追踪医院传播链：三种商业cgMLST平台算出的“距离”到底能不能互通？

传统上，医院是否发生医疗相关感染暴发往往依赖临床线索与院感人员的调查判断，随后再借助分型技术去界定不同患者分离株之间的“相关性”。但既往常用的脉冲场凝胶电泳（PFGE）或7位点多位点序列分型（MLST）存在速度慢、分辨率有限等问题，难以满足快速、精细的暴发调查需求。如今，越来越多公共卫生与医疗机构转向全基因组测序（WGS），以更高分辨率评估菌株亲缘关系，并将其从“暴发调查”扩展到“常态化暴发监测”，以便尽早发现潜在院内传播事件并及时干预。在WGS相关性分析中，常见路线包括以参考基因组为基础的SNP分析，以及以“核心基因组基因集合”为单位的cgMLST：cgMLST通过对同一物种中数千个预定义核心基因位点进行等位基因编号，再比较等位基因谱差异来量化菌株距离。相比SNP分析，cgMLST更标准化，不需要选择高度相近的参考序列，并且在同一框架下对每株菌分析的目标数一致，因而被认为更适合长期、跨时间的监测。然而，cgMLST在实际应用中仍存在关键不确定性：不同分析流程与框架可能在核心位点选择、等位基因调用方式上不一致；而“是否相关”的判定又依赖物种特异的距离阈值，这些阈值缺乏明确生物学基础，更多来自既往种群遗传学研究或已建立流行病学关联的暴发案例经验，因此当更换方法或阈值时，相关性结论可能发生变化。在缺乏公认“金标准”的背景下，临床与院感实践迫切需要回答一个现实问题：当医院使用不同商业cgMLST工具开展常态化监测时，平台之间对菌株相关性的判定是否可比，是否会因为流程差异导致对同一批分离株得出不同的相关性结论，从而影响院感处置决策。

基于这一必要性，本文评估三种商业cgMLST分析流程在医院暴发检测与常态化传播监测中的可比性，关注两个核心问题：不同平台用相同阈值时，是否能一致区分“聚类”与“非聚类”；以及等位基因距离数值能否互换。研究纳入97位患者的255株临床分离菌，覆盖8种常见医院相关病原，形成6,077对分离株配对并比较三平台输出。以SeqSphere+的物种特异阈值作为聚类判定基准，将配对分为同一患者聚类、不同患者聚类、不同患者不聚类三类，并展示三平台在各物种与各类别中的距离分布与阈值线（见图1）。

图1  三种cgMLST流程（SeqSphere+、1928、ARESdb）在8种病原体分离株配对中的等位基因距离分布，并按SeqSphere+结果将配对划分为“同一患者”“不同患者聚类”“不同患者不聚类”三类进行对比。

结果显示，在“是否聚类”的二分类结论上，1928平台与SeqSphere+完全一致；ARESdb与SeqSphere+总体一致性为99.5%，但存在少量不一致配对，主要出现在应当聚类的相关样本中。进一步比较距离数值后发现，平台间存在明显不可互换性：在三平台均可评估的5,747对配对中，ARESdb在相关样本上给出的等位基因距离显著更大，而SeqSphere+与1928的距离更接近（相关样本与非相关样本的距离统计见表1）。按物种分层，1928与SeqSphere+的绝对差异通常很小，而ARESdb与SeqSphere+的差异在多数物种更大（见表2）。

表1  三种cgMLST流程在5,747对分离株配对中的两两等位基因距离比较。

表2  三种cgMLST流程在“相关配对”（同一患者配对与不同患者聚类配对）中的等位基因距离绝对差值，并按7种病原体分层比较（1928 vs SeqSphere+，以及ARESdb vs SeqSphere+）。

综上，商业cgMLST平台在使用推荐阈值进行“聚类/不聚类”判定时整体具有较高一致性，适合临床实验室用于常规监测；但不同平台产生的等位基因距离分布可能系统性偏移，提示跨平台直接比较距离或照搬阈值存在风险。建议在短间隔、非暴发的日常监测场景中，可探索更低阈值以提升聚类警报的可行动性，并提出将基因组监测与电子病历数据挖掘结合以提高溯源效率。

原文链接：https://doi.org/10.1128/jcm.00646-25