境缺乏相应计算基础设施与专长，云平台与友好工具可部分缓解，但持续培训与能力建设必不可少。第四，基因组数据与流行病学、临床及生态信息的整合仍是挑战；监测与其他数据源结合时最有效，需建立数据整合框架与跨学科协作。
**新兴技术与未来方向**：长读长测序（ONT、PacBio）的准确性与通量持续提升，有助于解析复杂基因组结构、检测结构变异及分析含重复区的病毒基因组；单细胞测序可在单细胞水平分析病毒群体，为宿主内病毒演化研究与耐药或免疫逃逸相关少数变异识别提供帮助。在 ML 方面，该领域近期轨迹是使风险预测与流行病学、临床数据流更紧密结合以支持实时公共卫生决策，前提是解决可解释性与外部验证方面的不足。便携与现场可部署测序技术正将监测延伸至偏远与资源有限地区，埃博拉疫情期间 MinION 的成功证明了现场实时测序的可行性，未来结合生物信息学与数据连接的创新将促成真正全球化的基因组监测。
**政策与伦理考量**：数据共享政策须在开放获取与数据所有权、知识产权及误用顾虑之间取得平衡；监测须尊重个人与社区权利与隐私，包括样本采集与测序的知情同意、基因组数据保密及避免对受影响人群的污名化，伦理框架应咨询受影响社区、公共卫生机构与研究者等多元利益相关方；监测能力须公平建设，使低资源环境获得技术、工具与受训人员；监测与公共卫生行动的整合需要研究者、公共卫生机构与政策制定者之间清晰沟通协调，并将数据转化为疫苗开发、诊断更新与疫情控制等可操作见解。
**与 One Health 方法的整合**：One Health 强调人类、动物与环境健康的相互关联及跨学科协作。基因组监测是 One Health 的关键组成部分，可监测人畜共患病原体、检出溢出事件并评估大流行威胁；禽流感监测需协调禽、猪与人群中的病毒演化监测并整合血清学与流行病学信息，蜜蜂病毒监测需研究者、养蜂者与政策制定者协作。未来监测须纳入 One Health 方法，投资跨学科研究、建立协作网络并开发数据整合与分析框架。
**结论**：二代测序与先进生物信息流程的整合使实时监测病毒传播、演化与出现成为可能，为疫情应对与大流行准备提供关键见解。云平台与本地分析基础设施之间的选择是相关实践考量：云平台为海量数据提供近乎无限的存储，本地分析则可更好保护敏感数据，尤其考虑到各国数据治理与主权规则差异；低收入环境中采样与运输的冷链限制可能进一步损害测序质量，强化了尽可能本地处理样本的理由。废水监测、免参考宏基因组监测、容器化（Docker、Singularity）及遵循 FAIR 数据原则等方法使流程更具可扩展性与可重复性。文章提出五项优先方向：（1）采用模块化、可复用的流程而非病原体专用流程，使为某次疫情建设的基础设施能迅速转用于下一次；（2）投资当前代表性不足地区的本地测序与生物信息能力，而非仅依赖集中分析；（3）标准化元数据并采用分级数据共享协议，在加速公共卫生使用的同时保护数据产生者利益；（4）使系统发育与分子钟方法选择匹配各病原体的演化速率与重组特征，而非套用单一默认流程；（5）仅在 ML 工具已证明显著优于既定方法之处整合使用，而非默认添加。
