Nature Microbiology
TRACS算法实现跨物种菌株水平传播推断
小赛推荐：
该研究为微生物组动态追踪提供了高精度计算工具，显著提升FMT及感染性疾病中菌株传播网络的解析能力，对设计更精准的微生物组药物具有直接指导意义。
文献概述
本文《Strain-level transmission inference across multi-kingdom metagenomic data using TRACS》，发表于《Nature Microbiology》杂志，系统探讨了在复杂宏基因组数据中准确推断微生物菌株传播事件的挑战，并提出了一种名为TRACS的新算法。该方法通过整合参考基因组比对、统计过滤与SNP距离建模，实现了跨细菌、病毒与寄生虫界的高精度传播网络重建。研究结合模拟数据、实验室混合样本与真实临床队列，验证了TRACS在多种场景下的优越性能，尤其在多菌株共定植背景下显著优于现有工具。背景知识
当前，对肠道微生物组中菌株水平传播机制的理解受限于技术瓶颈。传统宏基因组分析常忽略宿主内菌株多样性，导致传播信号模糊。尽管已有工具如StrainPhlAn、inStrain和StrainGE可用于菌株追踪，但它们在处理低频菌株、参考基因组偏差和重组区域时存在明显缺陷。尤其在早产儿或免疫抑制患者等高风险人群中，多菌株定植频繁发生，传统方法极易误判传播事件。此外，现有方法难以统一应用于不同病原体类型，限制了跨物种比较研究。TRACS的提出正是为了解决上述SNP距离估计不准确、传播阈值设定主观、计算扩展性差等问题，填补了从宏基因组数据中稳健推断近期传播事件的方法空白。该研究以FMT为验证体系，深入挖掘双歧杆菌等关键益生菌的定植与持久性，揭示了以往被忽略的菌株动态。
研究方法与核心实验
作者开发了TRACS算法，其核心流程包括：首先使用Sourmash筛选最适参考基因组，随后将所有测序读段比对至各参考基因组，生成等位基因计数矩阵。接着应用统计滤波策略，包括基于扫描统计的重组区域识别与基于经验贝叶斯的覆盖度不足区域过滤，有效去除系统误差。最终通过IUPAC编码处理多等位基因位点，实现精确的成对SNP距离估计。为验证性能，研究采用模拟的肺炎链球菌混合样本、实验室构建的菌株混合物以及SARS-CoV-2、恶性疟原虫和FMT队列的真实数据进行测试。TRACS在所有测试中均表现出最低的SNP距离误差，尤其在低频菌株传播场景下显著优于对比方法。关键结论与观点
研究意义与展望
TRACS的推出将推动宏基因组流行病学进入菌株水平精细解析时代。其对FMT中engraftment事件的准确识别，有助于优化供体筛选与疗效预测，加速活体生物药的临床转化。
在传染病监测中，TRACS可应用于耐药菌、病毒或寄生虫的传播追踪，尤其在资源有限地区，无需培养即可实现高精度传播链重建。
未来结合单细胞测序与长读长技术，TRACS有望进一步提升在高度多态区域的解析能力，助力揭示微生物适应性进化与宿主互作机制。
结语
本研究提出的TRACS算法代表了宏基因组数据中菌株传播推断的重大进步。通过解决多菌株共存下的SNP距离偏差问题，TRACS实现了在FMT、传染病暴发和寄生虫感染等多种场景下的高精度传播网络重建。其模块化设计与开放源码特性使其易于集成到现有分析流程中。从实验室到临床，TRACS为理解微生物组组装、优化粪菌移植策略以及实施精准感染控制提供了强有力的工具。特别是在早产儿肠道定植、抗生素扰动后恢复等关键窗口期，TRACS能够捕捉以往被忽略的菌株动态，为开发下一代微生物组疗法奠定方法学基础。该工具的广泛应用有望显著提升我们对人-微生物互作网络的理解，推动精准医学在感染与微生态疾病领域的落地。
