《NAR Genomics and Bioinformatics》：cgDist: Nucleotide-level distance calculation from cgMLST allelic profiles
编辑推荐：
细菌基因组监测需要在计算效率与遗传分辨率之间取得平衡，以实现有效的聚类调查。cgMLST距离计算将所有等位基因差异视为等效单位，模糊了核苷酸水平的变异。此外，基于单核苷酸多态性（SNP）的分析流程虽能提供更精细的分辨率，但计算成本显著更高，限制了其在监测实验室
细菌基因组监测需要在计算效率与遗传分辨率之间取得平衡，以实现有效的聚类调查。cgMLST距离计算将所有等位基因差异视为等效单位，模糊了核苷酸水平的变异。此外，基于单核苷酸多态性（SNP）的分析流程虽能提供更精细的分辨率，但计算成本显著更高，限制了其在监测实验室中的常规部署。研究人员提出了cgDist算法，该算法直接从cgMLST等位基因谱计算核苷酸水平距离，通过利用等位基因内部的核苷酸变异，提供比等位基因计数距离更精细的分辨率。缓存架构存储比对统计信息，无需重新计算即可支持多种距离计算模式，并同时支持数据集特异性与模式完整性缓存生成。这一设计支持增量式监测分析，随着实验室积累比对数据而获得性能收益。cgDist作为精准的“变焦镜头”，用于调查通过初始cgMLST筛查识别的聚类。该方法并非重构群体关系，而是将增强的分辨率集中投放在信息量最丰富的区域。该算法确保cgDist距离大于或等于相应的cgMLST距离，在保留流行病学可解释性的同时增加遗传鉴别能力。通过提高已识别聚类内部的分辨率，cgDist还可能支持暴发调查，这一潜在应用有待在暴发来源数据上进行评估。
**论文解读：cgDist算法——在cgMLST框架内实现核苷酸水平分辨率的精准“变焦镜头”**
**一、研究背景与问题**
细菌基因组流行病学得益于下一代测序技术的发展，已能够对病原体传播模式和暴发事件进行高分辨率分析，尤其在食源性致病菌（如单核细胞增生李斯特菌和肠道沙门菌）的溯源调查中发挥关键作用。核心基因组多位点序列分型（core genome multilocus sequence typing, cgMLST）因其标准化和计算可行性，成为细菌监测和暴发调查中广泛采用的参考方法。然而，传统cgMLST分析通过计算等位基因谱的汉明距离来评估菌株间遗传差异，将所有等位基因差异视为等价单位，无法区分等位基因内部细微的核苷酸序列变异，因而分辨率受限。相比之下，基于单核苷酸多态性（single nucleotide polymorphism, SNP）的方法虽能提供更精细的系统发育分辨率，但需要处理原始测序数据或组装基因组，计算资源要求高且流程复杂，难以满足常规监测对快速响应的需求。此外，现有监测基础设施在常规监测所需的计算效率与准确流行病学推断所需的分辨率之间存在明显缺口，同时基因水平转移和重组事件也可能干扰聚类边界的划分。因此，亟需一种既能复用已计算的cgMLST等位基因谱以保持计算高效性，又能引入核苷酸水平信息以增强分辨能力的实用解决方案。
**二、研究内容与结论**
针对上述问题，研究人员开发了cgDist算法，该算法直接从cgMLST等位基因谱出发，通过检索等位基因对应的实际DNA序列并进行两两比对，精确量化SNP和插入缺失（insertion-deletion, InDel）事件，从而在保持与cgMLST兼容性的同时实现核苷酸水平的距离计算。研究在来自OHEJP BeONE项目的四个公开数据集（单核细胞增生李斯特菌Lm-1426和Lm-1874，肠道沙门菌Se-1540和Se-1434）上进行了系统验证，数学上严格证明了并经验证了cgMLST-cgDist排序不变量（dcgMLST≤dcgDist），即cgDist距离恒大于或等于对应的cgMLST距离。相关性分析显示两种距离方法之间高度相关，表明cgDist在添加核苷酸粒度信息的同时保持了与cgMLST一致的流行病学关系框架。多尺度聚类分析表明，cgDist能够系统性地细分大型cgMLST聚类，且调整兰德指数显示其与cgMLST聚类结果高度一致，说明其增强的是靶区域分辨率而非重构群体关系。在食品溯源优先级排序分析中，cgDist在保留主要流行病学关联的同时，显著改变了部分候选来源的排位（单核细胞增生李斯特菌25.8%–31.1%的聚类发生重排，肠道沙门菌55.9%–60.3%的聚类发生重排），展示了其在调查工作流中提供额外判别信息的价值。该研究发表在《NAR Genomics and Bioinformatics》。
**三、主要关键技术方法**
研究人员采用的主要技术方法包括：（1）利用Rust语言实现的高性能核心算法；（2）基于Parasail库的Needleman-Wunsch全局比对算法计算等位基因间的SNP与InDel事件；（3）统一距离缓存架构，以哈希键-值对形式存储全部比对统计信息，支持多种距离模式的快速切换与增量式分析；（4）单连锁层次聚类和星形聚类分析方法；（5）基于调整兰德指数（adjusted rand index, ARI）的聚类一致性评估；（6）Nextflow流程用于模拟监测场景中菌株的时间到达过程。样本队列来自OHEJP BeONE项目，包括1426株和1874株单核细胞增生李斯特菌以及1434株和1540株肠道沙门菌分离株，所有数据均来自欧洲监测网络与国际公共数据库（ENA/SRA）。
**四、研究结果**
**数学有效性与一致性：** 对四个数据集共4983517对样本的比较验证了排序不变量（dcgMLST≤dcgDistSNPs≤dcgDistSNPs+InDel-contiguous≤dcgDistSNPs+InDel-bases）零违例。Pearson相关系数为0.699–1.000，Spearman秩相关系数为0.784–1.000（所有P<0.001），确认了cgDist在保留cgMLST基本流行病学关系的同时增加了核苷酸水平的粒度信息。
**多尺度聚类分析——从全局筛查到聚类扩展：** 单连锁聚类分析显示，cgDist系统性地细分大型聚类。单核细胞增生李斯特菌呈现保守细分模式，如Lm-1426中201个样本的最大聚类被细分为199个紧密相关样本加2个遗传离群值；而肠道沙门菌表现出更广泛的碎片化，Se-1540中75个样本的聚类被细分为11个不同的遗传群组。ARI分析显示，李斯特菌数据集一致性较高（0.842–1.000），沙门菌数据集一致性较低但仍在实质水平（0.553–1.000），表明cgDist在增强分辨力的同时保留了大多数由cgMLST定义的聚类关系。
**食品安全溯源优先级排序：** 对具有完整来源元数据的数据集进行的星形聚类分析表明，cgDist重新排序了候选来源的优先级，李斯特菌中25.8%–31.1%的聚类发生重排，但顶级来源（rank 1）零变化；沙门菌中55.9%–60.3%的聚类发生重排，rank 1变化占2.9%。最显著的重排案例涉及患者Se_0003，其11个来源在cgMLST距离下完全并列（1等位基因差异），但cgDist揭示来源Se_0695仅存在1个SNP而其他并列来源存在2–7个SNP，从而将Se_0695提升至rank 1。关键排位转变分析显示，李斯特菌仅有1–2个临界转变，沙门菌有16个临界转变。
**性能特征与部署验证：** cgDist表现出与遗传多样性相关的可扩展性，而非数据集规模。统一缓存架构在增量分析中实现了0%至88.3%的缓存命中率提升，缓存复用带来了高达14倍的吞吐量提升和94%的运行时间缩减。该算法已成功集成到GENPAT生物信息学平台，与SPREAD监测仪表板协同工作，缓存操作可在亚分钟时间内完成。
**五、讨论与结论**
讨论部分强调，cgDist作为标准cgMLST分析的补充工具，其“聚类变焦”范式明确了预期应用场景：通过初始cgMLST筛查识别潜在流行病学聚类，随后选择性应用cgDist在需要细致调查的聚类内部将分辨率从等位基因计数扩展至SNP和InDel定量。研究指出，cgDist的通用缓存基础设施具有支持社区共享缓存的潜力，可将针对特定cgMLST模式预计算的缓存文件托管于中心服务器，供全球实验室下载使用，从而降低计算门槛。局限性方面，cgDist的分辨率仍受cgMLST模式质量和全面性的制约，且针对cgMLST距离优化的流行病学阈值可能需要针对cgDist进行重新校准。结论指出，cgDist在常规cgMLST工作流程的操作框架内提供了核苷酸水平的判别能力，其统一缓存架构将基因组监测从批处理模式转变为连续流式分析，并随时间累积性能优势，最终实现了在不增加完整SNP调用流程计算开销的前提下，对紧密相关分离株进行更精细的鉴别，为计算基因组流行病学的持续创新提供了方法学基础。
