《Nucleic Acids Research》：CAnDi: a global catalogue of anaerobic digestion microbiomes
编辑推荐：
产甲烷环境（methanogenic environments）中复杂的原核生物群落驱动着有机物向甲烷和二氧化碳的厌氧转化。这一过程不仅对全球碳循环至关重要，还已被开发为生物反应器中能源生产的强大生物技术。解析这些群落的功能与分类学景观需要开展涵盖细菌噬菌体（
产甲烷环境（methanogenic environments）中复杂的原核生物群落驱动着有机物向甲烷和二氧化碳的厌氧转化。这一过程不仅对全球碳循环至关重要，还已被开发为生物反应器中能源生产的强大生物技术。解析这些群落的功能与分类学景观需要开展涵盖细菌噬菌体（bacteriophages）与质粒（plasmids）的全面调查，然而这些元件在当前数据库中仍存在严重的代表性不足。研究人员在此介绍了厌氧消化微生物目录（microbial Catalogue of Anaerobic Digestion, CAnDi）数据库，该数据库包含从全球生物反应器中收集的1256个宏基因组样本所重建的、涵盖11149个物种的36480个原核生物基因组。重建的宏基因组还编码了约190万个病毒序列和超过130000个质粒序列。基于序列一致性的聚类分析揭示了约536000个候选病毒物种，其中85%相对于现有数据库属于新发现，同时鉴定出超过15000个独特质粒。研究人员进一步从头构建了病毒与质粒蛋白聚类，分别形成1721182个和123813个不同的蛋白质家族。这些资源极大地推进了以往系统解析厌氧消化微生物组的方法，为研究产甲烷生态系统中病毒组（virome）和质粒组（plasmidome）的生态与进化作用提供了更为扩展的基础。CAnDi可通过https://www.candi-db.org/访问。
厌氧消化（anaerobic digestion, AD）微生物组是由水解、产酸、产乙酸与产甲烷等功能群在缺氧条件下序贯协作的复杂原核群落，驱动有机物向甲烷和二氧化碳的厌氧转化。这一过程不仅是全球碳循环的关键环节，还已被开发为生物反应器中生产沼气的强大可再生能源技术。尽管相关生化与工艺工程研究已开展数十年，AD微生物组的完整基因组景观与生态互作仍未完全阐明。当前存在两方面突出问题：其一，仅依赖16S rRNA基因的研究分辨率有限，主要扩展了AD相关未培养谱系的清单，而这些多样性如何关联功能与整体微生物组基因仅有部分得到探索；其二，病毒与质粒等可移动遗传元件长期被忽视，它们作为水平基因转移（horizontal gene transfer, HGT）的关键媒介，驱动快速进化与生态创新，深刻影响群落稳定性、抗生素耐药性及宿主代谢重编程，但现有数据库（如metaVR）对AD病毒组的覆盖极为有限，质粒更是几近缺席。因此，构建涵盖原核生物、病毒与质粒的全球性、系统性基因组目录成为迫切需求。
针对上述问题，研究人员对来自全球多样化工程AD系统的1256个宏基因组样本开展大规模基因组解析研究，构建了厌氧消化微生物目录（Catalogue of Anaerobic Digestion, CAnDi）数据库，论文发表于《Nucleic Acids Research》。该研究是迄今最全面的AD生态系统原核、病毒与质粒基因组目录，其核心结论在于：所有层次的数据均源自同一批反应器并保持关联，为研究病毒组与质粒组的生态进化作用、HGT、酶发现及菌群理性设计奠定了扩展基础。
研究样本队列包含1256个AD宏基因组样本，其中942个为新获取的公共数据库样本，主要来自欧洲（法国、爱尔兰、英国）、美国、南美和南亚的AD反应器或处理厂。主要关键技术包括：基于SPAdes的宏基因组组装及Semibin2分箱、CheckM2质量评估回收宏基因组组装基因组（metagenome-assembled genomes, MAGs），经Galah在95%平均核苷酸一致性（average nucleotide identity, ANI）下去冗余确定物种代表；geNomad识别病毒与质粒序列，CheckV评估病毒质量并按MIUViG指南以vclust的Leiden算法聚类物种级单元，iPHoP预测宿主，BACPHLIP推断生活史类型；MMseqs2两步法（最大E值截断值1 × 10
?4）对病毒与质粒蛋白聚类；gapseq重建基因组尺度代谢模型（genome-scale metabolic models, GEMs）；MICROPHERRET机器学习表型推断；并基于skani与DIAMOND开发CAnDi-classifier序列分类流程。
研究结果如下。
CAnDi宏基因组扩展了全球AD覆盖：1256个样本共组装337 Gbp序列，样本量较上一版本增加四倍；覆盖欧洲（596个）、亚洲（337个）与美洲（323个）三大洲，新增美国、韩国、法国、英国等此前未覆盖的国家；温度涵盖中温（730个）、高温（360个）与低温（32个）样本；反应器规模覆盖实验室（703个）、中试（32个）与工业规模（521个）；reads与组装序列的中位比对率达89.1%。
CAnDi基因组图谱组织：80257个MAGs中36480个符合MIMAG标准（完整度≥50%、污染率≤10%），平均完整度84.6%、污染率2.0%，其中44%为高质量；聚类获得11149个操作分类单元（operational taxonomic units, OTUs），覆盖64个已知门，超过93%的基因组无法归入现有参考数据库物种；1654个OTUs在5个及以上样本中被检出；指示种分析鉴定出1349个显著关联特定大洲的OTUs；机器学习表型推断将功能注释覆盖从1384个扩展至8572个OTUs，新增86个KEGG模块完整性方法无法捕获的表型；对198个独立数据集的比对显示中位整体比对率为72.87%，较上一版本提升1.72倍。
泛基因组揭示代谢约束与功能适应：数据库提供8592个OTU水平GEMs及662个物种水平泛GEMs；生态系统范围内总反应数随基因组大小线性增加，但谱系强烈塑造这一关系；以未培养的Limnochordia纲DTU010目为案例，34个与“139BP_25”代谢趋同的物种富集组氨酸降解与完整的甘油磷脂二酯降解途径，并编码海藻糖和麦芽糖磷酸化酶，体现营养获取与能量保存的适应，符合AD的热力学约束。
AD病毒组及其代谢潜能：911058个未培养病毒基因组（uncultivated viral genomes, UViGs）聚类为535959个病毒操作分类单元（viral operational taxonomic units, vOTUs），较上一版本增加近7倍，其中85%相对metaVR为新发现；仅19%的vOTUs在样本间共享；病毒跨越10个病毒门并预测感染20个原核生物门，包含1437个可跨属感染的噬菌体（381个跨门）；53.8%为裂解型、2.7%为温和型；Caudoviricetes占97.8%；古菌病毒从157个增至3244个；6326147个病毒基因中约42%可与公共数据库匹配，30%一致性聚类产生1721182个新病毒蛋白簇，部分最大簇功能未知，是实验表征的重要靶点。
AD质粒组及其代谢潜能：48483个质粒聚类为15529个质粒分类单元（plasmid taxonomic units, PTUs），其中59%为非单例；2093个推定的完整质粒（1097个PTUs）携带抗生素耐药决定子等货物基因；29.6%为可接合或可动员类型；预测宿主跨越35个原核生物门；503828个质粒基因中69.5%可注释，123813个新蛋白簇的最大簇富集接合相关Relaxase与Trb蛋白。
CAnDi导航与功能：数据库提供按地理、温度与反应器配置的筛选浏览，BLAST序列搜索接口，CAnDi-classifier在线分类工具，基于CGView的基因组浏览器以及基于UMAP的GEMs代谢多样性交互可视化，所有记录均可链接至来源样本元数据。
综上，CAnDi将1256个样本与337 Gbp组装序列整合为单一交叉参考数据库，包含11149个原核物种、535959个vOTUs、15529个PTUs、8592个GEMs和662个泛GEMs。与GEM、metaVR、PLSDB等现有资源相比，其独特价值在于所有层次均源自相同反应器并共享样本元数据，使宿主基因组、病毒、质粒、代谢模型与推断表型可在由反应器配置、操作规模、温度与进料构成的统一环境框架下联合查询，从而解析仅依赖分类学调查无法发现的空间结构。三个注释层次（机器学习表型推断、GEMs资源库、超170万个病毒蛋白簇与约12.4万个质粒蛋白簇）将资源拓展至分类编目之外。累积曲线显示原核、病毒与质粒多样性均无饱和迹象，大量蛋白簇功能未知。数据遵循MIMAG、MIUViG、CheckV等社区标准发布，研究人员计划每两年更新数据库，纳入新发布的AD宏基因组与宏转录组数据及修订分类学，使其成为工程厌氧系统微生物进化、HGT、酶发现与菌群设计的长期社区参考。
