宏基因组里的宿主污染，到底该怎么去

有人把它当成质控后的固定动作，跑一下就往后走；也有人盯着宿主比对率，觉得删得越多越放心。结果是，这一步明明发生在流程前端，却经常要等到后面的物种分析、功能注释、组装甚至分箱出了问题，才被重新翻出来复盘。

什么叫“宿主污染”

宏基因组本来想看的，是样本里的微生物、病毒、真菌这些非宿主成分。

但真实样本不是教科书。只要样本本身和宿主组织挨得近，或者提取过程中本来就带着大量宿主背景，最后测回来的数据里，就很容易混进宿主 DNA 片段。

最常见的几类场景其实都很好理解：

• 肠道、口腔、皮肤、呼吸道样本，常常混有人源序列
• 动植物组织相关样本，本身就带着很高比例的宿主背景
• 环境样本虽然不一定有“宿主”这个概念，也经常会混入非目标的大分子背景

这里有个很容易被误解的点。

“污染”这个词听起来像实验出了错，但很多时候它并不代表操作失败，而是样本类型天然就会这样。尤其是宿主相关样本，混入宿主序列几乎是默认情况，不是少数情况。

为什么必须去宿主污染

去宿主最直接的作用，是把无效数据先拿掉。

如果一批 reads 里有很大一部分都属于宿主，那这些数据对微生物分析几乎没有帮助，却会实打实占掉你的测序量、存储空间和计算资源。看起来测了很多，真正能用于后续分析的有效深度却没那么多。

它带来的影响通常体现在四个地方。

第一，微生物信号会被压住。尤其是低丰度物种，本来就不容易被看到，如果再被高比例宿主序列盖过去，后面做分类和定量时很容易失真。

第二，后续分析负担会明显加重。宿主 reads 不会因为你“不想分析它”就自动消失，它们一样会进入比对、组装、注释等步骤，算力和时间都照样要花。

第三，分类注释和功能注释可能被误导。你以为看到的是群落结构差异，结果里面混着宿主来源的噪音；你以为某类功能富集很有生物学意义，最后发现只是输入没有清干净。

第四，人源样本还牵涉隐私和合规。只要项目里包含明显的人源序列，后面无论是共享数据、提交数据库，还是给合作方交付结果，都需要多考虑一层风险。

去宿主污染通常在流程里的什么位置

从流程顺序看，这一步一般发生在原始数据下机之后、正式进入下游分析之前。

比较常见的顺序是这样：

1. 先拿到原始 FASTQ 数据
2. 做基础质控，检查接头、质量值、重复和低复杂度问题
3. 去接头、去低质量、去低复杂度等预处理
4. 用宿主参考基因组做比对，筛除匹配到宿主的 reads
5. 把保留下来的 clean reads 再送去做物种分类、拼装、功能分析甚至后续 MAG 重建

这条顺序看上去很简单，但具体怎么做？

比如宿主参考库选什么版本，线粒体和叶绿体要不要一起纳入，双端 reads 怎么保配对关系，过滤阈值是保守一点还是激进一点，这些细节都会直接影响最后留下来的数据质量。

主流思路到底是什么

去宿主的核心逻辑其实不复杂：把测序 reads 和宿主参考基因组做匹配，命中的去掉，没命中的保留。

真正的区别，主要在实现方式上。

一类是通用比对工具思路。也就是把 reads 直接往宿主参考基因组上比，谁稳定命中就判成宿主。这类方法直观、成熟、解释性强，很多项目都在用。

另一类是更偏流程化的去污染方案。它可能把比对、过滤、统计汇总打包在一起，让你更容易批量处理样本，也更方便做统一报告。

这里没必要堆太多工具名，真正该看的判断依据主要就几个：

• 速度够不够，尤其是样本多的时候
• 灵敏度够不够，能不能把明显宿主背景清掉
• 误删风险高不高，会不会把微生物信号一起带走
• 和你的样本类型、测序策略是不是匹配

真正难的是“删得准”

去宿主最难的地方，是在降低宿主背景的同时，尽量保住真正有价值的微生物信号。

去得不够，宿主背景会残留很多，这样后面的微生物信号还是会被噪音干扰。

去得太狠，问题就反过来了。那些本来就弱、就少、就不容易被捕捉到的微生物序列，可能会跟着一起被清掉。最后看起来宿主比对率很漂亮，实际上是把有价值的信息也一起削薄了。

所以去宿主本质上是道平衡题。目标不是“宿主百分之百清零”，而是：在可解释、可复现的过滤规则下，尽可能压低明确的宿主背景，同时保留足够的有效微生物信息支撑后续分类、组装、功能分析和 MAG 重建。

怎么判断去宿主做得好不好

判断去宿主效果，不能只盯着一个比对率。

更实用的看法，是把几个维度一起看。

先看宿主 reads 去除比例是否合理。如果本来就是高宿主背景样本，去掉很多并不奇怪；如果是宿主占比本该没那么夸张的样本，却被清掉了大半，就要多留个心眼。

再看保留 reads 的数量，还够不够支持后续分析。宿主降下去了，但剩下的数据如果薄得撑不起分类、组装和功能分析，那这一步未必算做得好。

然后看微生物分类结果是不是更集中、更可信。去宿主前后如果结果变化杂乱无章，或者依旧充满解释不通的高等生物信号，那就说明这一步还需要复查。

还要看重复样本、同批次样本之间是不是更一致。一个稳的流程，不应该让相近样本之间的差异被人为放大。

如果条件允许，再结合阴性对照和流程复盘一起判断。因为很多问题不是单看结果表能发现的，只有把前后各步串起来看，才知道到底是参考库、参数，还是样本本身出了问题。

小结：不同场景，重点不同

去宿主这件事，没有一个统一答案可以套所有样本。

人体来源样本，最该优先考虑的是隐私、宿主占比和参考基因组完整性。你不只是要去噪，还要考虑结果交付时的人源信息风险。

动植物样本，重点往往是宿主背景本来就高，参考库又未必总是像人源那样完整，所以“怎么保留有效微生物信号”会变得更关键。

环境样本稍微特殊一些。很多时候它做的是非目标背景清除，不一定能完全等同于“去宿主”，但底层逻辑仍然相通，都是为了减少无关信号对后续分析的干扰。

临床相关场景对灵敏度和误删的平衡要求会更高。因为你关心的对象往往可能本来就低丰度，删轻了有噪音，删重了又可能把真正重要的信号一起抹掉。

所以没有一种“放之四海而皆准”的单一方案。流程可以借鉴，判断不能偷懒。