IF36.1｜肿瘤微生物组：从测序数据到可靠发现的挑战与机遇

肿瘤微生物组研究正处转折点，本文系统梳理证据、挑战与最佳实践。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

微生物与肿瘤发生、生长、转移和治疗反应密切相关。肿瘤内存在微生物，但丰度低、分布稀疏且高度异质。2020年Poore等利用宿主测序数据在33种癌症中鉴定微生物，引发广泛关注，但随后被批评为假阳性并撤稿。尽管如此，大量实验证据支持肿瘤微生物的存在，尤其是在结直肠癌等高生物量肿瘤中。技术进步如16S rRNA测序、宏基因组测序、单细胞和空间转录组学等推动了该领域发展。

科学问题

卡在哪里： 肿瘤微生物组研究面临数据共享不足、假阳性和假阴性高、缺乏标准化分析流程等挑战。现有数据集往往缺乏阴性对照，批次效应和污染问题严重，且不同研究间结果不一致，导致对肿瘤微生物真实性的质疑。

本文要回答： 本文旨在总结肿瘤微生物组研究的证据和挑战，提出改进测序技术、分析流程和验证方法的路线图，以推动该领域可靠发展。

技术路线

作者主要用了：16S rRNA测序、宏基因组测序、单细胞RNA-seq、空间转录组、培养组学、显微镜。

作者首先回顾了肿瘤微生物存在的实验证据，包括培养、显微镜和分子检测。然后系统梳理了从宿主测序数据中鉴定微生物的计算流程，包括数据获取、参考比对、去污染和下游分析。针对每一步，讨论了现有工具和方法的优缺点，并强调了阴性对照、批次校正和基准测试的重要性。最后提出了数据驱动和假设驱动两种分析框架，并给出最佳实践建议。

图 1　Fig. 1 |。图1展示了肿瘤微生物组研究的时间线，包括不同肿瘤类型中微生物的存在证据，以及2020年前后研究特点的变化。高生物量肿瘤如结直肠癌和胃癌微生物丰度较高，而低生物量肿瘤如胰腺癌和乳腺癌微生物丰度低。2020年后研究趋向泛癌分析、多组学整合和空间方法。

核心亮点

亮点 1｜肿瘤微生物证据确凿但丰度低

多种技术证实肿瘤内存在微生物，包括细菌、真菌和病毒。高生物量肿瘤如结直肠癌中微生物丰度较高，而胰腺癌、乳腺癌等传统认为无菌的肿瘤中微生物丰度低。实验证据包括培养、显微镜观察和分子检测。动物模型也支持微生物在肿瘤中的定植和功能。

图 2　Fig. 2 |。图2概述了从宿主测序数据中鉴定微生物的计算流程，包括数据获取、参考比对、去污染和过滤、下游分析和预测验证。每一步都面临挑战，如数据共享限制、参考基因组污染、批次效应和缺乏基准测试。

亮点 2｜2020年转折点与撤稿风波

Poore等2020年利用TCGA数据在多种癌症中鉴定微生物，引发热潮，但随后被批评为假阳性并撤稿。这凸显了计算流程中参考基因组选择、去污染和批次校正的重要性。该事件促使领域反思并推动更严格的方法学发展。

亮点 3｜数据共享与隐私挑战

肿瘤微生物组研究需要大规模数据集，但原始测序数据常因隐私和商业原因无法公开。缺乏阴性对照和批次信息加剧了假阳性问题。作者呼吁共享去污染后的数据或标准化合成数据集以促进方法比较。

亮点 4｜计算流程需标准化与基准测试

从宿主测序数据中鉴定微生物涉及多个步骤，包括比对、过滤和批次校正。不同工具和数据库选择会显著影响结果。作者建议使用完整参考基因组、去除污染序列、应用统计过滤，并进行社区级基准测试以评估流程性能。

亮点 5｜多组学整合与实验验证

单一组学方法不足以可靠研究肿瘤微生物组。整合宏基因组、单细胞和空间转录组等多模态数据，并结合培养、显微镜和动物模型等实验验证，是提高结果可信度的关键。新兴技术如INVADE-seq和SHM-seq可同时捕获宿主和微生物信号。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 16S rRNA测序、宏基因组测序、单细胞RNA-seq、空间转录组、培养组学、显微镜
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事肿瘤微生物组、计算生物学和生物信息学研究的科研人员，尤其是关注宿主-微生物互作的分析者。

带走一句

肿瘤微生物组分析需谨慎处理污染和批次效应，结合多组学与实验验证，并推动数据共享和基准测试。