方法文章

分层基因组框架 沙门氏菌 血清型预测：MLST、SeqSero、SeqSero2、SeqSero2S 和 SISTR 在中国西南地区的评估

504 次观看

⸱

DOI：

10.3791/69117

⸱

2026年1月9日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1West China School of Public Health and West China Fourth Hospital, Sichuan University, 2College of Pharmacy, Youjiang Medical University for Nationalities, 3Chengdu Center for Disease Control and Prevention (Chengdu Institute of Health Supervision), 4Sichuan Provincial Centre for Disease Control and Prevention, 5Department of Laboratory Medicine and Port Epidemic Disease Monitoring Key Laboratory of Sichuan Province, Sichuan International Travel and Healthcare Center (Chengdu Customs District Port Clinic), 6Health Promotion and Food Nutrition & Safety Key Laboratory of Sichuan Province, 7Innovation Center of Nursing Research and Nursing Key Laboratory of Sichuan Province, West China Hospital, Sichuan University

* These authors contributed equally

本文内容

摘要

本方案建立了一种分层的基因组学工作流程 沙门氏菌 血清型预测，利用MLST或SeqSero2S进行常规监测，结合核心基因组MLST的SISTR用于暴发检测，以及使用SeqSero2S进行快速筛查。该方案已通过多中心分析验证，以提升中国境内的监测能力。

摘要

准确的血清型分型 沙门氏菌 对于有效的监测和疫情调查至关重要，因为血清型多样性直接影响致病性及公共卫生风险评估。然而，传统的玻片凝集方法受限于重复性差、劳动强度大和成本高，阻碍了其在高通量监测项目中的应用。为克服这些局限，我们开发并验证了一种整合多位点序列分型（MLST）的基因组工作流程 沙门氏菌的计算机模拟研究 血清型预测资源（SISTR）、SeqSero、SeqSero2 和 SeqSero2S，用于基于全基因组测序数据进行血清型预测。本方案通过一项包含 315 个样本的多中心分析进行了评估 沙门氏菌 从中国西南地区食品和人类来源分离的菌株。本研究结果表明，与传统血清分型相比，基因组学方法的一致性显著更高（在训练集中，SISTR/MLST/SeqSero2S 分别达到 100%/99.1%/90.1%，在验证集中分别为 100%/97.1%/93.1%）。该工作流程根据监测背景推荐了适当预测方法的选择策略：常规监测优先采用 MLST 和 SeqSero2S，快速筛查使用 SeqSero2S，疫情调查则推荐 SISTR 结合核心基因组 MLST。该方法有助于将基因组血清分型整合到公共卫生实践中，减少对传统血清学的依赖，并提高可重复性和可扩展性 沙门氏菌 监测项目。

引言

沙门氏菌 是全球最重要的食源性病原体之一，可导致严重的发病率和死亡率1,2在中国，它仍是食源性疾病的主要病因，其中少数血清型导致了大多数感染病例。3准确的血清型鉴定对于监测和暴发调查至关重要，因为血清型多样性与致病性及公共卫生风险密切相关。这一点在常见血清型中已得到广泛认可，例如 沙门氏菌 肠炎沙门氏菌和 沙门氏菌 伤寒沙门氏菌，但一些研究较少的血清型，例如 沙门氏菌 巴拿马也是全球传播和侵袭性疾病的重要原因4，强调了对强大血清分型能力的普遍需求。传统的血清分型方法虽长期被视为金标准，但其过程耗时且成本高昂，需要使用150多种抗血清5它们还受到可重复性差的限制。6，耗时耗力的工作流程7以及由于对凝集反应的主观解释所导致的固有变异性8因此无法满足高通量监测项目的需求9.

全基因组测序（WGS）的出现通过实现快速、高分辨率的血清型预测，彻底改变了病原体的鉴定方式10,11,12。目前已开发出多种in silico工具，包括多位点序列分型（MLST）、SeqSero13、SeqSero214、SeqSero2S15以及Salmonella In Silico分型资源（SISTR）7,15。尽管MLST可提供标准化的长期流行病学追踪16，SeqSero2和SeqSero2S则允许直接从原始测序读长进行分析，有助于常见血清型的高通量筛查14,15。相比之下，SISTR需要已完成的基因组组装，但其结合了抗原基因检测与核心基因组多位点序列分型（cgMLST），为疫情暴发调查提供了全面的分辨率17。尽管基于WGS的Salmonella鉴定在研究中正日益被采纳为主要证据16,18,19，其在大规模监测中的应用仍有限，这一差距部分归因于尚未解决的实际问题，这些问题影响了方法的适用性。一项全球调查显示，仅有8%的参与实验室将WGS用于常规监测，其中分析复杂性是主要障碍20。例如，可靠的血清型预测依赖于足够的测序深度（通常为成本效益考虑需>75×，理想情况下约为200×以实现高质量分析）和高质量的基因组组装（contig的N50作为成本效益最低标准应>30 kbp，更优情况为>100 kbp），特别是对于依赖组装的工具如SISTR21,22,23。此外，工具的选择必须与实验室的计算资源和技术水平相匹配：开源工具如SeqSero2S通过分析原始读长并绕过计算密集型的组装过程，为快速筛查提供了更高效的选择15，而生物信息学能力有限的实验室可能在数据分析和存储方面面临困难。因此，目前尚缺乏足够的数据来判断在大规模监测中是否可以减少血清学检测20,24，这凸显了对资源适应性方法的需求。值得注意的是，在新冠疫情之后，各级医疗卫生机构中存在大量闲置的测序仪器和qPCR设备，这为重新利用这些资源开展基因组监测提供了契机。

为弥补这一不足，我们使用从中国西南地区食品和人类来源收集的315株Salmonella分离株，对上述基因组血清型分型工具进行了多中心评估25,26。基于这些研究结果，我们建立了一个分层工作流程，该流程考虑了不同实验室资源和监测需求，为在不同情境下选择工具提供了明确的标准。该框架优先推荐使用SeqSero2S进行快速筛查，结合使用SISTR与cgMLST进行暴发调查，从而促进基因组学方法的应用，并减少对传统血清型分型方法的依赖。本文详细描述了该工作流程的每一步骤，包括分离株鉴定、测序、数据分析，以及在不同监测情境下选择预测工具的标准。

访问受限。请登录或开始试用以查看此内容。

方案

人粪便样本的采集和处理均经四川大学华西第四医院伦理委员会批准（方案编号：HXSY-EC-2022093），符合《赫尔辛基宣言》和良好临床实践要求。根据国家公共卫生法规，免除了知情同意要求。

注意：所有涉及活体Salmonella培养物和人类粪便样本的操作必须由接受过标准微生物操作和生物安全程序培训的人员在生物安全二级（BSL-2）实验室中进行。始终穿戴适当的个人防护装备（PPE），包括实验服、手套和护目镜。定期消毒并更换受污染的手套。实验前后均应使用适当的消毒剂（如70%乙醇、1%次氯酸钠）对所有工作台面进行去污处理。所有含有生物材料的液体和固体废弃物在丢弃前须经高压灭菌处理（如121 °C至少30分钟）。避免产生气溶胶和飞溅。所有可能产生气溶胶的操作（如离心、剧烈震荡）均应在经过认证的生物安全柜内进行。

1. 食品样品采集与菌株鉴定

  1. 从零售市场或加工场所采集食品样品。根据国家食品安全标准 GB 4789.4 和食源性疾病监测项目的保密协议，从食品样品中分离 Salmonella。
  2. 预增菌：
    1. 准确称取每份食品样品 25 g，加入 225 mL 缓冲蛋白胨水（BPW）（1:10 稀释比例），涡旋振荡 30 秒，确保充分均质和浸没。
    2. 将样品在 36°C ± 1°C 条件下，于 150 rpm 摇床培养箱中培养 8–18 小时。
      注意：在非选择性增菌液中进行预增菌可显著提高病原体载量。所有后续操作材料（容器、移液器等）均应视为高传染性物质处理。
  3. 选择性增菌：预增菌后，取 1 mL 样品转移至四硫磺酸盐增菌液（TTB）中。将 TTB 在 42 °C 静置培养 18–24 小时。
  4. 分离：培养后，将增菌培养物划线接种至以下选择性琼脂平板：赫克托恩肠道琼脂（HE 琼脂）、木糖赖氨酸脱氧胆酸盐琼脂（XLD 琼脂）和 CHROMagar Salmonella。将平板在 36 °C 培养 18–24 小时。
    注意：划线操作时应谨慎，避免产生气溶胶和交叉污染。在 HE 琼脂上，可疑 Salmonella 菌落通常呈蓝绿色至蓝色，可有或无黑色中心，周围琼脂可能呈现类似的绿色调。在 XLD 琼脂上，可疑 Salmonella 菌落通常为红色并带有黑色中心。在 CHROMagar 上，可疑 Salmonella 菌落呈品红至淡紫色，具体颜色特征以制造商说明为准。在每种选择性平板上，预期在 18–24 小时培养后可观察到孤立良好的菌落。过度生长的平板（>300 个菌落）可能需要稀释后重新划线。
  5. 鉴定：检查平板上可疑的 Salmonella 菌落。使用自动化鉴定系统配合革兰阴性菌（GN）鉴定卡，按照制造商说明书进行分析，以鉴定可疑菌株。
    注意：确保 GN 鉴定卡的批号有效且在有效期内。
    1. 使用 0.45% 生理盐水，从纯菌落制备符合规定浊度（0.50–0.63 麦氏标准）的细菌悬液。
    2. 将悬液加入 GN 鉴定卡中并运行检测。确保系统设置为在 35.0 °C ± 2.0 °C 自动培养，并监测生化反应长达 8 小时。
    3. 接受鉴定结果为 Salmonella enterica ssp. enterica，且概率 ≥ 95%、置信度评级为优秀的结果。
  6. 血清型鉴定：在 37 °C 过夜培养后，从游走琼脂平板上挑取单个菌落。进行玻片凝集试验以检测 O 抗原和 H 抗原。使用市售的 Salmonella 抗血清试剂盒（见材料表）进行检测。

2. 人体样本采集与菌株鉴定

注意：用于分离的 沙门氏菌 从人类粪便样本中，遵循食源性疾病监测项目的保密协议。

  1. 样本采集：采集约 2 g 新鲜排出的人类粪便样本。将粪便样本置于洁净、干燥、广口的容器中。使用隔热运输箱在 1 小时内将样本运送至实验室，以保持样本完整性。
    警告：人类粪便样本可能含有多种病原体，包括但不限于 Salmonella。所有样本均应视为具有潜在传染性，并严格遵守生物危害材料处理的标准防护措施。
  2. 接种：将采集的粪便样本直接接种至以下选择性琼脂平板：CHROMagar Salmonella、Salmonella-XLD 琼脂和志贺氏菌（SS）琼脂。
    注：有关 CHROMagar Salmonella 和 XLD 琼脂上特征性菌落形态的描述，请参见步骤 1.4。在 SS 琼脂上，疑似 Salmonella 菌落通常呈无色、不透明或浅棕色，中心为黑色，琼脂本身颜色基本不变。
  3. 鉴定：按照步骤 1.5 所述方法对可疑的 Salmonella 菌落进行鉴定。
  4. 血清分型：按照步骤 1.6 所述方法通过玻片凝集法进行血清分型。

3. 文库构建与全基因组测序

  1. 细菌培养：将沙门氏菌（Salmonella）划线接种于LB琼脂平板，37 °C 培养12小时。挑取单菌落，接种至200 mL LB液体培养基中，于37 °C、150 rpm振荡培养12小时。以12,000 × g 离心10分钟收集菌体。
    注意：所有离心步骤均应使用密封转子或安全杯，以防止气溶胶产生。
  2. DNA提取：使用商品化DNA提取试剂盒（参见材料表），按照生产商提供的操作说明提取基因组DNA。
    警告：商品化DNA提取试剂盒中的试剂（如裂解缓冲液、蛋白酶K）若被吸入或接触皮肤及眼睛可能有害。若使用挥发性试剂，应在通风橱或生物安全柜中操作，并穿戴适当的个人防护装备（PPE）。
  3. DNA质量评估：纯化基因组DNA，并使用荧光计配合双链DNA高敏检测试剂盒进行定量。通过1%琼脂糖凝胶电泳（100 V，45分钟）验证DNA完整性；高质量DNA表现为一条紧密的条带，大小>20 kbp，拖尾现象极少27。
    注意：（关键步骤）高质量、高分子量的基因组DNA（A260/A280比值约为1.8–2.0）对于文库构建和测序的成功至关重要。
    警告：琼脂糖凝胶电泳中使用的核酸染料（如GelRed、溴化乙锭）具有致突变性。操作凝胶和染色液时务必佩戴手套，并根据机构的危险废物管理规定进行处置。
  4. DNA片段化：使用聚焦超声破碎系统，按照生产商提供的操作说明，将约150 ng合格的基因组DNA片段化至平均大小约为350 bp。
  5. 使用商品化文库构建试剂盒（参见材料表），从剪切后的DNA片段构建测序文库。对剪切后的DNA片段进行末端修复和5'端磷酸化处理，随后在3'端添加单个'A'碱基，并连接带索引的测序接头。
  6. 按照试剂盒说明，通过有限循环数的PCR程序扩增并富集已连接接头的DNA片段。
  7. 使用荧光定量法和毛细管电泳等方法对最终文库进行质量检测和定量。
  8. 按照测序平台的标准操作流程，进行双端测序（2 × 150 bp）。

4. 数据分析

  1. 原始测序数据的质量控制：使用 fastp（版本 0.23.0）以默认参数对原始 FASTQ 文件进行初始质量控制。目标是去除接头序列和低质量读段，从而为下游分析生成干净的 FASTQ 数据。
  2. 使用 SPAdes（版本 3.15.0）将高质量的过滤后读段组装成草图基因组，并启用 careful 选项以减少错配和短的插入缺失26。
  3. 将基因组序列（FASTQ/FASTA 文件）作为多种血清型预测方法的输入：
    1. 对于 MLST，将 FASTQ 文件导入 BioNumerics 软件（版本 7.6）。
      1. 在 Import Template 窗口中，点击高级选项下的 Edit parsing。将 Data parsing string 和 Data decoration 设置为 [DATA]。使用正则表达式 DATA]_* 和 [DATA] 进行文件名解析。保存模板，选择该模板，然后点击 Next，再点击 Finish。在 Submit Task 窗口中确认提交以上传数据。CEStoreUploader 工具将自动打开，将 WGS 原始数据传输至计算引擎。
      2. 上传后选择基因组条目。进入 WGS Tools，选择 "TraNetGenotype" 以实现 ST 的自动预测。在 TraNetGenotype 对话框中，选择 Salmonella 作为菌株类型，勾选 Serotype Analysis, Virulence Analysis 和 Antimicrobial Susceptibility Analysis，然后点击 Yes。
    2. 对于 SISTR（版本 1.1.3；https://github.com/phac-nml/sistr_cmd；参数：所有参数均为默认值），打开终端并导航至包含组装基因组文件 assembly.fasta 的目录。
      1. 运行以下命令以执行血清型预测，并生成 CSV 格式的综合报告：sistr --qc --alleles-output allele-results.json --cgmlst-profiles cgmlst-profiles.csv -f tab -o sistr-output.tab -i assembly.fasta。该命令将生成包含预测血清型的报告。
        注：-qc：对组装结果执行质量控制检查。-i assembly.fasta：指定输入的 FASTA 文件。-f csv：定义输出格式为 CSV。-o sistr_results：设置输出文件的基础名称（例如 sistr_results.csv）。-p 4：使用 4 个 CPU 线程进行分析以加快计算速度。--alleles-output：将等位基因序列和信息保存为 JSON 文件。--cgmlst-profiles：将 cgMLST 等位基因谱导出为 CSV 文件。
    3. 对于 SeqSero（版本 1.0；https://github.com/denglab/SeqSero；参数：所有参数均为默认值），进入包含输入数据文件的目录。使用以下命令以默认参数运行分析： python SeqSero.py -m 4 -i assembly.fasta。该工具将创建一个输出目录，其中包含名为 Seqsero_result.txt 的文件，内含预测的血清型。
      注：-m 4 指定输入类型为基因组组装结果。-i 定义输入的 FASTA 文件。
    4. 对于 SeqSero2（版本 1.3.1；https://github.com/denglab/SeqSero2；参数：所有参数均为默认值）。运行以下命令： python3 SeqSero2_package.py -m k -t 4 -i assembly.fasta。工具在分析完成后会直接在终端屏幕上输出预测的血清型。输出结果提供预测的血清型。
      注：-m k：指定基于 k-mer 的工作流程，利用血清型决定因子的独特 k-mer 实现快速血清型预测。-t 4：表示输入类型为组装序列。
    5. 对于 SeqSero2S（版本 1.1.1；https://github.com/denglab/SeqSero2S；参数：所有参数均为默认值）：使用提供的脚本运行： python SeqSero2S.py -m k -t 4 -i assembly.fasta。输出结果提供预测的血清型。
      注：-m k 启用基于 k-mer 的原始读段或基因组组装的分析。-t 4 指定输入为组装序列。

5. 关键参数与实际注意事项

注意：以下考虑因素对于在资源有限的环境中成功实施该基因组工作流程至关重要。

  1. 确认原始测序数据达到足够的测序深度。通常，约 100x 的测序深度足以进行高质量分析。
    注意：对于优先考虑成本效益的实验室，建议将至少 75x 的测序深度作为使用 MLST 或 SeqSero2 进行可靠血清型预测的实用下限阈值21。
  2. 确认原始读段的质量较高，Q30 分数（碱基识别准确率为 99.9%）通常应高于 90%。
  3. 在使用需要组装重叠群的血清型预测工具之前，评估从头基因组组装的质量。使用 N50 统计量作为关键指标。
    注意：建议 N50 至少达到 100 kbp22，而 N50 超过 30 kbp 应被视为可靠分析的最低要求23。
  4. 通过将过滤后的读段重新比对至组装的基因组，并确保比对率至少 ≥98%，来检查组装的完整性。

6. 高通量血清型预测推荐方案 沙门氏菌 监测

注意：应根据监测背景、所需准确度和可用的实验室资源选择血清型预测方法。对于高通量 Salmonella 监测，请遵循以下方案：

  1. 初步鉴定：按照 GB 4789.4 进行初筛，确认分离株为 Salmonella spp。
    注：此阶段无需鉴定分离株的具体血清型。
  2. 常规监测（高通量模式）：对于常规监测，由于 BioNumerics 不再更新，应使用开源 MLST28、SeqSero2S 或其他经过验证、用户友好且持续获得技术支持和更新的基因组分析平台。
    ​注： 对于 MLST：7 基因分型方案提供标准化、可移植且具有系统发育信息的谱型（序列型，ST），适用于长期流行病学研究和全球菌株比较。其简洁性确保了快速分析和最低的计算负担。对于 SeqSero2S：它能够在单次运行中同时实现快速血清型预测和整合的 MLST 分析结果。该工具可直接分析原始测序数据，无需完成基因组组装，从而节省时间和资源。即使使用已组装的 FASTA 数据，其速度也快于 SISTR 等工具，因其血清型预测过程独立进行，不依赖复杂的计算分析。
  3. 快速筛查（时间敏感场景）：在需要快速结果或计算能力有限的实验室中，使用 SeqSero2S 进行初步血清型预测。
    注： 进行 SeqSero2S 预测时，通常建议将 "I_4,[5],12:i:-" 解读为 Salmonella Typhimurium。
  4. 疫情调查（高精度模式）：对于需要高分辨率的疫情溯源，使用 SISTR，该工具通过 cgMLST 补充血清型预测，并提供高分辨率的聚类分析以支持传染源追踪。
  5. 质量控制与不一致结果确认：
    1. 对于常见测序类型菌株，进行随机验证；对于非常见菌株，验证比例为 20%。当血清型鉴定结果不一致时，应将菌株送至更高级别或参考实验室以获得最终结果。
    2. 对于确证分析，应采用多种经过验证的方法，包括：使用至少两种不同的 in silico 预测工具重复进行基因组分析；使用至少两种不同的工具重复进行 in silico 预测；利用基于高通量测序（WGS）的高分辨率方法（如 cgMLST 或全基因组 SNP 分析）进行系统发育背景分析29。
    3. 根据上述综合证据的一致性结果确定最终血清型。
      注：推荐对非常见血清型采用 20% 的验证比例，依据在于基因组分析工具在非常见血清型中仍保持高度一致性（SISTR 与 MLST 的一致性为 93.3%，SISTR 与 SeqSero2S 的一致性为 95.0%）（表 1）。该阈值具有成本效益，并提供了足够的安全余量，以检测常规监测中基因组工具间低频出现的结果差异。

7. 统计分析

  1. 使用 R 软件（版本 4.1.2）进行数据分析。
  2. 以频数和百分比形式表示分类变量。
  3. 对分类数据采用 χ2 检验进行组间比较30，将 P 值 <0.05 视为具有统计学意义。

访问受限。请登录或开始试用以查看此内容。

结果

该方案使用来自中国西南地区的315株Salmonella分离株进行验证，其中213株（2/3）作为训练集，用于比较五种基于全基因组测序的血清型预测方法（MLST、SISTR、SeqSero、SeqSero2和SeqSero2S）与传统血清分型结果的一致性，其余102株（1/3）作为验证集，用于评估MLST、SISTR和SeqSero2S的性能。

训练集分析（n = 213）
重复性评估：传统血清分型与五种基于全基因组测序（WGS）的预测方法之间的符合率均较低，仅达到60.6%（129/213）。相比之下，任意两种WGS方法之间的两两符合率高达99.1%（211/213），而82.2%的菌株（175/213）在全部五种方法中获得一致结果。这种显著差异（82.2% vs. 60.6%，P<0.001）凸显了基因组学方法在重复性方面显著优于传统血清学方法（图1）。

访问受限。请登录或开始试用以查看此内容。

讨论

这项大规模评估涵盖了中国西南地区分离的315株Salmonella，结果表明，基于全基因组测序（WGS）的血清型分型方法相较于传统方法具有更优的可重复性（84.1% 对比 62.9% 的覆盖率，P<0.001）。我们的研究结果验证了一套完整的基因组分析流程，其中样本制备和DNA质量控制等关键初始步骤（第1–3节）直接影响后续分析的可靠性。本方案强调为依赖组装的工具（第4–5节）提供高质量的基因组组装结果（优选>100 kbp）。分层实施策略使各实验室可根据自身的监测需求和计算资源选择合适的方法：SISTR适用于确证性分析（在训练集和验证集中一致性均达100%），MLST（98.1%/97.1%）和SeqSero2S（90.1%/93.1%）适用于常规监测，而SeqSero2S则可用于快速筛查（第6节）。该框架有效应对了实际实验室中的资源限制，例如在资源有限的环境中，SeqSero2S可作为可行替代方案，无需进行计算密集型的基因组组装步骤，同时仍可保持91.1%的覆盖率15。

我们观察到某些血清型的符合...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

本工作获得了西藏和四川科学技术局基金（XZ202301ZY0049G、2024NSFSC0563 资助 H.Z.，2024NSFSC0033 资助 X.P.）、四川省科技计划项目（2024JDRC0032 资助 Y.X.）、卫生健康领域新质生产力培育项目（HN240302C 资助 H.Z.）、公共卫生实验室科学学科振兴项目（2023SY-04 资助 H.Z.）以及四川大学华西公共卫生学院/华西第四医院的资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
BioNumerics（版本 7.6）Applied Mathshttps://bionumerics.software.informer.com/7.6/MLST/血清型预测/系统发育分析
CHROMagar 沙门氏菌培养基Becton, Dickinson and Company214983选择性沙门氏菌显色培养基
Fastp（版本 0.23.0）开源https://github.com/OpenGene/fastp测序读段质量控制
Illumina NovaSeq 6000 测序系统Illumina20012850全基因组测序平台
M220 聚焦式超声破碎仪Covaris500295DNA片段化
Magbeads 快速土壤DNA提取试剂盒MP BiomedicalsMP116560200基因组DNA提取试剂盒
Microsoft Excel 2016MicrosoftKB5002794数据管理
NEXTFLEX 快速DNA-Seq建库试剂盒Revvity50-255-1124测序文库构建
Qubit 2.0 荧光计Thermo Fisher ScientificQ32866DNA定量
Qubit dsDNA 高敏检测试剂盒Thermo Fisher ScientificQ32851DNA定量
R（版本 4.1.2）R Foundationhttps://www.r-project.org/统计计算
沙门氏菌抗血清试剂盒Statens Serum Institute60898O/H抗原检测
SeqSero开源https://github.com/denglab/SeqSero血清型预测
SeqSero2开源https://github.com/denglab/SeqSero2血清型预测
SeqSero2S开源https://github.com/denglab/SeqSero2s血清型预测
SISTR开源https://github.com/phac-nml/sistr_cmd血清型预测
SPAdes（版本 3.15.0）开源https://github.com/ablab/spades基因组组装
Swarm 琼脂培养基BD Biosciences211519用于血清型鉴定孵育
TBS-380 荧光计Turner BioSystemsP/N 3800-003DNA定量
VITEK 2 Compact 系统BioMérieux95061-768自动化微生物鉴定系统

参考文献

  1. GBD 2017 Non-Typhoidal Salmonella Invasive Disease Collaborators. The global burden of non-typhoidal Salmonella invasive disease: a systematic analysis for the Global Burden of Disease Study 2017. Lancet Infect Dis. 19 (12), 1312-1324 (2019).
  2. Selim, S. A. A comprehensive review of antibiotic susceptibility patterns in strains isolated from food. J Pure Appl Microbio. 19 (2), 818-833 (2025).
  3. Shen, Y., et al. Genomic investigation of Salmonella enterica serovar Welikade from a pediatric diarrhea case first time in Shanghai, China. BMC Genomics. 25 (1), 604(2024).
  4. Pulford, C. V., et al. Global diversity and evolution of Salmonella enterica serovar Panama: a genomic epidemiology study. Lancet Microbe. 6 (9), 101150(2025).
  5. Hong, H., et al. Genetic characterization and in silico serotyping of 62 Salmonella enterica isolated from Korean poultry operations. BMC Genomics. 26 (1), 166(2025).
  6. Kitchens, S. R., Wang, C., Price, S. B. Bridging classical methodologies in Salmonella investigation with modern technologies: a comprehensive review. Microorganisms. 12 (11), 2249(2024).
  7. Uelze, L., et al. Performance and accuracy of four open-source tools for in silico serotyping of Salmonella spp. based on whole-genome short-read sequencing data. Appl Environ Microbiol. 86 (5), e02265-e02319 (2020).
  8. Wang, B. X., et al. High-throughput fitness experiments reveal specific vulnerabilities of human-adapted Salmonella during stress and infection. Nat Genet. 56 (6), 1288-1299 (2024).
  9. Kumar, S., Kumar, Y., Kumar, G., Kumar, G., Kasana, D. A highly drug-resistant Salmonella enterica serovar Weltevreden of human origin from India and detection of its virulence factors. Indian J Microbiol. 65 (3), 1384-1394 (2025).
  10. Lu, Y., et al. Advances in whole genome sequencing: methods, tools, and applications in population genomics. Int J Mol Sci. 26 (1), 372(2025).
  11. Mukherjee, S., et al. Increasing frequencies of antibiotic resistant non-typhoidal Salmonella infections in Michigan and risk factors for disease. Front Med (Lausanne). 6, 250(2019).
  12. Yachison, C. A., et al. The validation and implications of using whole genome sequencing as a replacement for traditional serotyping for a national Salmonella reference laboratory. Front Microbiol. 8, 1044(2017).
  13. Zhang, S., et al. Salmonella serotype determination utilizing high-throughput genome sequencing data. J Clin Microbiol. 53 (5), 1685-1692 (2015).
  14. Zhang, S., et al. SeqSero2: rapid and improved Salmonella serotype determination using whole-genome sequencing data. Appl Environ Microbiol. 85 (23), e01746-e01819 (2019).
  15. Deng, X., et al. Salmonella serotypes in the genomic era: simplified Salmonella serotype interpretation from DNA sequence data. Appl Environ Microbiol. 91 (3), e0260024(2025).
  16. Cui, Q., et al. Characterization and implications of the regionally prevalent ST8333 strains of Salmonella enterica serotype 4,[5],12:i: - China, 2017-2023. China CDC Wkly. 6 (47), 1232-1235 (2024).
  17. Yoshida, C. E., et al. The Salmonella In Silico Typing Resource (SISTR): an open web-accessible tool for rapidly typing and subtyping draft Salmonella genome assemblies. PLoS One. 11 (1), e0147101(2016).
  18. Ikeuchi, S., et al. Molecular epidemiological analysis of Salmonella Schwarzengrund isolated in Japan by newly developed multi-locus variable-number tandem repeat analysis method. Lwt. 207, 116593(2024).
  19. Kong, X., et al. Emergence of extensively drug-resistant Salmonella Kentucky ST198 in Southwest China. J Glob Antimicrob Resist. 43, 264-270 (2025).
  20. Davedow, T., et al. PulseNet international survey on the implementation of whole genome sequencing in low and middle-income countries for foodborne disease surveillance. Foodborne Pathog Dis. 19 (5), 332-340 (2022).
  21. Xian, Z., et al. Subtyping evaluation of Salmonella Enteritidis using single nucleotide polymorphism and core genome multilocus sequence typing with nanopore reads. Appl Environ Microbiol. 88 (15), e0078522(2022).
  22. Liu, C. C., Hsiao, W. W. L. Machine learning reveals the dynamic importance of accessory sequences for Salmonella outbreak clustering. mBio. 16 (3), e0265024(2025).
  23. Fourteenth external quality assessment for Salmonella typing. , European Centre for Disease Prevention and Control. ECDC, Stockholm. (2025).
  24. Gomes, E., et al. Advances in whole genome sequencing for foodborne pathogens: implications for clinical infectious disease surveillance and public health. Front Cell Infect Microbiol. 15, 1593219(2025).
  25. Zhou, L., et al. Antimicrobial resistance and genomic investigation of Salmonella isolated from retail foods in Guizhou, China. Front Microbiol. 15, 1345045(2024).
  26. Zuo, H., et al. Comparative genomic and antimicrobial resistance profiles of Salmonella strains isolated from pork and human sources in Sichuan, China. Front Microbiol. 16, 1515576(2025).
  27. Feehan, J. M., et al. Purification of high molecular weight genomic DNA from powdery mildew for long-read sequencing. J Vis Exp. (121), e55463(2017).
  28. Jolley, K. A., Bray, J. E., Maiden, M. C. J. Open-access bacterial population genomics: BIGSdb software, the PubMLST.org website and their applications. Wellcome Open Res. 3, 124(2018).
  29. Yang, L., et al. Phylogeny and divergence of the 100 most common Salmonella serovars available in the NCBI Pathogen Detection database. Front Microbiol. 16, 1547190(2025).
  30. Zuo, H., et al. High-altitude exposure decreases bone mineral density and its relationship with gut microbiota: results from the China multi-ethnic cohort (CMEC) study. Environ Res. 215 (Pt 2), 114206(2022).
  31. Arrieta-Gisasola, A., et al. Genotyping study of Salmonella 4,[5],12:i:- monophasic variant of serovar Typhimurium and characterization of the second-phase flagellar deletion by whole genome sequencing. Microorganisms. 8 (12), 2049(2020).
  32. De Sousa Violante, M., et al. Genomic diversity of Salmonella Typhimurium and its monophasic variant in pig and pork production in France. Microbiol Spectr. 12 (12), e0052624(2024).
  33. Kong, X., et al. Phenotypic and genotypic characterization of Salmonella Enteritidis isolated from two consecutive food-poisoning outbreaks in Sichuan, China. J Food Safety. 43 (1), e13015(2022).
  34. Hong, W., et al. Integrating serotyping, MLST, and phenotypic data: decoding the evolutionary drivers of Salmonella pathogenicity and drug resistance. Appl Environ Microbiol. 91 (10), e0151125(2025).
  35. Lin, A., et al. Targeted next-generation sequencing assay for direct detection and serotyping of Salmonella from enrichment. J Food Prot. 87 (4), 100256(2024).
  36. van den Berg, O. E., et al. Ongoing increase in autochthonous Salmonella Enteritidis infections, the Netherlands, June 2023 to June 2025. Euro Surveill. 30 (30), 2500536(2025).
  37. Li, X., Oladeinde, A., Rothrock, M. Jr, Chung, T. J., Ghazi Al Hakeem, W. Using core genome and machine learning for serovar prediction in Salmonella enterica subspecies I strains. FEMS Microbiol Lett. 372, fnaf040(2025).
  38. Krüger, G. I., et al. Adaptive signatures of emerging Salmonella serotypes in response to stressful conditions in the poultry industry. Lwt. 215, 117188(2025).
  39. Gou, J., et al. Microbial biomarkers and sex-associated gut microbiota characteristics of thyroid cancer. BMC Cancer. 25, 1688(2025).
  40. Meng, J., et al. Medical laboratory data-based models: opportunities, obstacles, and solutions. J Transl Med. 23 (1), 823(2025).
  41. Wu, X., et al. Evaluation of multiplex nanopore sequencing for Salmonella serotype prediction and antimicrobial resistance gene and virulence gene detection. Front Microbiol. 13, 1073057(2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

MLST

相关文章