摘要：不同栖息环境中的微生物组在相对组成和绝对丰度上都有所不同。尽管测序方法可以确定分类和基因的相对丰度，但无法提供它们的绝对丰度信息。在此，我们开发了一种机器学习方法，仅根据相对丰度数据预测粪便微生物负荷（每克的微生物细胞数）。将我们的预测模型应用于一个大规模宏基
研究论文
● 期刊：Cell(IF:45.5)
● DOI：https://doi.org/10.1016/j.cell.2024.10.022
●原文链接: https://www.cell.com/cell/fulltext/S0092-8674(24)01204-2
● 通讯作者：Michael Kuhn（mkuhn@embl.de） &
● 发表日期：2025-1-9
● 主要单位：
欧洲分子生物学实验室、哥本哈根大学诺和诺德基金会基础代谢研究中心、塔尔图大学基因组学研究所、日本东京医科大学、南丹麦大学、明斯特大学、哥本哈根大学医院医疗部、哥本哈根斯泰诺糖尿病中心
摘要Abstract
不同栖息环境中的微生物组在相对组成和绝对丰度上都有所不同。尽管测序方法可以确定分类和基因的相对丰度，但无法提供它们的绝对丰度信息。在此，我们开发了一种机器学习方法，仅根据相对丰度数据预测粪便微生物负荷（每克的微生物细胞数）。将我们的预测模型应用于一个大规模宏基因组数据集（n = 34,539）后，我们证明了微生物负荷是肠道微生物组变异的主要决定因素，并与多种宿主因素（包括年龄、饮食和药物）相关。我们进一步发现，对于几种疾病，微生物负荷的变化比疾病本身更能解释患者肠道微生物组的变化。调整这一效应后，大多数与疾病相关的物种的统计显著性显著降低。我们的分析揭示了粪便微生物负荷在微生物组研究中的混杂作用，凸显了它在理解健康与疾病中的微生物组变异的重要性。
结果Results
微生物负荷与肠道微生物群的分类和功能特征密切相关
我们基于两个人群的大规模研究中收集的粪便样本进行了分析，这些样本分别来自GALAXY/MicrobLiver（n = 1,894，46.7 ± 20.3岁[平均值±标准差]，男性占69.5%）和MetaCardis联盟（n = 1,812，54.6 ± 13.0岁[平均值±标准差]，男性占44.8%）。GALAXY/MicrobLiver涵盖了多个子队列，包括健康对照、肝病早期到晚期患者、参与干预试验的个体以及肥胖儿童和青少年（见STAR方法和表S1A和S1B）。与此同时，MetaCardis专注于心脏代谢疾病患者（如冠状动脉疾病、代谢综合征、2型糖尿病和严重/病态肥胖）以及健康个体（表S1A）。虽然MetaCardis的数据已在其他地方报道，这里我们展示了来GALAXY/MicrobLiver联盟的新获取的宏基因组和微生物负荷数据（表S1C）。每个样本的微生物负荷通过基于流式细胞术的细胞计数法测量（见STAR方法），其结果与qPCR和外源DNA检测一致。与许多研究一样，我们在这里关注的是原核生物群落，这是人类肠道微生物组的主要组成部分，并使用基于标记基因的方法，分别通过mOTUs profiler和全球微生物基因目录（GMGC）获得物种级分类和功能（基因）谱。两个人群的微生物负荷显著不同（GALAXY/MicrobLiver和MetaCardis研究人群的平均值分别为6.5 ± 2.7e10和11.1 ± 5.8e10），表明由于各研究人群测量负荷的实验技术不同，可能存在研究效应（表S1A和S1B；见STAR方法）。然而，两个人群中微生物组的分类和功能谱始终与微生物负荷相关（图S1C和S1D；表S2A和S2B）。
我们首先将实验测量的微生物负荷与三种肠型相关联。Firmicutes（Ruminococcus）肠型的微生物负荷最高，其次是Prevotella和Bacteroides肠型（图1A和1B）。微生物组的多样性指数（如Shannon多样性、物种丰富度和Simpson多样性）与微生物负荷一致正相关，其中Shannon多样性在两个人群中表现出最强的正相关性（图1C）。接下来，我们研究了相对物种丰度与总微生物负荷之间的相关性，观察到Firmicutes门中的各种未培养物种、短链脂肪酸生产者和慢生物种（如Oscillibacter、Faecalibacterium和Eubacterium spp.）有正相关。相反，我们观察到疾病相关物种（如与炎症性肠病相关的Ruminococcus gnavus和与结直肠癌相关的Flavonifractor plautii）有负相关（图1C；表S2A）。在粪便中发现的典型口腔物种（如链球菌和韦荣氏菌属）也与微生物负荷呈负相关（图S1E）。
当将微生物负荷与人类肠道宏基因组的相对功能谱相关联时，我们发现低微生物负荷样本中富集了脂多糖（LPS）生物合成的微生物基因（图S1F；表S2B）。同样，与糖代谢相关的基因，包括磷酸转移系统和果糖/甘露糖代谢，也与两个人群中较低的微生物负荷一致相关。另一方面，与高微生物负荷正相关的基因包括鞭毛装配和细菌趋化性（图S1F）。这些基因可能也与粪便通过时间有关，因为肠道中LPS水平的增加可能导致炎症和腹泻（即更短的通过时间）。
图 1 | 在两个研究人群中，微生物负荷与肠道微生物群的分类特征密切相关
（A） GALAXY/MicrobLiver（n = 1,894）和MetaCardis（n = 1,812）研究人群中微生物组的物种级分类学概况的多维尺度图。每个点代表一个样本，颜色显示样本的log10转换微生物负荷。箭头表示R中的envfit函数绘制的三种肠型。箭头的方向表示每种肠型的质心，长度表示与肠型的相关性强度。
（B） 微生物负荷与肠型之间的关联。箱线图显示每个队列中三种肠型的log10转换微生物负荷。****p
（C） 微生物负荷与微生物物种相对丰度之间的皮尔逊相关性（两个值均经过log10转换）。
图中显示了三个多样性指数和相关性最高的前40个物种。热图上方显示了两个多样性指数和两个微生物物种的散点图，作为示例。另见图S1
根据肠道微生物组的分类和功能特征可以准确预测微生物负荷量
由于我们观察到微生物负荷与肠道微生物组相对特征之间存在很强的关联，我们假设粪便样本的微生物负荷可以通过相对丰度来预测。因此，我们根据每种微生物物种的相对丰度以及香农多样性指数训练了极限梯度提升（XGBoost） 回归模型（参见STAR方法）。在每个研究人群中进行的内部5次重复10倍交叉验证表明，对于GALAXY/MicrobLiver和MetaCardis研究人群，两种模型预测的微生物负荷的皮尔逊相关系数分别为0.67 ± 0.0068和0.68 ± 0.0069（平均值 ± SD）（图2A）。为了评估模型在外部数据集中的稳健性，我们将每个模型应用于另一个数据集，发现两个模型再次显著预测了微生物负荷（GALAXY/MicrobLiver和MetaCardis模型的Pearson相关系数等于0.56）。京都基因和基因组百科全书（KEGG）直系同源水平的功能谱也预测了微生物负荷，其准确度与物种级分类谱训练的准确度相当（图2B）。这些结果表明，通过宏基因组测序获得的相对微生物组谱可以稳健地预测粪便样本中的微生物负荷。
为了进一步探索对不同测序技术的适用性，我们从两项先前的研究中收集了 16S rRNA基因测序和粪便微生物负荷的额外配对数据（参见STAR方法）。两项研究之间的模型内部和外部验证也证明了微生物负荷的稳健预测（内部验证的Pearson相关系数等于0.79，外部验证的Pearson相关系数等于0.60，图2C），表明在数据充足的情况下，可以从不同的相对丰度测量中预测粪便微生物负荷。
由于GALAXY/MicrobLiver和MetaCardis的研究人群包括具有不同表型和人口统计学因素的个体（例如，健康成人、患病患者和儿童/青少年，表S1），我们接下来研究了这些群体之间的预测准确度差异。值得注意的是，我们发现这两个模型不仅可以稳健地预测健康样本中的微生物负荷，还可以稳健地预测模型训练中未包括的患病样本中的微生物负荷（图S2A和S2B）。具体而言，MetaCardis 模型是在健康成人和心脏代谢疾病患者的样本上进行训练的，在GALAXY/MicrobLiver研究人群的亚组之间表现出了可比准确度（图S2A），健康个体（GALA-HP）的Pearson相关系数为0.52，早期至中期肝病患者（GALA-ALD）的Pearson相关系数为0.47，晚期肝病患者（TIPS）的Pearson相关系数为0.62，儿童/青少年（HOLBAEK）的Pearson相关系数为0.53。类似地，GALAXY/MicrobLiver模型也显示出对MetaCardis数据集中患有各种疾病的个体的比较准确度，健康个体的Pearson相关系数为0.44，冠状动脉疾病患者的Pearson相关系数为0.43，糖尿病患者的Pearson相关系数为0.56，代谢综合征患者的Pearson相关系数为0.48，严重肥胖/病态肥胖患者的Pearson相关系数为0.63（图S2B）。因此，即使对于训练数据中未包含表型的样本，这些模型也可以稳健地预测微生物负荷。
为了进一步评估我们的预测模型对于各种技术和生物因素变化的稳健性，我们接下来将我们的预测模型应用于使用相同方案在不同实验室测序的相同粪便样本（即技术重复）并使用不同DNA提取方法测序的宏基因组、从同一个体获得的纵向宏基因组以及先前研究中来自不同个体的宏基因组（图S2C）。在技术重复之间观察到的预测微生物负荷变化最小（变异系数[CV] = 0.12），其次是使用不同DNA提取方法的宏基因组之间（CV = 0.19）和来自同一个体的纵向样本之间（CV = 0.19），而在不同个体的样本之间观察到的变化最大（CV = 0.36）（图S2C）。这些结果表明，对于微生物负荷而言，生物变异性大于技术变异性，因此，在样本量较大的情况下，可以使用我们的预测模型检测微生物负荷与生物因素之间的关联。
图 2 | 机器学习模型可准确预测粪便样本中的微生物负荷
散点图显示了XGBoost回归模型对粪便微生物负荷的预测性能。这些模型经过训练，可根据微生物组的物种级分类学谱 。
(A)KEGG直系同源性水平的功能谱 。
(B)和16S rRNA 基因谱。
(C)预测微生物负荷。
对于物种和功能模型，使用GALAXY/MicrobLiver（n = 1,894）和MetaCardis （n = 1,812） 研究人群的宏基因组来构建它们。这些模型通过5次重复10倍交叉验证进行内部评估，并通过应用于彼此的数据集（即测试数据集）进行外部评估。对于16S rRNA 基因模型，使用 Vandeputte等人（n = 707）的样本进行构建。Vandeputte等人（n = 95）的独立数据集用于外部验证。实心蓝线表示回归线，灰色虚线表示1:1参考线。实验测量和预测的微生物负荷之间的Pearson相关性以p值显示。另见图S2。
预测的微生物负荷与各种宿主因素密切相关
为了研究预测的微生物负荷与饮食、生活方式、药物和疾病状态等宿主因素之间的关联，我们收集了来自45个国家/地区的159项先前研究的公共肠道宏基因组（n = 27,832，46.3 ± 19.3岁[平均值 ± SD]，52.9%为男性；表S3A和S3B）。此外，我们还收集了两项大型人群研究的宏基因组：日本4D队列（n = 4,198，66.4 ± 12.6岁[平均值 ± SD]，58.8%为男性）和爱沙尼亚微生物组队列（n = 2,509，50.0 ± 14.9岁[平均值 ± SD]，29.7%为男性），其中进行了深度表型分析，并且有各种宿主和环境因素可用（表S3C和S3D）。由于前者的数据来自各种规模较小的研究，宿主内在和外在因素信息较少，因此将它们合并为一个全局数据集。我们准备了每个样本的物种级分类学概况，并使用MetaCardis预测模型预测了微生物负荷（参见STAR方法和图S1）。冗余分析表明，在日本4D和爱沙尼亚微生物组队列中，预测的微生物负荷与各种宿主和环境因素（如饮食、生活方式、疾病和药物）中肠道微生物组变异的关联性最强（图S3A），表明微生物负荷和肠道微生物组组成之间存在强烈的相互作用。
在全球数据集中，来自高收入国家的样本显示出明显高于低收入国家的样本的预测微生物负荷（图3A和3B）。这种差异不能归因于模型在高收入国家样本上训练的潜在偏差（图S3B），这表明与收入增加相关的因素（如生活方式、饮食或卫生）会影响微生物负荷。在日本4D和爱沙尼亚微生物组队列中，药物类别与元数据类别中预测的微生物负荷的关联性最强（图3C），这与之前观察到的药物对相对肠道微生物组谱的最强影响一致。日本4D队列中紧随其后的是人体测量因素和疾病状况，而爱沙尼亚微生物组队列中紧随其后的是饮食和其他因素。在日本4D和爱沙尼亚微生物组队列中，可用的宿主因素中分别有65个（26.3%）和8个（3.6%）与预测的微生物负荷有显著相关性（错误发现率[FDR] 70岁）的微生物负荷比年轻人（
我们接下来研究了粪便微生物负荷与饮食习惯之间的关联，这对塑造肠道微生物群起着关键作用。当我们比较全球数据集中杂食动物、素食者和纯素食者的预测微生物负荷时，我们发现杂食动物的微生物负荷最高，其次是素食者和纯素食者（预测负荷中位数分别为8.4e10、7.8e10和7.1e10，图3I）。这一结果与之前的研究一致，表明素食/纯素食饮食会增加排便频率并使粪便变软。此外，我们观察到高淀粉饮食干预会增加预测的微生物负荷，而低热量饮食干预没有显著影响（图S3H），这与之前的研究结果一致，即高碳水化合物饮食与较低的排便频率有关。总体而言，这些结果表明特定的饮食习惯和成分在塑造微生物负荷方面发挥着重要作用。
在药物中，抗生素会严重破坏人体肠道中的微生物群落，但只有少数小规模研究量化了微生物负荷的变化。正如预期的那样，最近的抗生素治疗与所有三个数据集中的预测微生物负荷呈负相关（图3J和S3F）。利用来自日本4D和爱沙尼亚微生物组队列的抗生素类别详细信息，我们发现许多类别对微生物负荷有显著影响，例如磺胺类药物、第三代头孢菌素、大环内酯类和氟喹诺酮类（图S3I）。我们没有发现杀菌（即杀死细菌）和抑菌（即阻止细菌生长）抗生素之间存在任何差异，这与最近的研究结果一致，即杀菌组和抑菌组之间可能没有如此明显的区分。为了进一步探索微生物负荷的变化，我们重点关注两个公共时间序列宏基因组数据集，数据截至抗生素治疗后180天。其中一项研究69名患者接受了三种广谱抗生素（万古霉素、庆大霉素和美罗培南）的组合治疗，而另一项研究68名患者接受了第二代头孢菌素（头孢丙烯）治疗。我们发现，预测的微生物负荷在治疗后逐渐恢复，并分别在180天和90天内恢复到基线水平（图3K）。然而，在组合治疗后的第42天，微生物负荷仍然减少。这些结果表明，抗生素治疗后微生物负荷的恢复至少需要数周时间。这与相对物种丰度的研究一致，报告显示几个月后才恢复。
图 3 | 预测的微生物负荷与各种宿主因素有关
（A）预测的收集到的来自不同国家的宏基因组的微生物负荷。排除接受抗生素治疗和患有任何疾病的个体。图中显示了至少有20名个体的34个国家的平均微生物负荷。
（B）按经济规模划分的四组国家之间预测的微生物负荷比较。各组的定义来自世界银行。方框上方的字母（a、b和c）表示不同字母的组之间存在统计学上的显著差异（p
（C）日本4D和爱沙尼亚微生物组队列中预测的微生物负荷与各种宿主因素之间的关联。宿主因素解释的方差（判定系数）通过线性回归模型进行评估，包括这些宿主因素作为解释变量，将log10转换的微生物负荷作为响应变量。
（D）预测的微生物负荷与每个宿主因素之间的关联。通过线性回归模型评估解释方差，图中显示了日本4D队列中关联性最强的前40个因素（FDR
（E–J）日本4D、爱沙尼亚微生物组和全球数据集的组合数据集中预测的微生物负荷与各种宿主因素（如布里斯托大便量表（E）、肠道排空频率（F）、年龄（G）、性别（H）、饮食习惯（I）和抗生素（J）之间的相关性。使用Pearson相关性（E）–（G）和Wilcoxon秩和检验（H）–（J）评估关联性。
（K）抗生素治疗后预测的微生物负荷恢复。箱线图显示每个个体在相应时间点的预测微生物负荷。数据集来自Palleja等人（n = 12）和Raymond等人（n = 24）的研究。图中的数字表示时间点之间比较的p值（配对Wilcoxon秩和检验）。
另见图S3。
许多疾病都与微生物负荷的改变有关
鉴定与疾病相关的肠道物种是开发微生物生物标志物、研究疾病病因和开发靶向疗法的重要步骤。然而，微生物负荷与疾病之间的关联仍在很大程度上未被探索，除了在少数情况下微生物负荷是通过实验确定的。为了评估各种疾病与预测的微生物负荷之间的关联，我们进行了大规模病例对照分析，结合了全球和日本4D的数据集，为26种疾病（即每种疾病 > 50个病例和对照）捕获了足够的数据，其中有13,200例病例和18,511个对照（图S4A；表S4A）。分析显示，大多数疾病（14/26）与预测的微生物负荷显著相关（FDR
为了进一步描述这些疾病中的微生物组特征，我们对病例组和对照组之间的相对微生物组成进行了荟萃分析，并根据从回归模型中获得的每种物种的系数定义了每种疾病的微生物特征（参见STAR方法）。正相关和负相关疾病之间的特征比较显示两组之间存在显著差异（p = 0.0002，图S4B）。大多数负相关疾病的特征是微生物组多样性明显较低（例如克罗恩病、艰难梭菌感染和溃疡性结肠炎），这与先前的研究结果一致，即伴有腹泻的疾病通常表现出微生物组多样性降低。相比之下，一些正相关疾病显示出显著增加的微生物组多样性（例如慢传输便秘、2型糖尿病和帕金森病）。此外，我们还鉴定出86种可区分正相关和负相关疾病的菌种（FDR
图 4 | 预测的微生物负荷与各种疾病相关
左侧森林图显示每种疾病对预测微生物负荷的影响大小。蓝色和红色分别表示与对照组相比，微生物负荷呈负相关和正相关。实心圆和空心圆分别表示关联显著（FDR 0.05）。效应大小通过线性回归模型进行评估，包括log10转换的微生物负荷作为响应变量和疾病状态（即病例或对照）以及每项研究作为解释变量。中间热图显示不同疾病中微生物物种的丰富和减少。蓝色和红色分别表示与每种疾病数据集中的对照相比，呈负相关和正相关。显示了正相关和负相关疾病之间效应大小差异最大的前30种物种（FDR
微生物负荷大大混淆了疾病与微生物之间的联系
为了在病例对照分析中将与疾病相关的物种与微生物负荷的物种区分开来，我们接下来将预测的微生物负荷作为回归模型中的协变量，这是一种有效调整微生物组研究中此类混杂效应的方法（参见STAR方法）。我们将Vogt-Koyanagi-Harada病和阿尔茨海默病排除在以下分析之外，因为在这两种疾病中没有发现显著的物种（FDR > 0.05）。调整导致几种疾病中与疾病相关的物种的效应大小及其统计显著性（以p值表示）显著降低。对于七种疾病尤其如此，即克罗恩病、溃疡性结肠炎、肝硬化、IBS-D、乳腺癌、艰难梭菌感染和慢传输便秘（图5）。对于这些情况，调整导致平均效应大小下降21.9%–49.9%（平均35.5%，图5A），因此，23.6%–75.0%（平均48.0%）的先前显著的疾病-物种关联（FDR 0.05，图5B和5C）。在受调整特别影响的这七种疾病中，除慢传输型便秘外，有六种与预测负荷呈负相关。另一方面，几种与预测微生物负荷呈正相关的疾病，如终末期肾病、结直肠癌和多发性硬化症，与它们显著相关的物种数量略有增加（图5C）。
调整后，在不同疾病中失去重要性的微生物物种包括梭菌、肠拟杆菌、真杆菌、副拟杆菌和普拉梭菌（图5E和S5A；表S5），所有这些物种都与GALAXY/MicrobLiver和MetaCardis研究群体中实验测量的微生物负荷呈正相关（图1C；表S2A）。此外，受调整影响较大的物种大多数是疾病患者中耗尽的物种。这些结果表明，这些细菌物种更能由预测的微生物负荷而不是疾病来解释。相比之下，大多数在疾病患者中显著富集的物种并没有受到调整的显著影响。其中包括结直肠癌中的具核梭杆菌、克罗恩病和溃疡性结肠炎中的Flavonifractorplautii以及肝硬化和胰腺癌中的咽峡炎链球菌（表S5）。相反，几个富集物种，如Erysipelatoclostridiumramosum和[Ruminococcus] gnavus，在调整后分别在多发性硬化症和结直肠癌等几种疾病中变得重要（FDR 0.05）。总体而言，我们的结果表明，微生物负荷可能会混淆疾病关联分析中相当一部分结果。
为了验证基于预测微生物负荷的调整结果，我们进一步分析了来自GALAXY/MicroLiver研究的肝硬化样本（n = 64）和来自MetaCardis研究人群的2型糖尿病样本（n = 539），其中既有实验测量的微生物负荷，也有预测的微生物负荷。我们将这些患者样本与健康对照样本（分别为n = 127和275）进行了比较，以评估在使用基于实验确定或预测负荷的调整时物种与疾病之间的关联差异（图S5B）。结果显示，由于调整，每种物种的FDR值变化具有高度一致性，肝硬化的Pearson相关系数为0.90，2型糖尿病的Pearson相关系数为0.95（图S5C）。此外，当使用测量和预测的微生物负荷时，香农多样性的统计显著性同样下降（图S5D）。这些结果表明，基于预测负荷的调整产生的结果与基于实验测量的微生物负荷的结果一致。
最后，当通过考虑预测负荷（即相对丰度乘以预测的微生物负荷）得出微生物物种的绝对丰度时，我们发现定量物种概况减少了相对丰度概况中的偏差，从而减少了对与微生物负荷相关的几种疾病中物种重要性的高估或低估（图S6）。
图 5 | 微生物负荷混淆了疾病与微生物之间的联系
（A）在调整微生物负荷之前，与疾病显著相关的物种（FDR 0.05）。
（B）调整前后物种的统计显著性（即FDR）比较。为了便于可视化，y轴上的最大值设置为20（即FDR = 1e20），并在那里绘制了极低的FDR。
（C）调整前后显著相关物种（FDR
（D）调整前后香农多样性统计显著性比较。箭头表示调整前后FDR的变化。红色水平线表示FDR = 0.05。为了便于可视化，调整前克罗恩病的FDR（2.2e25）在y轴上绘制在20以上。
（E）由于调整，排名靠前的物种（n = 20）与26种疾病中的至少5种失去了显著关联。
作者简介
德国海德堡欧洲分子生物学实验室 (EMBL) Peer Bork团队博士后研究员Suguru Nishijima博士是本文的第一作者，海德堡欧洲分子生物学实验室的Peer Bork团队Michael Kuhn研究员和Peer Bork研究员为本文的通讯作者。
Suguru Nishijima（第一作者）
Suguru Nishijima博士是德国海德堡欧洲分子生物学实验室(EMBL)Peer Bork博士小组的博士后研究员。在东京大学获得博士学位，自2019年以来一直在EMBL工作。他的研究方向是宏基因组学和人类微生物组。作为一名计算生物学家，西岛博士致力于利用大规模队列数据集揭示肠道微生物组与各种疾病之间的联系，开发新颖的计算方法，并整合多组学数据集，以增进我们对微生物组生态和功能的理解。发表论文33篇，h指数12。
Michael Kuhn（通讯作者）
Michael Kuhn在海德堡欧洲分子生物学实验室的Peer Bork实验室攻读博士学位，研究将蛋白质化学相互作用与表型数据相结合，以预测药物靶点并找到副作用的分子基础。2009年至2016年期间，在Andreas Beyer（德雷斯顿工业大学第一生物技术中心，现为科隆大学）、Tony Hyman和Marino Zerial（MPI-CBG）的实验室担任博士后。主要研究课题是：着丝粒的进化分析、远缘物种之间组织特异性基因表达模式的保守性以及大规模筛选数据的分析。自2016年以来，一直担任Peer Bork实验室的研究员，部分负责实验室管理，同时还研究肠道微生物群和药物对人体的影响。在Nature、Science、Cell等期刊上发表论文，总引用超过4万次，h指数41。
Peer Bork（通讯作者）
自2011年起担任EMBL海德堡生物信息学战略主管、分子医学合作部门组长和ERC高级研究员。领导了多个国际知名的基因组和宏基因组项目，包括人类基因组计划、小鼠基因组计划、酵母蛋白质组计划、MetaHIT、人类微生物计划和Tara海洋计划等。发表期刊论文900余篇，其中70余篇发表在Cell、Nature、Science等顶级期刊上，总引用超过40万次，h指数246。
翻译：马闯，安徽农业大学，基因组所客座硕士在读
审核：朱志豪，广东医科大学，基因组所联合博士后
终审：刘永鑫，中国农科院基因组所，研究员/博导
排版：杨海飞，青岛农业大学，基因组所联培硕士在读
宏基因组推荐
1月10-12日，单菌基因组组装、注释、遗传表征、分子分型、系统进化和传播溯源
2月21-23日，家系、肿瘤临床基因组/外显子组数据分析
3月21-23日，高级转录组分析和R语言数据可视化
3月28-30日，第二届全国基因组信息学大会
4月11-13日，微生物组-扩增子16S分析
5月11-13日，微生物组-宏基因组分析
本公众号现全面开放投稿，希望文章作者讲出自己的科研故事，分享论文的精华与亮点。
投稿请联系小编（-genomics）
iMeta高引文章 fastp 复杂热图 ggtree 绘图imageGP 网络iNAP
iMeta网页工具 代谢组MetOrigin 美吉云乳酸化预测DeepKla
iMeta综述 肠菌菌群 植物菌群 口腔菌群 蛋白质结构预测
10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature
为鼓励读者交流快速解决科研困难，我们建立了“宏基因组”讨论群，己有国内外6000+ 科研人员加入。请添加主编微信meta-genomics带你入群，务必备注“姓名-单位-研究方向-职称/年级”。高级职称请注明身份，另有海内外微生物PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍未解决群内讨论，问题不私聊，帮助同行。
来源：微生物组
