SARS-CoV-2变异株依赖性鼻咽微生物组与宿主炎症反应的改变:基于16S rRNA测序与机器学习整合分析的研究

《Microbiology Spectrum》:SARS-CoV-2 variant-dependent alterations in nasopharyngeal microbiota and host inflammatory response

【字体: 大 中 小 】 时间:2026年10月22日 来源:Microbiology Spectrum 4.1

编辑推荐:

  SARS-CoV-2大流行在短时间内经历了多次暴发。这与病毒的高传染性和快速突变率有关,这阻碍了有效治疗方案的开发以及对COVID-19病理生理学的全面理解。鼻咽道作为SARS-CoV-2的主要入侵部位,通过病毒刺突糖蛋白与血管紧张素转换酶2(ACE2)受体相

  
SARS-CoV-2大流行在短时间内经历了多次暴发。这与病毒的高传染性和快速突变率有关,这阻碍了有效治疗方案的开发以及对COVID-19病理生理学的全面理解。鼻咽道作为SARS-CoV-2的主要入侵部位,通过病毒刺突糖蛋白与血管紧张素转换酶2(ACE2)受体相互作用,触发促炎反应,进而影响组织完整性和常驻微生物群。病毒感染通过调节微生物群多样性诱导菌群失调。尽管不同变异株产生各自独立的症状和病毒载量,但它们对鼻咽微生物群和宿主炎症谱的影响仍知之甚少。为解决这一问题,研究人员分析了在大流行不同阶段收集的智利个体鼻咽样本。通过16S rRNA基因测序(V3–V4区域)对微生物群进行表征,并通过RT-qPCR定量细胞因子表达。最后,应用严格的数据处理和机器学习模型——随机森林(RF)和K-最近邻(KNN)——来识别SARS-CoV-2变异株、炎症标志物和机会性细菌属之间的关联。研究结果表明,SARS-CoV-2感染与独特的免疫微生物特征相关,其特征为TNF-α表达升高和机会性类群扩增。这些变异株依赖性改变表明,宿主炎症反应和微生物失调在鼻咽环境中密切相关。本研究提供了一个整合微生物和宿主因素的综合框架,以更好地理解COVID-19发病机制背后的机制,并强调了将微生物组和细胞因子谱分析与机器学习方法相结合以区分不同病毒变异株感染结局的潜力。

论文解读

一、研究背景与目的

COVID-19大流行期间,SARS-CoV-2凭借其高传染性和快速突变能力,在短时间内引发了多轮疫情暴发,产生了多个受关注变异株(VOC)和待关注变异株(VOI)。这些变异株在刺突蛋白上积累了不同的点突变和缺失,被归入不同的进化支和谱系。病毒通过刺突蛋白S1亚基的受体结合域与宿主细胞表面的血管紧张素转换酶2(ACE2)受体高亲和力结合,随后由跨膜丝氨酸蛋白酶TMPRSS2在S1/S2切割位点介导切割,触发S2亚基构象变化并插入宿主细胞膜,启动膜融合和感染过程。
鼻咽道作为SARS-CoV-2入侵人体的首要门户,其微生态环境在感染过程中受到显著影响。已有研究表明,COVID-19患者上呼吸道存在微生物群落结构改变,表现为共生菌减少和机会性病原菌增多,同时伴随局部促炎因子如TNF-α和IFN-γ表达升高。然而,以往研究大多仅聚焦于单一变异株(主要是早期变异株),不同SARS-CoV-2变异株对鼻咽微生物群和宿主炎症谱的差异性影响尚未得到系统阐明。此外,病毒感染、微生物失调和炎症反应三者之间的因果关系复杂,涉及多变量交互,传统线性分析方法难以有效识别其中隐藏的关联模式。因此,本研究旨在整合鼻咽微生物组数据、炎症标志物表达谱和病毒变异株信息,利用机器学习方法建立不同变异株感染的特异性免疫微生物特征,为深入理解COVID-19发病机制和开发针对性治疗策略提供依据。

二、主要技术方法

研究人员收集了2020年4月至2021年8月期间来自智利首都大区四家医疗机构的鼻咽样本,经SARS-CoV-2检测后,采用水解探针qPCR基因分型方法检测刺突蛋白P681R、H655Y和T859N突变,分别鉴定Delta、Gamma和Lambda变异株。微生物群表征采用16S rRNA基因V3–V4高变区扩增子测序(Illumina MiSeq平台),经DADA2流程进行质控和降噪,基于SILVA-138数据库进行物种注释。炎症标志物(IL-2、TNF-α、IFN-γ、IL-1ra)通过RT-qPCR定量,以GAPDH为内参基因进行相对表达量计算。关联分析采用随机森林(RF)分类器进行特征重要性排序,结合嵌套交叉验证(10折内部验证和留一法外部验证),随后用K-最近邻(KNN)算法对排名前10和20的特征进行验证。

三、研究结果

变异株鉴定与队列特征。 研究共纳入300例样本,其中阴性对照71例、Delta变异株感染63例、Gamma变异株感染88例、Lambda变异株感染78例。各组年龄和性别分布存在一定差异,但整体具有可比性。
鼻咽微生物群表征。 通过α多样性分析发现,Observed ASVs(H=9.31,P=0.025)、Shannon指数(H=102.67,P<0.001)和Simpson指数(H=99.34,P<0.001)在组间存在显著差异,而Chao1丰富度无显著差异(H=5.84,P=0.120)。这表明感染组物种丰富度与阴性组相当,但群落均匀度显著升高,提示群落结构发生紊乱。在门水平上,阴性对照以变形菌门(Proteobacteria)占优势,感染后该门丰度显著下降,同时厚壁菌门(Firmicutes)和拟杆菌门(Bacteroidetes)明显扩增。在属水平上,健康鼻咽微生物群以假单胞菌属(Pseudomonas)为主导,而SARS-CoV-2感染后该优势丧失,代之以不动杆菌属(Acinetobacter)、棒状杆菌属(Corynebacterium)、狡诈球菌属(Dolosigranulum)、莫拉菌属(Moraxella)和葡萄球菌属(Staphylococcus)等机会性菌属的扩增。β多样性分析(Bray–Curtis距离的PCoA)显示阳性与阴性样本间存在显著群落组成差异(PERMANOVA,F=19.10,R2=0.162,P=0.001),但各变异株之间重叠较大,个体异质性明显。
炎症标志物表达。 TNF-α在SARS-CoV-2阳性样本中的相对表达量显著高于阴性对照,而IL-2、IL-1ra和IFN-γ在各组间未显示出一致的显著差异,个体间变异较大,反映了异质性的免疫应答状态。
机器学习关联分析。 在阳性与阴性二分类任务中,基线KNN模型(使用全部特征)的ROC-AUC为0.864,平均精确率(AP)为0.852;经RF特征重要性排序后,仅使用排名前10的特征(包括TNF-α表达和不动杆菌属丰度等)重新训练的KNN模型将AUC提升至0.926,AP提升至0.910,表明特征选择显著增强了模型判别能力。在多分类任务(区分Delta、Gamma、Lambda和阴性)中,基线模型AUC为0.697,AP为0.460,特征缩减后性能略有下降(AUC=0.690,AP=0.425),说明Delta变异株的纳入降低了组间可分离性。当排除Delta变异株、仅对Gamma和Lambda与阴性进行三分类时,基线模型AUC提升至0.725,AP为0.594,特征选择后AUC为0.743,AP为0.572,性能基本持平。这表明Gamma和Lambda变异株之间存在可区分的免疫微生物特征,而Delta变异株因菌群失调程度较轻和炎症反应较弱,成为分类中的掩蔽类。

四、讨论与结论

讨论部分指出,SARS-CoV-2感染导致的呼吸道微生物失调是跨变异株的保守性特征,而非变异株特异性现象。感染后微生物群落从以假单胞菌属为主导的稳定共生状态,转变为机会性病原菌扩增的失调状态,这为继发性细菌感染创造了条件。TNF-α作为核心促炎因子,其表达升高与不动杆菌属和葡萄球菌属等机会性菌的扩增相关联,支持炎症激活与机会性定植之间的相互作用。IL-2表达的个体间变异反映了免疫激活的异质性,与IL-2在抗病毒保护和细胞因子风暴中的双重角色一致。普雷沃菌属(Prevotella)在重症病例中的富集进一步支持了上呼吸道向厌氧促炎菌群偏移的失调模式。
研究结论指出,机会性病原菌相对丰度和炎症标志物能够有效区分SARS-CoV-2阳性与阴性患者,并在一定程度上区分不同变异株,其中TNF-α表达和不动杆菌属丰度是关键特征。所构建的机器学习模型能够有效区分Gamma和Lambda变异株,而Delta变异株更易被误分类。该研究整合微生物组、炎症标志物和机器学习方法,为理解COVID-19发病机制和开发呼吸道病毒感染的治疗策略提供了有价值的框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号