噬菌体多样性估算研究：采样策略变化，会严重干扰未知物种预测结果

研究背景

抗生素耐药问题已经成为全球公共卫生一大难题，噬菌体作为细菌的天然病毒天敌，被视作对抗耐药菌很有前景的备选方案。实际做噬菌体治疗时，细菌很容易演化出对单一噬菌体的抗性，行业普遍会使用多种噬菌体搭配的鸡尾酒疗法，这就要求我们手上储备足够多样化的噬菌体资源库。想要不断补充新噬菌体，就会碰到一个现实问题：继续采样到底还能挖到多少新噬菌体物种？

目前 INPHARED 这类公开噬菌体基因组数据库已经积累了大量测序数据，不少研究者希望借助统计模型，依靠现有数据库去估算还剩下多少未被发现的噬菌体。这类物种采样统计模型在生态学领域用得很多，但放到噬菌体数据集上到底准不准，长期缺少系统评估。这项研究选取大肠杆菌、克雷伯菌、分枝杆菌、假单胞菌等 8 个临床常见致病菌宿主，对比多款主流估算工具，同时检验模型背后的关键前提是否成立，给野外分离筛选噬菌体的实际工作提供参考。

研究结果

研究团队选取 INPHARED 数据库 2024 年 9 月、2025 年 5 月两个版本数据集，按照噬菌体基因组 95% 序列相似度、85% 覆盖度划分噬菌体物种，测试了 5 种不同的未见物种估算方法，包含非参数的 GT 衍生模型（ET、OSW、CJ）以及参数模型 FPG、PYP。通过把数据库随机拆分训练集、验证集做内部校验，结果显示除去 PYP 模型表现较差，OSW、CJ、FPG 这三类模型预测效果比较接近，误差处在可接受区间，OSW 模型的归一化绝对误差的第三四分位数可以控制在 25% 以内。

图1 不同估算器对 8 种宿主噬菌体未观测物种预测的归一化绝对误差对比

但模型都建立在一个硬性前提：流入数据库的噬菌体物种丰度分布随时间保持稳定，也就是后续采样、入库策略和过去保持一致。拿 2024 版本数据库去预测 2025 新增噬菌体物种时，绝大多数宿主属预测结果出现严重低估；只有分枝杆菌属，两个时间点的物种多样性指标没有明显波动，采样背景相对稳定。霍乱弧菌反而出现预测偏高，推测是后期采样转向了之前很少涉及的宿主类群。这说明大部分细菌宿主对应的噬菌体，入库样本的物种分布已经随时间发生改变，违背统计模型的基础假设。

图2 不同统计模型预测采样量增加后可发现的新增噬菌体物种数

在假设采样策略维持现状的前提下，不同宿主未来的挖掘潜力差异很大。克雷伯菌、假单胞菌、葡萄球菌、链球菌、弧菌，继续扩大采样规模还能源源不断得到新噬菌体；大肠杆菌、沙门氏菌、分枝杆菌则出现趋近饱和的迹象，不同模型给出的预测结果分歧较大。这里需要特别强调，该预测结果成立的前提，是未来采样来源、筛选方式和历史保持一致。一旦采样环境、筛选偏好发生改变，预测数值参考价值会大幅下降。

总结与展望

这项工作给噬菌体挖掘工作敲了个警钟：随机拆分数据集做内部验证看着模型效果不错，可放到真实时间序列数据上，大部分宿主都会出现预测失灵。根源不在于算法本身，而是噬菌体数据库会跟着科研热点、采样地点、筛选方案不断变化，很难满足统计模型要求的分布平稳。

分枝杆菌噬菌体因为长期统一采用耻垢分枝杆菌做分离宿主，采样范式几乎没变，所以预测可信度更高；其余致病菌噬菌体数据集，历年采样来源变化大，直接套用模型给出的 “还能发现多少新物种” 只可以作为参考，不能当成确定结论。

实际开展噬菌体分离工作时，不能单纯依赖数据库统计预估。如果想要持续拿到大量新噬菌体，就需要主动拓展采样环境、更换宿主菌株，而不是在原有采样框架内一味增加样本量。后续这套分析流程还可以拓展到更多宿主属；同时如果能够把数据集细化到具体细菌物种、地理来源，降低采样混杂带来的干扰，物种估算结果还有望进一步提升。对噬菌体疗法领域来说，搞清楚噬菌体真实多样性，才能更高效地扩充噬菌体库，服务耐药菌感染的治疗需求。

来源：How many phage species remain undiscovered? Species sampling approaches to inform phage discovery. https://doi.org/10.1016/j.ecoinf.2026.103915.