食源性病原体基因数据库的信息匹配预测模型说明了对非临床数据填充的重要性

随着基因组学的出现以及与之相关的技术（例如，第二代和第三代 DNA 测序仪）的日益普及，现在存在许多病原体的大型“大数据”基因组数据库。在食品安全方面，这些数据库包含来自两种类型的分离株的数据——来自患者的分离株（即临床分离株）和来自非临床来源分离株（例如食品生产环境分离株的分离株）。定期对数据库的监测临床分离株和非临床分离株的匹配来探索人类疾病的来源，进行流行病学的追溯和验证，具有极大的应用意义。

Yin等人通过调查三大基因数据库（单增、大肠和沙门）以及较小的克罗诺杆菌数据库中的匹配率并建立logistic回归模型来预测未来的数据库行为。

作者使用 SNP 距离阈值 20 来确定是否有任何临床生物样本与环境生物样本匹配。在过去十年中，NCBI 病原体检测数据库中沙门氏菌的生物样本数量迅速增长（图1a）。沙门氏菌是最大的数据库，其次是大肠杆菌和单核细胞增生李斯特菌（表 1）。从 2014 年到 2018 年，随着数据库大小的增长率迅速增加，每个物种的匹配率也相应增加（图2）。但数据库规模第二大的大肠杆菌只有7%的匹配率。

图1 a NCBI 病原体检测数据库中四种食源性病原体的序列数据的增长。b “常见”簇（即同时包含临床和环境生物样本的簇）总数的分数。图源自参考文献

表12022 年底数据库中每个分类群、来源（临床或环境）的生物样本数量和匹配率

图2四个物种的匹配随时间变化。为沙门氏菌、大肠杆菌和李斯特菌添加了一条橙色的简单移动平均曲线。图源自参考文献

对每个数据库中的总聚类数量以及同时包含环境和临床分离株（即异质来源）的聚类数量进行探究不同分类群的匹配率差异（图1b）。发现大肠杆菌只有5%集群同时包含临床和非临床的分离株，这表明对于大肠杆菌，要么没有对临床样本的推定来源进行采样，要么非临床分离株没有导致疾病。

对7个数据库变量对匹配度之间关系进行分析发现所有变量都与匹配率显著相关（p < 0.001）。通过构建了多个包含所有成对可能的变量组合logistic回归模型，最终选择了具有交互作用项的双因子模型作为最终预测模型。

图3采用逻辑回归模型来预测不同百分比的环境生物样本的假设数据库性能。图源自参考文献

环境百分比因子和交互作用项的正系数表明，在数据库大小相同的情况下，环境
生物样本的百分比越高，匹配率越高。关于数据库大小与匹配率之间的关系，当环境百分比固定且高于 15% 时，较大的数据库大小与较高的匹配率相关。即，当环境百分比达到 70% 时，预计每存入数据库 1000 个分离株，获得匹配的临床生物样本的几率就会增加4%。

参考文献：Yin, L., Pettengill, J.B. Prospective modeling and estimating the epidemiologically informative match rate within large foodborne pathogen genomic databases. BMC Res Notes 17, 191 (2024). https://doi.org/10.1186/s13104-024-06847-z