研究背景

随着高通量测序技术的快速发展和测序成本的持续下降，微生物组研究在过去十年迎来了前所未有的增长浪潮。无论是在人体健康、农业生产，还是环境监测与生态保护等领域，微生物组数据都在以前所未有的规模被采集和积累 [1]。这些数据类型涵盖了扩增子测序、宏基因组测序、宏转录组、代谢组以及多组学整合数据，既包含基因序列、功能注释等基础信息，也反映了从个体到群落结构的多层次特征 [2]。
为了充分挖掘这些海量数据的科研与应用价值，国内外团队相继构建了不同类型的微生物组数据库与在线分析平台 [3,4]。例如，MG-RAST、QIITA 等国际平台在数据存储、流程自动化、交互式可视化及开放共享方面已形成较为成熟的技术体系；中国国家微生物数据中心在数据整合、标准化及公共服务能力上也做出显著贡献 [5]。
然而，这些平台的建设思路、技术框架和功能侧重点存在差异，大多数聚焦于人类健康 [6,7]、植被培养 [8,9]或广义环境样本 [10]，而面向特定生态系统或特殊宿主群体（如野生动物、极端环境微生物）的数据库仍较为分散。这类专向平台的建设不仅涉及常规的数据存储与分析需求，还需应对特定场景下的数据处理难点 [11]，并在功能设计上兼顾生态学研究、生物多样性保护等应用目标 [12,13]。这些关键性目标与维度差异会直接影响数据库平台的设计重点。例如野生动物样本往往来源分散且依赖机会性采样，数据来自不同地区、不同项目与不同测序策略，导致数据来源链条更复杂、元数据字段更不统一，从而对数据溯源标识、标准化映射与跨项目整合提出更高要求。而野生动物的宿主物种多样、生态位差异显著，样本类型（如粪便、皮肤、口腔等）与环境背景高度异质，使得平台需要更强调以宿主分类信息与生态背景为核心的组织方式，以支持跨物种与跨生态位的对照分析，同时需要更灵活地支持分层描述与不确定信息的保留。此外，涉及野外采样、濒危物种或跨境数据共享时，常伴随伦理审批与敏感信息管理需求，这要求平台在开放共享与合规访问之间取得平衡，并在权限控制与数据使用记录方面具备更清晰的机制。
基于此，本文在系统梳理现有微生物组数据库平台建设经验的基础上，从数据组织与标准化策略、平台技术架构设计以及未来技术等方面，对微生物组数据库平台的建设方法进行综合性总结。本文关注的核心在于归纳具有可迁移性的技术思路与实现经验，而非呈现具体的生物学分析结论。以Wildlife High-quality Metagenome-assembled Genomes database (WHMAGs)平台为案例，本文进一步说明上述设计思路在野生动物微生物组数据库场景中的实际应用方式，为相关平台的规划与实施提供参考。

1. 已有微生物组数据库概览
国际上，已有多个微生物组数据库在科研界广泛使用，并在数据整合、分析流程和可视化等方面形成了成熟体系。其中，MG-RAST [14] 自2007年上线以来，已发展为全球访问量最高的宏基因组分析与存储平台之一，支持16S、宏基因组和宏转录组等多类型数据，提供从质控、组装到功能注释和可视化的端到端分析流程。其模块化架构和稳定的云端服务为用户带来了高效体验，但由于流程参数和版本差异，跨项目结果的可比性仍存在一定限制，且在宿主生态关系等特定可视化需求方面支持不足。QIITA [15] 平台自发布以来以元数据驱动的跨项目比较功能著称，支持多种扩增子和宏基因组数据类型，尤其适用于多环境、多宿主的综合研究。然而，其在特殊场景特有本体覆盖和深度功能注释方面仍需借助外部工具。Earth Microbiome Project作为国际合作项目，通过标准化采样、扩增、测序与数据处理，为跨环境的微生物组比较奠定了全球基线，但对宿主层面的精细化元数据采集覆盖相对有限。GOLD v10.0 [16] 数据库则作为基因组与宏基因组项目的权威索引，具备强大的项目追踪和溯源能力，但自身不提供端到端分析流程。Human Microbiome Project在 2010–2019 年间推动了人体不同体位微生物组的系统性描绘，奠定了人类微生物组研究的参照框架，但范式难以直接迁移至野外和多宿主场景。此外，面向动物的AMDB整合了467种动物的16S数据，适合开展宿主到微生物的宏观比较，但功能注释整合仍有限；MetaboAnalyst v6.0 [17] 则是代谢组领域的全球知名分析平台，可与微生物组数据联合分析，然而其并非专门的微生物组数据库。

表1. 国际主流微生物组数据库平台

中国在微生物组数据库建设方面也取得了显著进展。国家微生物数据中心自2019年成立以来，整合了基因组、宏基因组、宏转录组和代谢组等多类型数据，提供数据托管、标准化处理和在线分析服务，是国内访问量最高的综合性平台之一，且保持长期不断地更新中。CRAMdb [18] 则在动物微生物组成与功能的整合方面表现突出，能够支持跨研究的功能富集分析，但野外样本覆盖不足，程序化访问能力有限。GMrepo [19,20] 聚焦人类肠道微生物组的可重复分析，功能注释和疾病相关查询便利，但对诸如野生动物等专项研究的直接支持有限。Animal-APAdb [21] 专注于动物RNA-seq数据的可变多聚腺苷酸化调控信息，从宿主转录调控的角度补充了组学数据，但并非直接的微生物组数据库，需要与宏基因组或宏转录组数据平台结合才能发挥综合作用。而ADDAGMA [22] 面向猪、牛、马、鸡等家养动物，聚焦宏基因组与表型关联，对农业与畜牧业研究意义重大，但在生态多样性与野生动物数据覆盖上存在不足。

表2. 中国主流微生物组数据库平台

综上，现有国内外微生物组数据库平台在数据整合与分析流程方面已具备一定成熟度，但受制于研究对象和研究目标的差异，在样本覆盖、宿主生态信息整合以及元数据标准化等方面仍存在不足 [23]。面向特定研究对象构建高质量数据库，尤其是在野生动物等数据相对匮乏的领域，需要在整体技术框架设计中优先明确数据类型与来源，规范元数据采集要求，并结合国际通用标准开展系统化整合 [24]，以确保平台的可扩展性和跨领域适用性。在此基础上，本文以鲸偶蹄目这一具有代表性的野生动物类群为研究对象，探索在通用微生物组数据库体系下，如何通过更合理的数据组织与平台设计，更好地支撑野生动物微生物组研究需求。

2. 数据收集与整合
2.1 学术综述
构建高质量的微生物组数据库平台，首要环节是开展系统化的数据收集与整合。平台能否实现长期稳定运行并支持多样化的科学研究，取决于其在数据类型覆盖、元数据采集规范、数据来源广度以及标准化执行程度等方面的设计。
在数据类型方面，平台应根据建设目标和适用对象覆盖从结构到功能的多层次组学信息。这种多类型数据的集成不仅有助于全面解析微生物群落的组成与功能，还能为跨尺度的生态学和进化学研究提供支持。对于面向野生动物的数据库而言，尤其需要兼顾多组织类型、不同发育阶段及多健康状态的样本，以反映宿主到微生物关系的全貌 [11]。
元数据的采集与管理 [25] 直接决定了数据的可解释性和再利用价值。高质量的元数据应包含采样时间与地点、宿主物种信息、采样组织类型以及关键的环境参数。在野生动物研究中，精确地理坐标、栖息地特征及个体生态信息对于后续生态适应性分析尤为重要。
数据来源的多样化是确保数据库广度的重要保障 [26]。平台建设应综合利用公共数据仓库，从中获取原始测序数据及其元数据；同时收集已发表文献的补充数据，并与合作实验室建立数据共享机制，以获取尚未公开的原始数据。这种多渠道的数据获取方式不仅能够丰富样本类型与地理分布，还能提升数据库的学术价值和独特性 [27]。
除此之外，每个数据库平台都应在建设初期明确自身的数据结构设计与数据质量控制规范，并将相关标准文档对使用者公开 [26]。这不仅包括对不同数据类型的格式约束和字段定义，也涵盖从数据上传、元数据填写到质量评估的全流程要求，并根据研究领域需求进行动态更新。清晰的结构与规范能够确保平台内部数据的一致性与可检索性，同时便于后续的跨平台对接与项目间比较分析。对于面向特定研究对象的数据库，还应在通用结构的基础上增加相应的扩展字段，以反映目标领域的特征信息，提升数据的科学价值与再利用潜力。
系统化的数据收集与整合不仅是微生物组数据库平台构建的起点，也是决定其科学价值与持续生命力的核心环节。基于明确的数据类型框架、全面且标准化的元数据体系、多元化的数据来源以及严格的质量控制，方能为后续的技术框架设计、数据分析流程及可视化展示奠定坚实基础。
2.2 实践提示
a. 数据类型管理：建议目录结构中为扩增子、宏基因组、宏转录组等数据分别建独立文件夹，并区分raw/与processed/，保证数据可追溯。
b. 数据获取：公共数据推荐使用SRA Toolkit下载，文献补充数据需建立记录表（DOI、下载链接、样本数等信息）。
c. 元数据管理：建立统一的Excel/CSV模板（如SampleID、Host、Tissue、Location、Date等），并用Python或R脚本进行自动校验。
d. 版本控制：可采用Git LFS/DVC管理大规模数据文件，确保数据更新可追溯。

3. 数据库平台的技术框架
高质量的微生物组数据库平台通常需要在数据存储与管理、数据处理与分析、高性能计算与调度以及前端展示与用户交互四个层面形成稳定、可扩展的技术体系。不同平台的技术选型不仅受数据规模与类型的影响，还与平台的功能定位、目标用户群和性能需求密切相关。
3.1 数据存储与管理
3.1.1 学术综述
微生物组数据库需长期保存从原始测序数据到多层次注释结果，并在高并发访问下提供稳定、可追溯的检索能力。关系型数据库（RDBMS）是主流选择，其优势包括完善的事务与一致性保障、成熟的索引与优化机制，以及对复杂多表联结和统计查询的良好适配。由于微生物组元数据具有强模式、强关联的特点，关系型设计更有利于实现数据质量控制、谱系追溯与结果复现。例如，AMDB [28] 基于MySQL和Spring构建关系型存储与服务架构，既能支持复杂SQL的多条件组合检索，又能在模式演进中保持数据一致性。
对于海量文件与非结构化数据，平台通常采用分布式文件系统或对象存储承载原始序列和中间结果，并将核心可检索元数据存放在关系型数据库中，形成“文件存储承载数据、RDBMS承载索引”的分层结构。为提升跨字段、模糊与全文检索性能，Elasticsearch 常作为加速层接入。例如，CRAMdb [18] 将Elasticsearch与Django后端结合，实现物种名、功能分类与宿主信息的毫秒级检索，满足跨物种的大规模查询需求。
而非关系型数据库（NoSQL）更多用作辅助手段，存储半结构化或文档型结果以增强灵活性。在该领域，纯NoSQL作为唯一事实库的情况较少，原因在于其对复杂联结、强一致事务及跨表约束的支持不足，不利于大规模元数据治理与可重复性研究。因此，多数平台采取关系型与非关系型结合的策略。例如，gcMeta [29] 使用PostgreSQL管理元数据与用户信息，MongoDB非关系型数据库存储测序数据索引，并通过Docker部署分析工具与工作流，实现高性能的数据管理与调度。少数例外如BioSamples [30] 将核心数据库直接替换为MongoDB，并在多数据中心进行跨站点复制，结合新设计的索引机制与RESTful API，大幅提升了检索速度与可编程访问能力。除此之外，一些平台还采用图形数据库作为主要数据库。图数据库通过节点和的结构表示数据及其关系，天然适合存储和分析具有高度关联性的生物信息。与传统关系型数据库依赖多表联结不同，图数据库能以更直观的网络形式呈现实体及其关联，并支持高效的路径搜索与模式识别，尤其适用于泛基因组结构、代谢网络、信号通路等复杂生物体系的数据管理与可视化 [31]。人类泛基因组参考联盟 [32] 采用基于图的参考结构，将不同个体的单倍型组装整合为统一的坐标体系，用于全面表示单核苷酸变异（SNV）、结构变异（SV）及功能元件信息。这种图结构在保留与线性参考基因组兼容性的同时，提升了变异检索与可视化能力，为跨人群比较和精准医疗提供了基础支持。Reactome [33] 则通过网络化数据模型描述分子转化过程，将基因、蛋白质、代谢物及其相互作用组织为可查询、可视化的有向网络，方便对多组学数据进行整合分析，并辅助发现新型功能关系。此外，biochem4j [34] 基于Neo4j图数据库，将分类学、酶、化学反应和化学物质等多种数据类型整合为互联的节点网络，并关联UniProt、KEGG、ChEBI等外部资源，支持跨领域的复杂查询与交互式网络展示。
在容器化与弹性扩展方面，MicroEXPERT [28] 通过Docker编排实现 MySQL与文件存储解耦，既保证了元数据存储的稳定与一致，又方便在计算和存储侧进行快速横向扩容。总体来看，以关系型数据库为“事实与约束中枢”，对象/分布式存储为“大文件底座”，全文检索为“加速层”的分层方案，已成为平衡一致性、性能与可扩展性的通行模式。
3.1.2 实践提示
a. 数据库核心：推荐使用MySQL管理元数据，保证数据一致性与复杂查询能力。
b. 大文件存储：原始FASTQ/FASTA建议放在对象存储（MinIO、AWS S3）或分布式文件系统（HDFS）中，与关系型数据库分层管理。
c. 全文检索：针对物种名、功能分类、宿主信息等高频模糊查询，可用Elasticsearch/OpenSearch作为索引加速层。
d. NoSQL应用：仅在需要存储半结构化结果（如JSON注释、网络节点属性）时引入MongoDB等，避免作为唯一事实库。
e. 部署建议：小规模可用Docker Compose；大规模或高并发需求推荐Kubernetes，支持横向扩展。
3.2 数据处理与分析
3.2.1 学术综述
数据处理和可视化功能并非所有微生物组数据库的必备组成部分，尤其对于以数据存储与共享为核心服务的平台而言，但集成分析功能正逐渐成为趋势。这类平台能够提供从数据导入、质控、组装到功能注释与结果展示的端到端支持，降低对本地计算资源和命令行经验的依赖，提高数据可用性与科研效率。
在自动化与可重复性方面，主流平台多采用如Nextflow、Snakemake等工作流管理工具用于调度分析任务，实现流程模块化管理、断点续跑、版本追踪和跨平台迁移。例如，PhaGAA [35] 集成PHANOTATE、CheckV、FastANI 等多款病毒基因组分析工具，并通过后端脚本实现“一键化”基因组注释，显著减少初学者的配置与使用成本。
部分平台在模块化设计上将功能注释与可视化等环节拆分为可独立运行的模块，便于维护和升级，也方便用户按需调用。例如，AnimalMetaOmics [36] 采用多模块架构，将宏基因组、宏转录组等多组学数据分析封装为独立单元，使不同类型数据能在统一框架下灵活组合，实现跨组学综合解析。
而从近些年微生物相关数据库所展现出来的发展趋势来看，越来越多平台开始提供丰富的集成交互式展示工具，使用户可直接在线探索结果。例如，ImageGP 2[37] 提供17种交互式图表，包括热图、散点图、PCoA 图和维恩图，支持浏览器端的筛选与展示，从而提升结果解读的直观性与效率。Phytozome [9] 使用多种可视化组件来丰富其平台，包括但不限于使用Gbrowse在基因组环境中可视化特征，使用Jalview用于多谱分析和系统发育树等。
3.2.2 实践提示
a. 工作流管理：推荐使用 Nextflow（适合 HPC/云环境，支持容器化）或 Snakemake（适合中小规模任务），保证流程自动化与可重复性。
b. 模块化设计：将上传文件 → 自定义参数 → 可视化拆分为独立模块，便于更新与维护。
c. 容器化工具：将分析工具（如 FastQC、SPAdes、eggNOG-mapper）打包为 Docker/Singularity 镜像，保证环境一致性。
d. 可视化支持：平台可内置基础图表（柱状图、热图、PCA），高级需求可对接 Plotly/ECharts 等交互式库。
e. 用户友好性：为非生物信息学背景用户提供一键运行入口，并在结果页集成下载按钮，减少命令行依赖。
3.3 高性能计算与资源调度
3.3.1 学术综述
微生物组数据库平台的计算与存储基础设施设计，直接影响到数据处理效率与服务的稳定性。对于计算密集型分析任务，例如大规模宏基因组装配、序列比对以及系统发育分析，本地高性能计算集群依然是常用方案之一。以BV-BRC [38] 为例，该平台基于SolrCloud分布式架构构建全文索引与高性能检索系统，部署于由24个Solr节点组成的集群环境中，运行在六台以上物理服务器之上。每台服务器配备 Xeon（R）Gold 6248 CPU（2.50 GHz，80核心）、790 GB内存及10 TB SSD存储。该架构能够支持超过1亿条基因组特征的高并发访问，同时确保结构化元数据与序列数据的快速响应。
另一方面，云计算环境因其弹性扩展和全球可访问性，逐渐成为应对用户数量增长与访问分布分散的重要手段。IRD [6] 在2016年迁移至Amazon Web Services后，数据库查询速度提升约两倍，复杂分析任务加速约六倍，并显著提高了系统可用性和稳定性。同时，IRD还与CIPRES 高性能计算网关集成，为用户提供云端提交大规模系统发育分析任务的选项，并通过API自动回传结果，提高了计算的灵活性和可用性。
在硬件部署策略上，小型科研团队往往倾向于单机或少量节点部署，配合轻量级云服务；而面向国际的公共数据库平台则倾向于构建大规模HPC集群，结合分布式文件系统和多级缓存机制，以平衡高并发访问与海量数据计算的需求。

表3. 不同规模微生物组数据库平台的服务器建设建议

3.3.2 实践提示
a. HPC 部署：科研机构内部平台可基于 Slurm 调度系统管理集群.
b. 云端部署：若面向国际用户，推荐使用 AWS/Azure/阿里云等公有云，利用其弹性扩展和分布式存储能力。
c. 容器化：将分析工具打包为Docker镜像，在HPC中运行时可转换为 Singularity镜像，确保环境一致。
d. 混合架构：常用模式是本地 HPC跑重计算任务与云端提供检索与可视化服务。
e. 资源监控：通过Prometheus与Grafana搭建监控系统，实时跟踪CPU、内存、I/O使用情况，预防资源瓶颈。
f. 弹性扩展：对于高并发用户访问，推荐使用Kubernetes水平扩展，自动增加/减少服务副本。
3.4前端展示与用户交互
3.4.1 学术综述
前端设计是连接数据库与用户的核心环节，其质量直接决定了数据可访问性与分析效率。不同平台在技术框架、可视化能力及交互功能上各有侧重，但主流做法是基于现代Web框架，如Vue.js、React、Shiny等构建模块化、可扩展的界面，同时集成交互式数据可视化工具，实现从检索到分析的一体化工作流。
例如，HumanMetagenomeDB [7] 使用 R 语言的 Shiny 框架实现标签式布局，将功能分为“快速搜索”“高级搜索”“交互式地图”等模块。交互式地图不仅可按地理位置筛选样本，还支持绘制多边形或矩形直接选择区域内样本，并在地图下方即时显示对应元数据，用户可进一步过滤并下载结果。GOLD v7.0 [39] 则在高级搜索的基础上开发了可下载的全球生物样本分布图，允许用户将筛选结果转化为地图形式，便于在出版物和汇报中直接引用。
除了数据检索与地图功能，前端还承担了结果可视化的重要任务。EasyPubPlot作为面向多组学数据的Web应用，强调“无需编码”的可视化生成，用户可通过少量操作获得可直接用于发表的火山图、热图、箱线图等，并配备分步教程以降低学习成本。这类设计解决了科学可视化工具常见的学习曲线陡峭、可定制性不足的问题。相比之下，AnimalMetagenome DB [28] 和 MicroEXPERT [40] 则更强调在浏览器端集成PCA、相关性热图、网络图等多类型的交互式图表，并结合分类树、功能组成图等模块，以适应不同研究场景下的探索需求。
3.4.2 实践提示
a. 前端框架选择：小型科研项目使用Shiny（R），快速实现表单式界面与可视化；中大型平台使用Vue.js/React，配合 REST API 或 GraphQL，支持复杂交互与组件化开发。
b. 可视化工具：网页端的基础交互推荐Plotly/ECharts；更为复杂的系统发育树、网络图等可使用D3.js/Highcharts。
c. 交互功能设计：需要包含可提供多条件筛选的样本检索功能；支持交互式地图的空间分布，允许用户通过绘制区域选择样本；并提供缩放、筛选、导出功能等动态可视化。
d. 用户体验优化：可在界面中加入 数据导出按钮（CSV/JSON）。并提供 可视化参数调整界面，让用户选择色彩、维度等，降低对脚本的依赖；保留帮助文档或教程入口，支持非计算机背景用户快速上手。

4. 野生动物微生物组数据库平台的建设思路
一个高质量的微生物组数据库平台并不是单一技术或功能的堆砌，而是贯穿数据获取、加工、存储、分析、展示与长期运维的系统工程。建设思路的第一步，是在明确平台目标的基础上定义数据范围与服务对象。不同的目标定位将直接影响数据采集的深度与广度。例如，面向基础科研的平台应强调多样性与完整性，涵盖不同来源、不同类型的微生物组数据；而面向特定应用领域的平台，则可聚焦于特定物种、环境或功能模块，确保在关键数据上的精细化管理与深度注释。以野生动物微生物组为例，数据库设计不仅要考虑常规的物种多样性，还需结合宿主分类信息、地理分布、保护等级等生态学属性上做“场景强化”，从而支持生物多样性保护、疾病监测及生态适应性研究。
围绕野生动物场景构建微生物组数据库，核心是把“面向对象的数据特征”与“可持续的平台工程”统一起来。这里将以WHMAGs数据库平台为例提供从“数据”到“功能”的建设平台思路。需要说明的是，本节所述建设思路与流程示例主要针对平台侧的数据组织、架构设计与功能实现，不涉及原始测序数据的预处理、组装与注释流程。
WHMAGs是一个聚焦于野生动物高质量宏基因组资源的一站式平台，提供覆盖标准化数据浏览下载与交互式结果展示的整体平台服务能力，同时为非编程用户降低使用门槛，支持可扩展的多物种研究场景。该平台以鲸偶蹄目为首批测试数据，验证功能模块与交互设计，但底层架构面向更广泛的野生动物类群而构建，强调模块化与可拓展性，从而兼顾当下可用与未来扩展。
在数据获取和处理环节，平台采用基于公开宏基因组项目的宏基因组及配套元数据，首批纳入座头鲸、长须鲸、林麝、马鹿、藏羚羊等典型物种，采样部位覆盖瘤胃与肠道等关键生态位，兼容部分非鲸偶蹄类样本以验证通用性。在现有微生物组数据库建设中，分析流程与数据库服务通常采用解耦的分工模式，即平台侧主要负责数据存储、检索与结果展示，而宏基因组的组装与注释流程多在平台外完成。WHMAGs延续这一通行做法，在平台侧不强制统一分析流程，而是接入经合作团队基于成熟流水线处理后 [41] 的宏基因组数据与结果，使用户能够在无需重复构建分析环境的情况下，直接获取经标准化整理的 MAGs 资源用于下游研究。
为增强数据质量的可解释性与跨项目可比性，平台在接入阶段依据宏基因组研究中广泛采用的质量评估原则，对 MAGs 结果进行分级标注，将完整度不低于 90%且污染度不高于 5% 的结果标记为高质量 MAGs，将完整度不低于 50%且污染度不高于 10% 的结果标记为中等质量 MAGs。低质量MAGs（完整度低于 50%或污染度高于 10% ）不纳入结果的整理与分析中。所有样本均来自 NCBI 等公开来源并采用统一标准化策略，以保证数据的可复用性与跨项目可比性；原始测序数据的质量控制在服务器端按统一流程完成，平台侧最终入库的数据对象以经质量分级标注的 MAG 结果及其对应的功能注释概要和样本元数据为核心。平台当前采用人工审核与批次更新相结合的数据入库方式，在保证数据一致性与可追溯性的前提下，支持后续样本与分析结果的持续扩充。

表4. WHMAGs平台样本标准化处理

WHMAGs在存储层方面为延续“关系库承载索引/约束、对象/文件存储承载大文件、搜索引擎加速检索”的分层思想，以支撑高并发访问下的稳定与可追溯，WHMAGs使用最普遍易用的MySQL作为存储数据库，Elasticsearch作为索引加速。而在技术架构层面则采用前后端分离架构，前端基于Vue3构建交互界面；后端以Spring Boot为核心，结合ProcessBuilder调用模块化R分析脚本与交互式图形组件，形成“参数配置—任务调度—结果回传—图形导出”的闭环。
在交互设计上，平台特别强调易用性和可配置性。用户在浏览器端即可完成分组变量选择、统计阈值与配色设定等，前端触发后端脚本计算并即时回传结果，用户可在浏览器中探索不同参数设置下的结果。平台还利用Plotly转化JSON格式，提供用户基于浏览器的科研交互功能。此外，平台进一步强调用户体验，例如在Species Annotation模块中，若比较组间无显著差异，系统会自动弹窗提示用户调整阈值，而不是输出空白图表。这种参数可视化与动态反馈机制，可以显著降低非计算机背景研究者的使用门槛。
在数据方面的可视化设计上，WHMAGs采用交互式地图与分类树等空间与谱系视角的结合，帮助用户在“地理—分类—功能”多尺度上探索宿主—微生物关联模式。平台首先通过后端数据库对样本数、物种覆盖范围和地理分布等核心指标进行实时统计。结果通过REST API提供给前端，前端再利用Vue3与ECharts将这些统计结果转化为柱状图、饼图与卡片式可视化。平台还采用D3.js渲染交互式系统发育树，用户可以展开或折叠不同层级，并在树与地理分布图之间实现联动。
目前 WHMAGs平台部署在高性能计算平台上，依托管理节点、计算节点与存储节点组成的集群架构运行。该平台包含720个计算核心和超过2TB内存资源，并配备约200TB的集中式存储系统，能够同时支持大规模宏基因组数据的存储与并行计算。平台运行环境基于CentOS 7.6，并通过Docker容器化方式管理分析流程与依赖软件，从而实现可扩展、可维护的数据库服务。

表5. WHMAGs 平台的软件环境与运行依赖（V1.0）

截至2025年8月24日，平台监控中心统计显示，WHMAGs已整合175个样本、2085个宏基因组数据条目，覆盖29个物种、14个国家和23个地区。当前发布的V1.0版本作为平台建设的第一阶段成果，已完成核心数据内容的整理与主要功能模块的实现，相关宏基因组数据与分析结果已统一存储于平台中，平台功能与交互流程已在团队内部环境中稳定运行。需要说明的是，本文的重点是论述数据库平台的构建方案，为同行提供数据化平台思路，因此本文不对其生物学结论进行展开讨论。后续版本将面向公开部署，并随着相关研究成果的正式发表及数据持续扩充，逐步纳入经过完整验证的分析结果，以支持更广泛的生态研究与跨物种比较应用。
以WHMAGs平台为例，可以看到一个高质量的微生物组数据库建设并非单纯的功能拼接，而是一个从数据到架构再到用户体验的整体工程。在这一过程中，数据层面的规范化和多样性保障了平台的科学价值，技术架构的分层与容器化则确保了可扩展性与稳定性，而前端交互和可视化的优化设计最终决定了研究者能否便捷高效地利用平台资源。特别是在野生动物场景下，WHMAGs强调将宿主分类、地理分布和生态信息纳入元数据体系，结合交互式地图和分类树，实现了从空间、谱系到功能的多维探索。这一经验表明，微生物组数据库的建设既要立足于普适的技术框架，又要结合特定研究对象的需求进行场景化强化。通过这种思路，平台不仅能在当前研究中发挥作用，也能为未来的数据扩展与跨领域合作提供稳固的基础。

5. 未来发展与挑战
随着多组学技术、计算基础设施和数据共享机制的不断进步，微生物组和其数据库的建设与应用正面临新的机遇与挑战 [42]。未来的发展方向可以从数据规模、多模态融合、智能化分析以及开放协作等方面展开。
数据规模的持续扩张将推动数据库从单一组学向多组学、跨尺度数据的整合发展。宏基因组、宏转录组、宏蛋白组、宏代谢组等不同层次的数据在同一平台上的融合，不仅可以更全面地解析微生物群落的结构与功能，还能为系统生物学和精准医学研究提供更丰富的参考 [43]。然而，这种融合带来数据存储与计算需求的指数级增长，对数据标准化、跨模态注释和可视化能力提出了更高要求。其次，人工智能与机器学习方法的引入，将推动数据库从被动存储向主动知识发现转变 [44]。通过对大规模元数据和功能注释结果进行模式挖掘，平台可以在宿主-微生物互作、功能预测和疾病风险评估等方面提供智能化推断与辅助决策。与此同时，模型的可解释性、训练数据的代表性以及算法在不同生态系统间的可迁移性，仍是需要重点关注的研究问题[45]。
在技术架构层面，云原生与容器编排技术将进一步提升平台的弹性与可扩展性，使其能够应对突发的高并发访问与批量计算任务 [46]。同时，开放数据与隐私保护之间的平衡将持续成为挑战。一方面，国际合作和数据共享对于微生物多样性保护、病原监测和生态系统研究至关重要 [47]；另一方面，涉及人类或濒危物种的微生物组数据往往伴随敏感信息，需要在合规框架下进行访问控制与数据脱敏 [26]。构建透明的权限管理体系与可追溯的数据使用记录，是平台可持续发展的必要条件。
从方法适用性的角度来看，以WHMAGs为基础总结的微生物组数据库建设思路在一定程度上具有跨研究领域的通用性，例如分层数据管理架构、标准化的数据组织流程以及容器化部署策略，均可为其他生态系统或多来源生物数据平台提供参考。然而，在野生动物微生物组等样本获取受限、研究项目高度分散的场景下，此类框架对数据一致性与跨项目可比性的依赖，往往受到现实条件的制约：一方面，样本数量有限且来源多样，使得统一的质量控制与元数据规范难以完全落实；另一方面，不同研究项目在采样策略与实验设计上的差异，也增加了跨数据集整合与比较的复杂性。此外，与宿主生态背景密切相关的数据组织方式和元数据设计，本质上依赖于对研究对象生物学特征的先验假设，其通用性因宿主类群、生态环境和研究目标的不同而显著受限，因此具体应用中需要根据不同研究对象进行针对性调整，而难以直接迁移。
未来，微生物组数据库将不仅是数据的存放地，更是知识生成、学科交叉和决策支持的重要平台。如何在数据规模、分析深度、技术弹性与可持续性之间找到平衡，将决定这一领域的发展速度与影响力。

致谢

该研究由中央高校基本科研业务费（XJJSKYQD202546），北京林业大学生态与自然保护学院学科交叉融合基金（BH2025-JX-04），中国博士后科学基金项目（2024M753580）资助。

利益冲突

作者声明不存在利益冲突。

参考文献

1. Berg, G., Rybakova, D., Fischer, D., Cernava, T., Vergès, M. C., Charles, T., Chen, X., Cocolin, L., Eversole, K., Corral, G. H., et al. (2020). Microbiome definition re-visited: old concepts and new challenges. Microbiome. 8(1): 103. https://doi.org/10.1186/s40168-020-00875-0
2. Arıkan, M. and Muth, T. (2023). Integrated multi-omics analyses of microbial communities: a review of the current state and future directions. Mol Omics. 19(8): 607–623. https://doi.org/10.1039/d3mo00089c
3. Lobanov, V., Gobet, A. and Joyce, A. (2022). Ecosystem-specific microbiota and microbiome databases in the era of big data. Environ Microbiome. 17(1): 37. https://doi.org/10.1186/s40793-022-00433-1
4. Gao, Y., Zhang, G., Jiang, S. and Liu, Y. (2024). Wekemo Bioincloud: A user‐friendly platform for meta‐omics data analyses. Imeta. 3(1): e175. https://doi.org/10.1002/imt2.175
5. Ma, L., Zou, D., Liu, L., Shireen, H., Abbasi, A. A., Bateman, A., Xiao, J., Zhao, W., Bao, Y., Zhang, Z., et al. (2022). Database Commons: A Catalog of Worldwide Biological Databases. Genom. Proteomics Bioinformatics. 21(5): 1054–1058. https://doi.org/10.1016/j.gpb.2022.12.004
6. Zhang, Y., Aevermann, B. D., Anderson, T. K., Burke, D. F., Dauphin, G., Gu, Z., He, S., Kumar, S., Larsen, C. N., Lee, A. J., et al. (2016). Influenza Research Database: An integrated bioinformatics resource for influenza virus research. Nucleic Acids Res. 45: D466–D474. https://doi.org/10.1093/nar/gkw857
7. Kasmanas, J. C., Bartholomäus, A., Corrêa, F. B., Tal, T., Jehmlich, N., Herberth, G., von Bergen, M., Stadler, P. F., Carvalho, A. C. P. d. L. F. d., Nunes da Rocha, U., et al. (2020). HumanMetagenomeDB: a public repository of curated and standardized metadata for human metagenomes. Nucleic Acids Res. 49: D743–D750. https://doi.org/10.1093/nar/gkaa1031
8. Lysenko, A., Hindle, M. M., Taubert, J., Saqi, M. and Rawlings, C. J. (2010). Data integration for plant genomics--exemplars from the integration of Arabidopsis thaliana databases. Briefings Bioinf. 11(2): 265–265. https://doi.org/10.1093/bib/bbq005
9. Goodstein, D. M., Shu, S., Howson, R., Neupane, R., Hayes, R. D., Fazo, J., Mitros, T., Dirks, W., Hellsten, U., Putnam, N., et al. (2011). Phytozome: a comparative platform for green plant genomics. Nucleic Acids Res. 40: D1178–D1186. https://doi.org/10.1093/nar/gkr944
10. Mitchell, A. L., Scheremetjew, M., Denise, H., Potter, S., Tarkowska, A., Qureshi, M., Salazar, G. A., Pesseat, S., Boland, M. A., Hunter, F. M. I., et al. (2017). EBI Metagenomics in 2017: enriching the analysis of microbial communities, from sequence reads to assemblies. Nucleic Acids Res. 46: D726–D735. https://doi.org/10.1093/nar/gkx967
11. Zhu, L. (2022). New challenges in the study of the evolution of wild animals and their gut microbiome. Ecol Evol. 12(5): e8904. https://doi.org/10.1002/ece3.8904
12. Corrêa, F. B., Saraiva, J. P., Stadler, P. F. and da Rocha, U. N. (2019). TerrestrialMetagenomeDB: a public repository of curated and standardized metadata for terrestrial metagenomes. Nucleic Acids Res. 48(D1): D626-d632. https://doi.org/10.1093/nar/gkz994
13. Ponsero, A. J., Bomhoff, M., Blumberg, K., Youens-Clark, K., Herz, N. M., Wood-Charlson, E. M., Delong, E. F. and Hurwitz, B. L. (2020). Planet Microbe: a platform for marine microbiology to discover and analyze interconnected ‘omics and environmental data. Nucleic Acids Res. 49: D792–D802. https://doi.org/10.1093/nar/gkaa637
14. Meyer, F., Paarmann, D., D'Souza, M., Olson, R., Glass, E., Kubal, M., Paczian, T., Rodriguez, A., Stevens, R., Wilke, A., et al. (2008). The metagenomics RAST server – a public resource for the automatic phylogenetic and functional analysis of metagenomes. BMC Bioinf. 9(1): 386. https://doi.org/10.1186/1471-2105-9-386
15. Gonzalez, A., Navas-Molina, J. A., Kosciolek, T., McDonald, D., Vázquez-Baeza, Y., Ackermann, G., DeReus, J., Janssen, S., Swafford, A. D., Orchanian, S. B., et al. (2018). Qiita: rapid, web-enabled microbiome meta-analysis. Nat Methods. 15(10): 796–798. https://doi.org/10.1038/s41592-018-0141-9
16. Mukherjee, S., Stamatis, D., Li, C. T., Ovchinnikova, G., Kandimalla, M., Handke, V., Reddy, A., Ivanova, N., Woyke, T., Eloe-Fardosh, E. A., et al. (2024). Genomes OnLine Database (GOLD) v.10: new features and updates. Nucleic Acids Res. 53: D989–D997. https://doi.org/10.1093/nar/gkae1000
17. Pang, Z., Lu, Y., Zhou, G., Hui, F., Xu, L., Viau, C., Spigelman, A. F., MacDonald, P. E., Wishart, D. S., Li, S., et al. (2024). MetaboAnalyst 6.0: towards a unified platform for metabolomics data processing, analysis and interpretation. Nucleic Acids Res. 52: W398–W406. https://doi.org/10.1093/nar/gkae253
18. Lei, B., Xu, Y., Lei, Y., Li, C., Zhou, P., Wang, L., Yang, Q., Li, X., Li, F., Liu, C., et al. (2022). CRAMdb: a comprehensive database for composition and roles of microbiome in animals. Nucleic Acids Res. 51: D700–D707. https://doi.org/10.1093/nar/gkac973
19. Wu, S., Sun, C., Li, Y., Wang, T., Jia, L., Lai, S., Yang, Y., Luo, P., Dai, D., Yang, Y. Q., et al. (2019). GMrepo: a database of curated and consistently annotated human gut metagenomes. Nucleic Acids Res. 48: D545–D553. https://doi.org/10.1093/nar/gkz764
20. Dai, D., Zhu, J., Sun, C., Li, M., Liu, J., Wu, S., Ning, K., He, L. j., Zhao, X. M., Chen, W. H., et al. (2021). GMrepo v2: a curated human gut microbiome database with special focus on disease markers and cross-dataset comparison. Nucleic Acids Res. 50: D777–D784. https://doi.org/10.1093/nar/gkab1019
21. Jin, W., Zhu, Q., Yang, Y., Yang, W., Wang, D., Yang, J., Niu, X., Yu, D. and Gong, J. (2020). Animal-APAdb: a comprehensive animal alternative polyadenylation database. Nucleic Acids Res. 49: D47–D54. https://doi.org/10.1093/nar/gkaa778
22. Xu, Y., Lei, B., Zhang, Q., Lei, Y., Li, C., Li, X., Yao, R., Hu, R., Liu, K., Wang, Y., et al. (2022). ADDAGMA: A database for domestic animal gut microbiome atlas. Comput Struct Biotechnol J. 20: 891–898. https://doi.org/10.1016/j.csbj.2022.02.003
23. Shaffer, J. P., Nothias, L. F., Thompson, L. R., Sanders, J. G., Salido, R. A., Couvillion, S. P., Brejnrod, A. D., Lejzerowicz, F., Haiminen, N., Huang, S., et al. (2022). Standardized multi-omics of Earth’s microbiomes reveals microbial and metabolite diversity. Nat Microbiol. 7(12): 2128–2150. https://doi.org/10.1038/s41564-022-01266-x
24. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J. W., da Silva Santos, L. B., Bourne, P. E., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Sci Data. 3(1): e18. https://doi.org/10.1038/sdata.2016.18
25. Musen, M. A., O’Connor, M. J., Schultes, E., Martínez-Romero, M., Hardi, J. and Graybeal, J. (2022). Modeling community standards for metadata as templates makes data FAIR. Sci Data. 9(1): e1038/s41597–022–01815–3. https://doi.org/10.1038/s41597-022-01815-3
26. Dorst, M., Zeevenhooven, N., Wilding, R., Mende, D., Brandt, B. W., Zaura, E., Hoekstra, A. and Sheraton, V. M. (2024). FAIR compliant database development for human microbiome data samples. Front Cell Infect Microbiol. 14: e1384809. https://doi.org/10.3389/fcimb.2024.1384809
27. Sengupta, P., Sivabalan, S. K. M., Mahesh, A., Palanikumar, I., Kuppa Baskaran, D. K. and Raman, K. (2023). Big Data for a Small World: A Review on Databases and Resources for Studying Microbiomes. J Indian Inst Sci. 103(3): 891–907. https://doi.org/10.1007/s41745-023-00370-z
28. Yang, J., Park, J., Jung, Y. and Chun, J. (2021). AMDB: a database of animal gut microbial communities with manually curated metadata. Nucleic Acids Res. 50: D729–D735. https://doi.org/10.1093/nar/gkab1009
29. Shi, W., Qi, H., Sun, Q., Fan, G., Liu, S., Wang, J., Zhu, B., Liu, H., Zhao, F., Wang, X., et al. (2018). gcMeta: a Global Catalogue of Metagenomics platform to support the archiving, standardization and analysis of microbiome data. Nucleic Acids Res. 47: D637–D648. https://doi.org/10.1093/nar/gky1008
30. Courtot, M., Cherubin, L., Faulconbridge, A., Vaughan, D., Green, M., Richardson, D., Harrison, P., Whetzel, P. L., Parkinson, H., Burdett, T., et al. (2018). BioSamples database: an updated sample metadata hub. Nucleic Acids Res. 47: D1172–D1178. https://doi.org/10.1093/nar/gky1061
31. Timón-Reina, S., Rincón, M. and Martínez-Tomás, R. (2021). An overview of graph databases and their applications in the biomedical domain. Database. 2021: e1093/database/baab026. https://doi.org/10.1093/database/baab026
32. Wang, T., Antonacci-Fulton, L., Howe, K., Lawson, H. A., Lucas, J. K., Phillippy, A. M., Popejoy, A. B., Asri, M., Carson, C., Chaisson, M. J. P., et al. (2022). The Human Pangenome Project: a global resource to map genomic diversity. Nature. 604(7906): 437–446. https://doi.org/10.1038/s41586-022-04601-8
33. Gillespie, M., Jassal, B., Stephan, R., Milacic, M., Rothfels, K., Senff-Ribeiro, A., Griss, J., Sevilla, C., Matthews, L., Gong, C., et al. (2021). The reactome pathway knowledgebase 2022. Nucleic Acids Res. 50: D687–D692. https://doi.org/10.1093/nar/gkab1028
34. Swainston, N., Batista-Navarro, R., Carbonell, P., Dobson, P. D., Dunstan, M., Jervis, A. J., Vinaixa, M., Williams, A. R., Ananiadou, S., Faulon, J. L., et al. (2017). biochem4j: Integrated and extensible biochemical knowledge through graph databases. PLoS One. 12(7): e0179130. https://doi.org/10.1371/journal.pone.0179130
35. Wu, J., Liu, Q., Li, M., Xu, J., Wang, C., Zhang, J., Xiao, M., Bin, Y. and Xia, J. (2023). PhaGAA: an integrated web server platform for phage genome annotation and analysis. Bioinformatics 39(3): e1093/bioinformatics/btad120. https://doi.org/10.1093/bioinformatics/btad120
36. Hu, R., Li, F., Chen, Y., Liu, C., Li, J., Ma, Z., Wang, Y., Cui, C., Luo, C., Zhou, P., et al. (2023). AnimalMetaOmics: a multi-omics data resources for exploring animal microbial genomes and microbiomes. Nucleic Acids Res. 52: D690–D700. https://doi.org/10.1093/nar/gkad931
37. Chen, T., Liu, Y., Chen, T., Yang, M., Fan, S., Shi, M., Wei, B., Lv, H., Cao, W., Wang, C., et al. (2024). ImageGP 2 for enhanced data visualization and reproducible analysis in biomedical research. Imeta. 3(5): e239. https://doi.org/10.1002/imt2.239
38. Olson, R. D., Assaf, R., Brettin, T., Conrad, N., Cucinell, C., Davis, J. J., Dempsey, D. M., Dickerman, A., Dietrich, E. M., Kenyon, R. W., et al. (2022). Introducing the Bacterial and Viral Bioinformatics Resource Center (BV-BRC): a resource combining PATRIC, IRD and ViPR. Nucleic Acids Res. 51: D678–D689. https://doi.org/10.1093/nar/gkac1003
39. Mukherjee, S., Stamatis, D., Li, C. T., Ovchinnikova, G., Kandimalla, M., Handke, V., Reddy, A., Ivanova, N., Woyke, T., Eloe-Fardosh, E. A., et al. (2024). Genomes OnLine Database (GOLD) v.10: new features and updates. Nucleic Acids Res. 53: D989–D997. https://doi.org/10.1093/nar/gkae1000
40. Yang, P., Yang, J., Long, H., Huang, K., Ji, L., Lin, H., Jiang, X., Wang, A. K., Tian, G., Ning, K., et al. (2023). MicroEXPERT: Microbiome profiling platform with cross‐study metagenome‐wide association analysis functionality. Imeta. 2(4): e131. https://doi.org/10.1002/imt2.131
41. Bai, D., Chen, T., Xun, J., Ma, C., Luo, H., Yang, H., Cao, C., Cao, X., Cui, J., Deng, Y., et al. (2025). EasyMetagenome: A user‐friendly and flexible pipeline for shotgun metagenomic analysis in microbiome research. Imeta. 4(1): e70001. https://doi.org/10.1002/imt2.70001
42. Huttenhower, C., Finn, R. D. and McHardy, A. C. (2023). Challenges and opportunities in sharing microbiome data and analyses. Nat Microbiol. 8(11): 1960–1970. https://doi.org/10.1038/s41564-023-01484-x
43. Bikel, S., Valdez-Lara, A., Cornejo-Granados, F., Rico, K., Canizales-Quinteros, S., Soberón, X., Del Pozo-Yauner, L. and Ochoa-Leyva, A. (2015). Combining metagenomics, metatranscriptomics and viromics to explore novel microbial interactions: towards a systems-level understanding of human microbiome. Comput Struct Biotechnol J. 13: 390–401. https://doi.org/10.1016/j.csbj.2015.06.001
44. Kumar, B., Lorusso, E., Fosso, B. and Pesole, G. (2024). A comprehensive overview of microbiome data in the light of machine learning applications: categorization, accessibility, and future directions. Front Microbiol. 15: e1343572. https://doi.org/10.3389/fmicb.2024.1343572
45. Yan, B., Nam, Y., Li, L., Deek, R. A., Li, H. and Ma, S. (2025). Recent advances in deep learning and language models for studying the microbiome. Front Genet. 15: e1494474. https://doi.org/10.3389/fgene.2024.1494474
46. Sheffield, N. C., Bonazzi, V. R., Bourne, P. E., Burdett, T., Clark, T., Grossman, R. L., Spjuth, O. and Yates, A. D. (2022). From biomedical cloud platforms to microservices: next steps in FAIR data and analysis. Sci Data. 9(1): 553. https://doi.org/10.1038/s41597-022-01619-5
47. Kelliher, J. M., Aljumaah, M., Bordenstein, S. R., Brister, J. R., Chain, P. S. G., Dundore-Arias, J. P., Emerson, J. B., Fernandes, V. M. C., Flores, R., Gonzalez, A., et al. (2025). Microbiome data management in action workshop: Atlanta, GA, USA, June 12–13, 2024. Environ Microbiome. 20(1): e1186/s40793–025–00702–9. https://doi.org/10.1186/s40793-025-00702-9