信息速览
Fecal Metagenomic Profiling of Cardiovascular-Kidney-Metabolic Syndrome（ckm-gut-metagenome）
INFOBOX — ckm-gut-metagenome 一屏速览
- 是什么：NGDC GSA-Human 登记号 HRA020686（BioProject PRJCA072736）——44 名心血管-肾脏-代谢（CKM）综合征参与者的粪便 16S rRNA V3-V4 扩增子测序原始数据（双端 fastq.gz，Illumina NextSeq 2000）。
- 谁做的：首都医科大学宣武医院（Xuanwu Hospital, Capital Medical University）团队，提交者 Linpei Jia；提交 2026-08-30，发布 2026-09-10。
- 怎么分组：按 AHA 2023 CKM 分期框架分两大组——CKM 1-2 期 19 人（早中期）、CKM 3-4 期 25 人（晚期）。
- 怎么拿：受控访问。走 https://ngdc.cncb.ac.cn/gsa-human/browse/request/HRA020686 申请，由 DAC HDAC010189（Linpei Jia，anny_069@163.com）审批；NGDC 平台不代行授权。
- 最大的两个坑：① 页面 DAC 描述自称「将无任何访问限制公开」，与受控设定自相矛盾（坑 1，按受控口径成稿）；② 标题写 metagenomic profiling，实验记录实为 16S 扩增子（坑 2，不是 shotgun）。
- 能干什么：CKM 分期 × 菌群组成的假设生成型分析、16S 流程方法基准、GSA-Human 受控访问教学案例、中国人群 CKM 菌群先导证据。
- 不能干什么：因果推断（横断面）、种/株级分辨与功能定量（16S 天花板）、直接与库内 curatedmetagenomicdata/hmp/american-gut-project 合并 reads。
- 配套代谢组：主描述提及粪-血配对代谢组关联设计，但代谢组原始数据不在本登记号内（坑 5，遗留疑点）。
§0 导读：这个数据集解决什么问题
2023 年 10 月，美国心脏协会（AHA）用一份主席建议把肥胖、2 型糖尿病、慢性肾脏病与心血管疾病这四张历史上各自为政的诊断清单，合并成了一个正式的疾病实体：心血管-肾脏-代谢综合征（Cardiovascular-Kidney-Metabolic syndrome，CKM syndrome），并给出了 0-4 期的递进式分期体系。框架落地之后，紧接着的问题就是：在这个连续谱上，有没有可以测量的分子标记随分期系统性变化？肠道菌群是最早被点名的候选者之一——短链脂肪酸、氧化三甲胺（TMAO）、胆汁酸、肠源尿毒症毒素，这条宿主-菌群化学轴恰好同时卡在 CKM 的三个字母上。
ckm-gut-metagenome 收录的就是这一方向上一份来自中国的原始数据点：首都医科大学宣武医院团队在 NGDC GSA-Human 登记的 HRA020686——44 名 CKM 综合征参与者的粪便 16S rRNA V3-V4 扩增子测序数据，按 CKM 1-2 期（19 人）与 3-4 期（25 人）两大组分层，并设计了「菌群属 × 配套粪-血配对代谢组筛选出的粪便代谢物」的关联分析。数据 2026-09-10 发布，受控访问。
这个数据集的价值不在于规模（44 人是典型的小样本临床研究），而在于它填了一个具体空位：在 AHA 0-4 期分期框架下、以中国人群为对象、以「菌群 + 代谢物 + 分期」三方联动为设计的原始数据，在本库既有菌群条目（curatedmetagenomicdata、hmp、american-gut-project、mgnify、gmrepo-v3）里没有任何一个能替代。库内五大菌群条目要么是健康人参考（hmp）、要么是公众众筹（american-gut-project）、要么是跨研究标准化集合（curatedmetagenomicdata）、要么是泛化档案仓库（mgnify、gmrepo-v3），没有一个是「CKM 分期标注的临床队列」。
同样重要的是它的另一重身份：这是一份典型的中国数据基础设施上的受控人类遗传资源。它展示了 NGDC GSA-Human 的 HRA 编号体系、DAC 审批机制如何在中国人遗管理条例语境下运作，并提供了与 dbGaP（美国）、EGA（欧洲）三套受控访问体系的实操对照——这条线的知识对任何需要获取中国临床菌群数据的国内外检索者都有直接指导意义，本条目 §6 用整章把它讲透。
§0 读法三则：
- 这是一个「数据登记 + 框架背景 + 获取路径」三合一的条目：数据本体很小（44 样本的 16S fastq），但 CKM 分期框架（§2）与 GSA-Human 受控机制（§6）这两块背景知识的可迁移价值远超数据本身——不熟悉 CKM 概念的读者请先读 §2.1，把「CKM 是一个连续谱而不是三个病的拼盘」这个前提建立起来，否则后面所有分期讨论都会被误读。
- 全部硬数字（44/19/25、HRA020686、PRJCA072736、2026-09-10、HDAC010189、anny_069@163.com）来自 NGDC 数据集页与 BioSample 页的交叉核对，多源一致；页面内部两处口径冲突（DAC 描述 vs 受控设定、标题用词 vs 实验记录）不做调和、原样存照（§5 坑 1 与坑 2）。
- 本条目成稿时（2026-10-17）无配套同行评审论文确证发表。主题相近的 WCN 2026 会议摘要描述的是一个 68 人的不同队列，不能当作本数据集的论文引用（坑 6）。检索者应把本数据集当「论文前登记数据」对待，方法学细节（引物、读长、质控参数）均未公开，复现流程需自定。
§1 数据集速览：十五问十五答
Q1：登记号是什么？在哪个平台？
NGDC（国家基因组科学数据中心）GSA-Human 分库，数据集登记号 HRA020686，挂接 BioProject PRJCA072736。入口 https://ngdc.cncb.ac.cn/gsa-human/browse/HRA020686 。
Q2：数据是谁提交的？
提交者 Linpei Jia（联系方式 anny_069@163.com），提交单位 Xuanwu Hospital, Capital Medical University（首都医科大学宣武医院）。该信息来自 BioSample 页（SAMC8431444 等）的 Submitter 字段，与数据集页 DAC 信息一致。
Q3：样本量与分组？
44 名 CKM 综合征参与者：CKM 1-2 期 19 人、CKM 3-4 期 25 人。每人 1 份粪便样本。分组信息来自登记页主描述；个体/样本级分期标签内嵌在样本描述字符串中（受控）。
Q4：测序类型是什么？
16S rRNA 基因 V3-V4 高变区扩增子测序（AMPLICON），Illumina NextSeq 2000，双端 fastq.gz。不是 shotgun 宏基因组——尽管官方标题用了 metagenomic profiling 的宽泛措辞（坑 2）。
Q5：是公开数据吗？
不是。受控访问（Controlled access），需经 DAC HDAC010189 审批。元数据页面可公开浏览（含样本清单摘要），原始 fastq 与受控元数据字段需申请。注意 DAC 描述字段里有一句自称将无限制公开的话，与受控设定矛盾（坑 1），截至成稿时数据仍为受控状态。
Q6：DAC 是什么？怎么联系？
Data Access Committee（数据管理委员会），受控数据集的审批主体。本数据集 DAC 编号 HDAC010189，DAC 名称 Linpei Jia，联系人 Jia Linpei，邮箱 anny_069@163.com。NGDC 明确声明平台不负责授权，授权完全由 DAC 决定。
Q7：能做因果推断吗？
不能。横断面设计 + 小样本，只能测「菌群组成与分期的关联」。方向性问题（菌群驱动分期还是分期重塑菌群）需要纵向队列或干预实验，本数据集不支持。
Q8：能做物种级或功能定量分析吗？
16S V3-V4 一般到属级（部分科级），种级与菌株级基本不可得；功能信息只能靠 PICRUSt2/Tax4Fun2 类预测工具，且必须标注为预测值。需要功能定量的检索者应找 shotgun 数据。
Q9：CKM 1-2 期、3-4 期是什么意思？
AHA 2023 主席建议的 0-4 期分期体系的粗分组：1-2 期为「代谢异常期」（脂肪组织功能失调到代谢危险因素出现），3-4 期为「心血管受累期」（亚临床 CVD 到临床 CVD）。详见 §2.2 的逐期解读。1-2 期 vs 3-4 期的二分，近似以「是否已出现（亚）临床心血管疾病」为界。
Q10：为什么分组人数不均（19 vs 25）？
登记页未解释。可能反映真实招募构成或剔除标准，属受控信息。检索者不应假设等组设计；亚组分析功效已在 §8.1 讨论。
Q11：配套代谢组数据在哪？
主描述说明粪便代谢物「选自配对的粪便-血清代谢组分析」，但 HRA020686 内只登记了 16S Run，代谢组原始数据存放位置未公开（坑 5）。申请时建议向 DAC 一并询问。
Q12：有健康对照组吗？
没有。44 人全部为 CKM 患者（1-4 期）。对照需求可借助库内 hmp、american-gut-project 等健康人侧数据做概念性参照，但两者无共享受试者与协议，只能做群体层面的定性比较（§7）。
Q13：能和库内其他菌群数据集合并分析吗？
不能直接合并 reads 或丰度表（测序策略、处理流程、人群定义均不同）。属级、方向性层面的叙述性比较可行（§7）。另注意一个纯数字巧合：hmp 的库内记录号恰为 44，与本数据集 44 名参与者毫无关系。
Q14：有配套论文吗？
截至 2026-10-17 检索未确证。WCN 2026 会议摘要 WCN26-6809 描述的是 68 人队列（38 非晚期 + 30 晚期），与本数据集 44 人（19+25）不符，不是同一研究的论文（坑 6）。数据集先登记、论文后发表是国内常见节奏，建议定期复查提交者署名的文献。
Q15：国际团队申请有什么特别注意？
GSA-Human 受控访问需机构认证账号 + 用途声明 + 数据安全承诺；涉及数据出境场景还须确认与《人类遗传资源管理条例》的合规适配。DAC 联系邮箱为个人邮箱，建议准备英文版研究计划。实操对照与申请书写法见 §6。
§2 背景：CKM 综合征、AHA 分期框架与菌群研究的理由
2.1 CKM 是「一个综合征」，不是三个病的拼盘
要正确理解本数据集，必须先正确理解 CKM 综合征这个概念本身——因为不熟悉它的人最容易犯的错误，就是把 CKM 误读成「心血管病 + 肾病 + 代谢病」三个独立疾病的简单并列（拼盘式理解）。拼盘式理解的危害是实质性的：它让人以为 CKM 研究只是把三科病人放在一张表里数人数，而完全错过了这套框架真正的创新点。
2023 年 10 月，美国心脏协会（AHA）在 Circulation 发布主席建议（Presidential Advisory）：Ndumele CE, Rangaswami J, Chow SL, et al. Cardiovascular-Kidney-Metabolic Health: A Presidential Advisory From the American Heart Association（Circulation. 2023;148(20):1606–1635, doi:10.1161/CIR.0000000000001184），首次正式定义 CKM 综合征。其核心主张：
- 肥胖、2 型糖尿病、慢性肾脏病（CKD）与心血管疾病（CVD，含心衰、房颤、冠心病、卒中、外周动脉疾病）之间不是并列关系，而是共享上游病理生理机制、相互加重、彼此催化的一个统一连续谱；
- 过量或功能失调的脂肪组织驱动胰岛素抵抗、高血压、血脂异常与慢性炎症；这些因素同时损伤肾脏与心血管系统；肾脏损伤（eGFR 下降、白蛋白尿）反过来加重容量负荷、血压与尿毒症性心肌损伤，形成正反馈恶性循环；
- AHA 配套科学声明把 CKM 综合征概括为「以代谢危险因素、CKD 与心血管系统之间病理生理相互作用为特征的全身性疾病，导致多器官功能障碍与高不良心血管事件率」。
AHA 写作委员会主席 Chiadi E. Ndumele（约翰霍普金斯大学）在发布时的表述值得转述：CKM 的公共健康紧迫性源于肥胖与糖尿病在成人及青少年中的历史性高流行，且在弱势人群中负担不成比例地更重；美国约三分之一的成年人携带三个及以上 CKM 相关危险因素。这套框架的实践目标是把干预节点前移——在代谢异常阶段就识别出未来心肾事件的高危者，而不是等心梗或肾衰发生后再分科处置。
换言之，CKM 综合征的「C-K-M」三个字母标出的是同一病理生理连续谱上的三个相互耦合的器官轴，而不是三张诊断清单。这个区分直接决定了本数据集的价值：研究 CKM 的菌群，问的不是「哪种病对应哪种菌」，而是「随着这一连续谱从代谢异常走向心肾终末损害，肠道菌群的组成如何系统性偏移」。
2.2 0-4 期分期体系：本数据集分组的直接依据
AHA 主席建议给出了 CKM 综合征的 0-4 期递进式分期。逐期解读如下（依据 Circulation 2023;148:1606–1635 及基于该文的临床速查整理）：
| 分期 | 界定标准 | 管理目标 | 筛查节奏 |
|---|---|---|---|
| 第 0 期 | 无 CKM 危险因素：体重/腰围正常，血压、血脂、血糖正常，无 CKD，无 CVD | 基础预防（Life’s Essential 8：饮食、运动、睡眠、戒烟、体重、血压、血糖、血脂） | 每 3-5 年评估血压、甘油三酯、HDL、血糖 |
| 第 1 期 | 过量或功能失调的脂肪组织（超重/肥胖、腹型肥胖），或糖耐量受损/糖尿病前期；无其他代谢危险因素或 CKD | 健康生活方式 + 至少 5% 减重目标；必要时治疗糖耐量受损 | 每 2-3 年 |
| 第 2 期 | 代谢危险因素：2 型糖尿病、高血压、高甘油三酯血症、代谢综合征，或中-高危 CKD（KDIGO 热图界定） | 危险因素达标防进展；优先选有循证心肾获益的药物（SGLT2 抑制剂、GLP-1 受体激动剂、非奈利酮、他汀按 ASCVD 风险） | 每年评估 |
| 第 3 期 | 亚临床心血管疾病（亚临床动脉粥样硬化或亚临床心衰）叠加 CKM 危险因素；或极高危 CKD；或预测 CVD 风险极高（PREVENT 框架） | 按二级预防强度强化：高剂量他汀、最大化 SGLT2i/非奈利酮、考虑冠脉钙化（CAC）筛查 | 频率随分期加密 |
| 第 4 期 | 临床心血管疾病（ASCVD：冠心病、卒中、外周动脉疾病；心衰；房颤）叠加 CKM 危险因素 | 指南导向的 CVD 全程治疗 + 心肾代谢持续保护 + 心肾共管 | 个体化 |
第 4 期再分为 4a（不合并肾衰竭）与 4b（合并肾衰竭/透析）。CKD 的严重程度进入分期逻辑时用的是 KDIGO 热图（eGFR × 白蛋白尿组合的风险分级）而非「有无肾病」的二值判断——中危/高危/极高危 CKD 分别对应不同的分期归属。人群体重与腰围切点有亚洲特异版本（BMI ≥23 kg/m²、腰围男 ≥90 cm / 女 ≥80 cm 的亚洲切点），这对解读中国人群研究（如本数据集）尤其实用。
分期体系的三个要点值得强调：
- 其一，它是递进的病理生理阶段而非疾病诊断类别。 分期越高，绝对心血管风险呈阶梯式上升；但各期之间可以双向移动——AHA 明确指出，减重与生活方式改善可使患者回退到更低的期，且最佳回退窗口在 1-3 期。这给菌群研究留了一个有趣的问题：菌群组成是否也随分期回退而可逆？本数据集的横断面设计回答不了，但它是后续纵向研究的自然假设。
- 其二，分期的判定需要临床检查数据。 eGFR、白蛋白尿、影像学亚临床 CVD 证据、PREVENT 风险评分——这些都超出问卷自报的范畴。这就是为什么公众众筹类菌群项目（如 american-gut-project）无法提供 CKM 分期标签，而医院发起的临床研究可以。
- 其三，分期对应不同的干预强度。 从 0 期的生活方式预防到 4 期的多药联合与心肾共管，干预谱系横跨「从不吃药到七八种药」。这直接构成菌群研究的治疗混杂来源——SGLT2 抑制剂、二甲双胍、他汀、降压药本身都会重塑菌群，晚期患者用药更多，分期比较时「药物效应」与「疾病效应」纠缠。这是任何 CKM 菌群研究都绕不开的混杂控制难题（§8.1）。
本数据集把 44 人切成「1-2 期（19 人）」与「3-4 期（25 人）」两大组，正是把这个连续谱近似二分为「早中期」与「晚期」——即以「是否已出现（亚）临床心血管疾病」为界的粗分组。这解释了两件事：为何分组人数不均（真实人群各期分布本来不均，招募窗口内的可及性也不同），以及为何组内异质性不可避免（1 期与 2 期、3 期与 4 期内部的病理生理差异都被折叠进了各自的组）。
2.3 为什么研究肠道菌群与 CKM：三条化学通道
把肠道菌群放进 CKM 框架不是蹭热点，而是有明确机制接口的。宿主-菌群轴在 CKM 连续谱的每一环上都有可测量的化学通道，其中最重要的三条：
通道一：短链脂肪酸（short-chain fatty acids, SCFA）。 膳食纤维被结肠厌氧菌群发酵产生乙酸、丙酸、丁酸。丁酸是结肠上皮细胞的主要能量底物，维持肠道屏障完整性、抑制黏膜炎症；丙酸参与肝脏葡萄糖生成调节与饱腹感信号；SCFA 通过 G 蛋白偶联受体（GPR41/43/109A 等，又称 FFAR 系列）影响全身炎症水平、胰岛素敏感性与血管张力。菌群多样性下降、产丁酸菌（如毛螺菌科与罗氏菌属成员）减少，是肥胖、胰岛素抵抗与 CKD 进展研究中反复出现的组成信号。SCFA 通道把「M」（代谢：能量 harvest 与糖脂代谢）与「C」（血管炎症与血压调节）两个轴直接连到菌群上。
通道二：氧化三甲胺（trimethylamine N-oxide, TMAO）。 膳食中来自红肉、蛋类、鱼类的胆碱、左旋肉碱与甜菜碱，先被肠道菌群以 CutC/CntA 等甘氨酸-甜菜碱还原酶切割为三甲胺（TMA），TMA 经门静脉入肝后被宿主黄素单加氧酶（FMO3）氧化为 TMAO。TMAO 的大型人群队列与机制研究把它与动脉粥样硬化事件、心衰预后联系起来；在 CKD 中，TMAO 因肾脏清除率下降而蓄积，形成「菌群产出 + 肾脏清除」的双重 CKM 接口——它是三条通道中唯一一个把三个字母全部串起来的分子。儿科早中期 CKD 研究（Int J Mol Sci 2018;19:3699）已观察到 TMAO 尿水平、双歧杆菌/乳杆菌丰度与血压负荷及动脉僵硬度之间的关联，提示这条通道在 CKM 早期即可测得。
通道三：胆汁酸与肠源尿毒症毒素。 肝脏合成的初级胆汁酸（胆酸、鹅脱氧胆酸）排入肠道后被菌群修饰——去结合、7α-脱羟基生成次级胆汁酸（脱氧胆酸、石胆酸）。胆汁酸通过法尼酯 X 受体（FXR）与 TGR5 受体反向调节糖脂代谢、能量消耗与肠道屏障，是菌群影响「M」轴与「C」轴之间的经典中介。另一侧，菌群对膳食色氨酸、酪氨酸、苯丙氨酸的代谢产物——硫酸吲哚酚、硫酸对甲酚、苯乙酰谷氨酰胺等——在肾功能下降时清除受阻、循环蓄积，构成「肠源尿毒症毒素」，与 CKD 进展、心血管事件及心衰预后相关。2026 年 NIH 资助的专项（grant.15181273，Gut-Derived Uremic Toxins and Cardiovascular-Kidney-Metabolic Syndrome）正把这条通道在五大美国队列里系统化。这三条通道也解释了为什么本研究要设计粪-血配对代谢组：粪便代谢物反映肠腔内菌群活动的直接输出（SCFA、次级胆汁酸、色氨酸衍生物的源头侧），血清代谢物反映这些输出进入循环、经肾脏处理后的系统暴露（TMAO、尿毒症毒素的暴露侧），两者配对才能把「菌群产出」与「宿主暴露」分开归因。
除这三条主线外，还有一层通道值得留意：治疗-菌群反向通路。CKM 人群的标准治疗（二甲双胍、SGLT2 抑制剂、他汀、GLP-1 类药物）本身被证实会重塑菌群组成与代谢物谱。这构成「治疗 → 菌群 → 表型」的第二层因果链，是分期比较里最难剥离的混杂（详见 §8.1）。
2.4 同主题证据的现状
截至本条目成稿，CKM 菌群方向的公开证据格局大致是：
- 框架侧：AHA 2023 主席建议与科学声明确立分期，配套的 PREVENT 风险方程把肾功能、代谢控制纳入心血管风险计算——分子标志物（含菌群-代谢物轴）进入分期工具还是进行时；
- 会议摘要侧：WCN 2026 摘要 WCN26-6809 报告了一个 68 人队列（38 例 0-2 期非晚期 + 30 例 3-4 期晚期）的宏基因组 + 非靶向代谢组分析：β 多样性组间差异显著（P = 0.022），晚期组富集肠杆菌科（Enterobacteriaceae）、Flavonifractor plautii 与 Ruthenibacterium lactatiformans，非晚期组富集包括普通拟杆菌（Bacteroides uniformis）在内的八个种；KEGG 层面维生素 B6/烟酸烟酰胺与半胱氨酸甲硫氨酸/牛磺酸/色氨酸代谢通路一致紊乱；随机森林组合（F. plautii + L-胱氨酸 + 3-羟基邻氨基苯甲酸）区分晚期/非晚期 AUC 0.861。注意：该摘要与本数据集人数、分组均不同（68 vs 44；38+30 vs 19+25），不能当作本数据集的论文（坑 6），但作为同方向独立证据有参照价值；
- 登记数据侧：HRA020686 这类「先登记受控、论文在后」的中国数据点，为该方向补充了可审计的原始数据资源。
§3 数据构成与规格
3.1 GSA-Human 四级编号体系
作为中国人类遗传资源数据的基础设施（治理语境详见 §6），NGDC 的 GSA for Human（GSA-Human）为每个项目建立四级受控编号链，本数据集的实例如下：
| 层级 | 前缀 | 本数据集实例 | 对应国际体系 |
|---|---|---|---|
| 个体 Individual | HRI | HRI2029503（个体标识符 H002，female）、HRI2029504（H003，male）等 | dbGaP subject / BioSample 主体 |
| 样本 Sample | HRS | HRS2639935（H002 粪便样本）等，挂接 BioSample SAMC8431442 起 | dbGaP sample / BioSample |
| 实验 Experiment | HRX | HRX2921239（16S rRNA V3-V4 amplicon sequencing of H002，AMPLICON，NextSeq 2000） | SRA Experiment（SRX） |
| 运行 Run | HRR | HRR3513870（文件 HRR3513870_f1.fastq.gz + HRR3513870_r2.fastq.gz） | SRA Run（SRR） |
这条编号链与 NCBI SRA / dbGaP / EGA 的层级一一映射：跨库对账时按 HRA020686 ↔ PRJCA072736 ↔ SAMC84314xx ↔ HRR35138xx 换算。GSA-Human 与通用库 GSA 的编号空间平行且互不混用（GSA 用 CRA/CRD/CRS/CRX/CRR 前缀），检索时看前缀即可判断数据落在哪个库。
3.2 样本级信息（公开可见部分）
页面公开列出的样本描述均为同一模板：「Fecal sample collected from a participant classified as CKM stage X; the sample was stored at -80 degrees C before DNA extraction and 16S rRNA gene sequencing.」 从公开片段可见：
- 分期内嵌：样本描述字符串携带「CKM stage 1 / stage 2 / …」标签。可见样本中 H002、H003、H004、H006、H007、H008、H009、H013、H014 等属早期组（stage 1-2）；另有晚期组样本（stage 3-4）在页面的分段渲染中未完整展示；
- 性别字段：female/male 混合，公开可见；
- 编号跳号：个体标识符从 H002 起，H005、H010、H012 等编号未见于公开片段——提交时做过编号筛选或剔除，原因受控未公开（坑 4）；
- BioSample 附注：样本页明确标注「本样本记录包含额外受控访问信息，需通过 GSA-Human 申请 study HRA020686 获取」——年龄、临床化验等详细字段大概率在此列。
注意：公开页面只渲染了个体/样本清单与 Run 清单的一部分。全量 44 人清单以受控数据或页面导出文件（HRA020686.xlsx）为准。本条目不对未见的编号做任何推算，19/25 的分组人数以登记页主描述为锚点。
3.3 测序与建库参数
从实验记录（HRX2921239 等）可确证：
| 参数 | 值 | 来源 |
|---|---|---|
| 目标区域 | 16S rRNA 基因 V3-V4 高变区 | 实验标题（多个 HRX 记录一致） |
| 建库策略 | AMPLICON | 实验记录建库策略字段 |
| 测序平台 | Illumina NextSeq 2000 | 实验记录平台字段 |
| 文件形态 | 每 Run 双端两个 fastq.gz（_f1/_r2） | Run 文件清单 |
| 保存条件 | -80°C，提取 DNA 前 | BioSample 描述 |
| 读长模式 | 未确证（NextSeq 2000 常见 2×150 或 2×250） | 遗留疑点 |
| 引物序列 | 未公开（V3-V4 常见 341F/806R 变体，不可代填） | 遗留疑点 |
| PCR 循环数/对照设置 | 未公开 | 遗留疑点 |
数据量级：页面 Run 文件体积显示为 0.00 GB 量级（16S 扩增子典型为每样本数万条 reads、单样本数百 MB 以内），与扩增子数据的预期体积一致；全量体积以受控下载实测为准。
3.4 配套代谢组：设计与缺口
登记页主描述明确指出，菌群-代谢物关联分析中的粪便代谢物「选自配对的粪便-血清代谢组分析（paired fecal-serum metabolomic analysis）」。这句话透露三件事：
- 该研究同时采集了参与者的粪便与血清并完成了（大概率为非靶向的）代谢组检测；
- 进入菌群关联分析的是经过筛选的代谢物子集（selected），而非全谱输出——筛选标准（效应值、FDR、通路归属）未公开；
- 代谢组原始数据未见于本登记号。HRA020686 页面可见的 Run 全部为 16S AMPLICON 类型；代谢组数据是否存放于其他平台（GSA 非人类库、MetaboLights 或未公开仓库）未获确证（坑 5）。
这一缺口对复现研究有实质影响：仅凭 HRA020686，检索者能完整复现「分期 × 菌群组成」一臂，但「菌群 × 代谢物」一臂只能依赖受控申请或等待提交者发布代谢组数据。
3.5 下游分析的可行路径（推断，非提交者官方流程）
从登记信息推断的适配分析路径（正式流程骨架见附录 E）：
- 扩增子标准流程：双端合并/去引物 → DADA2 或 QIIME 2 降噪生成 ASV → SILVA/GTDB 分类注释 → α/β 多样性；
- 分期比较：以样本描述中的 CKM stage 标签分组做 PERMANOVA、差异属检验（ANCOM-BC/LEfSe/DESeq2）；
- 梯度敏感性：以原始分期号（1/2/3/4）做趋势检验，检验 19/25 二分组是否掩盖分期梯度；
- 菌群-代谢物关联：数据可得时做偏相关 + FDR 校正（需代谢组数据，缺口见 §3.4）；
- 混杂敏感性：性别（公开）可控制；年龄、用药、eGFR 需受控元数据。
§4 设计解读：44 人的研究能回答什么、不能回答什么
4.1 研究设计还原
综合登记页主描述与样本记录，本研究的可还原设计如下：
- 人群：CKM 综合征确诊患者 44 名，按 AHA 分期归入两大组——早中期（1-2 期，19 人）与晚期（3-4 期，25 人）；
- 暴露/样本：每人一份粪便样本，-80°C 冷冻保存后统一提取 DNA；
- 测序：16S rRNA V3-V4 扩增子，Illumina NextSeq 2000，双端测序；
- 配套测量：粪-血配对代谢组（结果以「筛选后的粪便代谢物」形式进入菌群关联分析）；
- 分析目标（登记口径）：刻画 CKM 各分期肠道菌群多样性与组成差异；检验微生物属与粪便代谢物的关联。
这是一个教科书式的「小样本临床横断面 + 两臂分子测量」设计：单时点采样、组间比较、探索性关联。它不是队列研究（无随访），不是病例-对照研究（无健康对照臂），不是干预研究（无治疗变量操纵）。
4.2 能回答的问题
- 假设生成（最合适）：CKM 晚期 vs 早中期的肠道菌群属级组成是否存在可测差异？方向如何？哪些属值得在更大队列里追踪？
- 效应量先导估计：为后续大队列的样本量计算提供属级丰度差异的粗略效应量与方差参考；
- 方法学基准：V3-V4 扩增子流程（引物偏差、降噪参数、注释库选择）在临床分期数据上的稳健性测试素材；
- 数据治理教学：GSA-Human 受控登记 + DAC 机制的完整实例（含治理文书矛盾存照，§5 坑 1）。
4.3 不能回答的问题
- 因果方向：菌群偏移是 CKM 进展的原因还是结果？横断面设计原理上不可判。纵向前瞻（同一患者跨期随访）或动物定植/干预实验才能触及因果，本数据集均不支持；
- 种/株级与功能定量：16S V3-V4 的分辨率天花板在属级（部分科级）。TMAO、胆汁酸、SCFA 这些有明确酶学通道的通路，16S 只能提示「哪些属可能在做什么」，定量结论必须靠配套代谢组（本数据集内缺口）或 shotgun 数据；
- 亚组与交互效应：44 人二分组已接近功效上限；按 AHA 四期细分每组仅约 6-15 人量级，任何组间比较的统计功效都极低（§8.1）；
- 人群外推：单中心（首都医科大学宣武医院）、中国北方城市人群（推断自机构属地，未公开确认）、纳入标准受控未知——外推边界不明，使用时按「单中心探索性证据」定位。
4.4 统计功效的量级感
给一个直觉数字：在 19 vs 25 的两组比较下，要检出 β 多样性组间差异（PERMANOVA R² 量级 2-4%）通常功效紧张；属级丰度差异要达到组间均值差 0.5-1 个标准差且 FDR 校正后存活，能检出的属通常只有个位数到十几个。这与同类研究的实际报告一致（如 WCN26-6809 摘要报告的差异属/种是个位数到十几个）。因此，使用本数据集时，「检出不显著」不等于「无差异」——更可能是功效不足；报告时应给出效应量与置信区间而非只给 p 值。
§5 坑点清单：七个已存照的坑
以下每条均基于 2026-10-17 对 NGDC 一手页面的实抓确证，按「坑 N：」编号制列出。凡页面内部口径冲突，本条目一律原样存照、不替提交者修辞。
坑 1：受控访问 vs「完全公开」自相矛盾的 DAC 描述。 HRA020686 页面访问方式字段明确写「Controlled access」并给出申请入口，但同一页面 DAC 描述字段原文为：「This dataset consists of 16S rRNA amplicon sequences from patients of CKM. All data will be made publicly available without any access restrictions.」——承诺无限制公开，与受控设定直接冲突，两个口径并存于同一页面（截至 2026-10-17 检索时点）。本条目的处理：按受控访问口径成稿（申请入口与 DAC 机制实际在运行），同时原样引用该句存照。实际后果：检索者不应假设数据会转公开，应按受控流程申请；若未来页面转公开，以页面当时状态为准。这类治理文书矛盾在国内新登记数据集中并不罕见——最可能的成因是 DAC 描述沿用了模板文字或早期计划（数据原拟公开、后按人遗合规改为受控），但成因属推测，不写入正文口径。
坑 2：标题说 metagenomic profiling，实验记录说 16S amplicon。 官方标题「Fecal metagenomic profiling…」与主描述「fecal metagenomic sequencing data」容易让读者以为是 shotgun 宏基因组；但建库策略字段为 AMPLICON，实验标题为「16S rRNA V3-V4 amplicon sequencing」，BioSample 描述亦为「16S rRNA gene sequencing」。以实验记录口径为准：这是扩增子数据。标题用词可理解为「以扩增子手段做菌群剖析」的宽泛用法。使用者在规划下游流程时必须按扩增子的能力边界来：不能做 MAG 组装、不能 HUMAnN 功能定量、种级分辨不可得（§4.3）。
坑 3：分期标签藏在受控样本描述里，不是独立标签文件。 CKM 分期内嵌在样本描述字符串（「classified as CKM stage X」）中。公开页面可见部分样本的分期，但没有独立、机器可读的分期标签表。做分期分析需先从受控元数据解析分期（或向 DAC 确认分组清单）。19/25 的分组人数来自登记页主描述，可作全量校验锚点：受控清单里两组人数之和应为 44。
坑 4：个体编号跳号。 公开清单个体标识符从 H002 起，H005、H010、H012 等编号未见。跳号原因（剔除、退组、编号习惯）受控未公开。按「H001-H044 连续」假设构造样本清单必然出错；务必以受控清单为准，校验时只信「总数 44、两组 19/25」两个锚点。
坑 5：配套代谢组数据不在本登记号内。 主描述提及 paired fecal-serum metabolomic analysis，但 HRA020686 内只见 16S Run（§3.4）。只拿到 16S 就计划完整复现菌群-代谢物关联的检索者，会在代谢组一步卡住。缓解路径：申请时向 DAC 一并询问代谢组数据可得性；或先做纯菌群一臂的分析。
坑 6：无配套论文，主题相近摘要勿错认。 截至 2026-10-17 未确证与本数据集直接对应的同行评审论文。WCN 2026 会议摘要 WCN26-6809 描述的是 68 人队列（38 非晚期 + 30 晚期），与本数据集 44 人（19+25）人数、分组均不符，不能引用为本数据集的论文。识别规则很简单：核对总人数与两组人数。数据集先于论文登记是常见做法，论文可能随后发表，复查关键词建议用提交者名（Linpei Jia）+ 机构（Xuanwu Hospital）+ CKM。
坑 7：小样本 + 分期混合，别做过细的亚组切分。 44 人切两大组已接近分析上限；按 AHA 1/2/3/4 四期细分，每组约 6-15 人量级，统计功效极低。使用者应以二分组为主分析、四分组仅作探索性描述，并把组内异质性（1 期 vs 2 期的差异、3 期亚临床 vs 4 期临床 CVD 的差异）明示为局限。进一步的「分期 × 性别」「分期 × 用药」交互分析在本样本量下不建议。
§6 获取与许可：NGDC 受控访问机制全解
6.1 许可与获取口径
- 数据本体：受控访问（Controlled access）。fastq.gz 原始文件与受控元数据字段须经 DAC 审批后获取；
- 元数据页面：公开浏览（标题、描述、样本清单摘要、实验与 Run 编号、DAC 信息）；
- 许可条款：未公开单行 license 文本。受控访问模式下的使用边界由申请审批时的承诺条款约定（用途限定、不重识别、不再分发）——这是 dbGaP/EGA/GSA-Human 三家共同的实践模式；
- 申请入口：https://ngdc.cncb.ac.cn/gsa-human/browse/request/HRA020686 。
6.2 申请流程四步闭环
- 定位与确认：在数据集页 https://ngdc.cncb.ac.cn/gsa-human/browse/HRA020686 确认访问方式（Controlled access）与 DAC 信息（HDAC010189，Linpei Jia，anny_069@163.com）；
- 提交申请：经「申请数据（Request Data）」入口提交机构认证的 GSA-Human 账号信息、研究用途说明、数据安全承诺（不试图重识别、不未授权再分发）；
- DAC 审批：申请转交 DAC HDAC010189 审批。NGDC 平台明确声明不负责授权——授权完全由提交者组建的 DAC 决定。审批时限与材料细则由 DAC 自定，未公开标准化承诺（遗留疑点）；建议申请前先邮件确认所需材料；
- 受控下载：批准后按 HRR 编号拉取双端 fastq.gz；后续发表按惯例在数据可用性声明中写明 HRA020686 与 DAC 信息。
国际团队实操提示：DAC 联系邮箱为 163.com 个人邮箱；准备一份英文版一页纸研究计划（研究问题、所需样本子集、分析方法、数据安全措施、发表计划）能显著降低往返沟通成本。
6.3 与 dbGaP / EGA 的三库对照
对熟悉欧美数据生态的检索者，三套受控访问体系的映射如下：
| 维度 | NGDC GSA-Human（中国） | dbGaP（美国 NIH） | EGA（欧洲 EBI/CRG） |
|---|---|---|---|
| 定位 | 国家基因组科学数据中心的人类遗传资源数据管理库 | NIH 旗下基因型-表型数据库 | EBI 与 CRG 联合运营的欧洲基因组-表型档案 |
| 访问模型 | 受控访问 + DAC 审批（DAC 由提交者组建，NGDC 不代行授权） | 受控访问 + DAC 审批（PI 或机构 DAC，NIH 系统化流程） | 受控访问 + DAC 审批（DAC 注册于 EGA，申请走 EGA 门户） |
| 项目级编号 | HRA 前缀（本例 HRA020686） | phs 前缀（如 phs001234） | EGAS 前缀（如 EGAS00001001234） |
| 数据文件链 | HRS（样本）→ HRX（实验）→ HRR（Run） | dbGaP sample → SRA run | EGAS 关联 EGAD/ERA（ERR run） |
| 法律语境 | 《人类遗传资源管理条例》等中国人遗管理框架 | NIH Genomic Data Sharing (GDS) 政策 | GDPR 与各国国内法叠加 |
| 审批节奏 | 由 DAC 自定（本例章程未公开） | 相对标准化，多数周级 | 逐 DAC 差异大 |
三点实操差异展开：
- 审批主体与速度：dbGaP 的 DAC 申请有标准化表单与相对可预期的节奏；EGA 逐 DAC 差异大；GSA-Human 的审批速度与材料要求由 DAC 自定，本例 DAC 委员会构成与章程未公开，申请前邮件确认是唯一可靠路径；
- 合规语境不同：中国人遗数据的采集、保藏与对外提供受《中华人民共和国人类遗传资源管理条例》约束；国际检索者的分析行为若涉及数据再分发或跨境计算，需同时满足 DAC 承诺条款与中国法规。dbGaP/EGA 分别套用 GDS 政策与 GDPR 框架。三者合规模板不能互相套用；
- 交叉登记日益常见：本数据集同时挂接 BioProject（PRJCA072736）与 BioSample（SAMC84314xx）编号，NCBI 侧可搜到项目存在，但数据本体仍在 GSA-Human 受控发放——不要因为 BioProject 页面可见就误判数据在 SRA 公开。
6.4 为什么这条路径对国际检索者重要
近年越来越多中国临床菌群研究以「先登记受控、后发论文」的方式出现在 GSA-Human。只监控 SRA/ENA/dbGaP 的团队会系统性漏掉这批资源；而 GSA-Human 页面虽公开元数据，检索者需要知道 HRA 编号规则与 DAC 申请机制才能把数据真正拿到手。本节的四步闭环（HRA020686 → Request Data → DAC HDAC010189 → HRR 下载）就是这个路径的一次完整拆解，可直接作为操作手册使用。对做数据治理研究的人，本数据集还额外提供了一个「治理文书在实践磨合期的真实样本」——那句与受控设定自相矛盾的 DAC 描述（坑 1）本身就是中国人遗数据共享机制从「公开优先」向「受控合规」过渡期的文风残留，值得在治理研究中作为案例引用。
§7 生态与互链：与库内菌群条目逐一区分
本库已收录多个人群菌群数据集，检索者极易把本条目与之混淆。逐一对照如下（互链 URL 见 frontmatter relatedLink；建议互链点汇总见附录 D）：
7.1 curatedmetagenomicdata（库内条目，rid 513）
- 是什么：跨研究标准化整合集合——把数十个公开研究的 shotgun 宏基因组数据用统一流程（MetaPhlAn/HUMAnN 系工具）重处理成「物种丰度 + 通路丰度 + 样本元数据」三元组；
- 与本数据集的三点区别：① curated 以 shotgun 为主、提供归一化丰度表，本数据集是 16S 扩增子原始 fastq；② curated 覆盖 IBD、肝硬化、T2D 等经典疾病队列，没有 CKM 综合征分期队列；③ curated 是「已处理的分析就绪表」，本数据集是「原始读段，流程自选」；
- 互补关系：做方法基准与跨疾病谱比较用 curated；研究 CKM 分期特异性用本数据集。两者不能合并 reads 或直接同表比较（流程与人群定义不同），但可在属级、方向性层面做叙述性综合。
7.2 hmp（库内条目，rid 44）
- 是什么：Human Microbiome Project——健康成人多部位（肠道、口腔、皮肤、阴道等）参考菌群队列，价值基准是「健康人正常波动」；
- 与本数据集的区别：HMP 是健康人群、多部位、美国人群；本数据集是 CKM 患者、纯粪便、中国人群、带临床分期。做「病例-健康对照」式概念配对时 HMP 可作健康参照侧，但两者无共享受试者与协议，不能做样本级合并；
- 警示：hmp 的库内 rid 恰为 44，与本数据集 44 名参与者是纯数字巧合，记账与互链时勿被误导。
7.3 american-gut-project（库内条目，rid 508）
- 是什么：公众众筹项目，数万份自采样粪便 16S 数据，参与者偏健康、自我选择，表型多为问卷自报；
- 与本数据集的区别：AGP 无临床判定的分期标签（CKM 分期需要 eGFR、白蛋白尿、影像/病史评估），样本规模大但临床深度浅；本数据集样本小但每人都有 CKM 临床分期。两者在「人群光谱」的两端——AGP 适合背景分布与流程校准，本数据集适合疾病特异假设。
7.4 mgnify（库内条目，rid 503）
- 是什么：EBI 的泛化微生物组档案（MGnify），收录全球环境、动物、人的微生物组项目，提供归档与自动再分析；
- 与本数据集的区别：MGnify 是仓库不是定向队列——任何 CKM 项目若登记至 MGnify 也会被收录，但它不提供 CKM 特异的 curated 入口或分期标注；本数据集是单一疾病框架下的定向研究数据。
7.5 gmrepo-v3（库内条目，rid 1181）
- 是什么：GMrepo——人类肠道常驻菌群参考仓库，以「宿主表型 × 部位」组织的 curated 项目集合，v3 扩大了覆盖；
- 与本数据集的区别：GMrepo 强调跨项目菌群分布参考与复用，无 CKM 综合征分期标注；本数据集强调一个具体临床问题（CKM 分期 × 菌群-代谢物）的原始证据。
7.6 一句话定位
库内五大菌群条目没有一个覆盖「AHA CKM 0-4 期分期框架 + 中国人群 + 配套粪-血代谢组设计」的组合；ckm-gut-metagenome 填的正是这个空位。反过来说，本数据集也不替代它们：健康人参考找 hmp，方法基准与多疾病谱找 curatedmetagenomicdata，公众队列找 american-gut-project，泛仓库检索找 mgnify 与 gmrepo-v3。
§8 局限性与使用伦理
8.1 设计固有局限（详版）
局限一：横断面，无因果推断力。 44 人一次性采样。菌群差异与 CKM 分期之间的方向性完全不可判——既可能是菌群偏移促进分期进展（SCFA 产菌减少 → 代谢恶化 → 分期推进），也可能是疾病状态及其伴随的饮食、用药重塑菌群（晚期患者用药更多 → 菌群被药物重塑）。断开这个环需要纵向前瞻队列（同一患者跨期随访采样）或动物定植/干预实验，本数据集均不支持。表述纪律：一律用「与分期相关/富集」，禁用「随分期上升/下降导致」类因果措辞。
局限二：样本量小且分组不均。 19 vs 25 的两分组在组间比较时尚可支撑中等效应量的检出，但功效有限（§4.4）；按 AHA 四期细分则每组不足 20 人，部分亚组可能低至个位数，统计结论只能作探索性描述。本数据集的合理定位是假设生成与效应量先导，而非假设检验的最终证据。
局限三：分期标签的粒度损失。 1-2 期与 3-4 期各自内部混合多个 AHA 亚期——1 期（单纯脂肪组织功能失调）与 2 期（已出现糖尿病/高血压/中高危 CKD）的病理生理与用药背景差异不小；3 期（亚临床 CVD）与 4 期（临床 CVD）同样如此。二分组把组内异质性折叠进残差。申请到受控数据后应尽量用原始分期号（1/2/3/4）重做趋势敏感性分析（附录 E 流程第 5 步）。
局限四：16S 分辨率天花板。 V3-V4 扩增子通常到属级（部分科级），种级与菌株级信息基本不可得；功能推断（PICRUSt2/Tax4Fun2）是预测而非测量。CKM 机制研究最关心的具体分子通道（如 CutC/CntA 携带菌、产丁酸菌的精确种属）在 16S 数据上只能到「属」的粒度，定量结论必须依赖配套代谢组或补充 shotgun。
局限五：混杂控制不透明。 年龄、性别部分公开；用药（SGLT2 抑制剂、二甲双胍、他汀、降压药均影响菌群与代谢物）、饮食、eGFR 的公开程度不明。CKM 人群的用药混杂几乎必然存在且与分期相关（晚期患者用药更多）——「分期效应」与「药物效应」在本数据集上原理上无法完全剥离。分析计划中必须预留敏感性分析位，并在论文限制节明示。
局限六：无配套论文。 数据生成方法与质控流程仅能依据登记页描述；引物序列、读长模式、PCR 参数、阴性对照设置均未公开（§3.3）。复现流程需自定并声明为检索者自选，结果的可比性以此为准。
8.2 使用伦理
- 用途问责：受控访问的意义在于此。获批后严格在申请用途范围内使用，不得尝试重识别参与者，不得未授权再分发原始数据。衍生统计结果（不携带个体级信息的聚合分析）的发布一般不受限，但以 DAC 批准条款为准；
- 跨境合规：中国人群数据的跨境使用需同时确认检索者所在机构与中国人遗合规框架的适配（§6.3）；国际合作发表按惯例写明 HRA020686 与 DAC 联系方式；
- 结论传播克制：横断面小样本研究的结论应避免升格。同类工作的表述模板（WCN26-6809 的 associated with / may serve as）提供了合适措辞——「关联」不写成「因果」，「候选标志物」不写成「诊断工具」；
- 公平使用：本数据集是小样本先导资源，建议做了后续分析的研究者把结果反馈给 DAC/提交者，帮助形成更大的联合证据。
§9 DAIMS 评估
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 7 | NGDC/BioProject/BioSample 三页互链，登记元数据完整且检索友好；但无配套论文导致学术检索入口缺失，数据库外部知名度依赖引用链 |
| A 可获取性 | 4 | 受控访问 + DAC 审批，无公开直链；审批章程与时限未公开，国际申请存在沟通成本；DAC 个人邮箱构成单点风险 |
| I 可互操作 | 6 | fastq.gz 标准格式，四级编号与 INSDC/SRA 体系可映射，BioProject/BioSample 交叉登记；但无独立标签文件（分期内嵌字符串）、无机器可读分组表、无论文级方法文档 |
| M 元数据质量 | 5 | 核心计数（44/19/25）、编号体系、保存条件清晰一致；但页面内部两处口径冲突（DAC 描述 vs 受控设定、标题用词 vs 实验记录）、编号跳号原因不明、临床元数据不透明 |
| S 可持续性 | 7 | 依托 NGDC 国家级平台，长期保存与门禁有保障；DAC 依赖提交者个人邮箱是唯一单点风险；配套论文若发表将显著改善可持续性 |
| 综合评级 | 5.8/10（中） | 数据本体真实、编号体系规范；可获取性受受控模式与审批不透明拖累，元数据口径冲突与配套文档缺失是主要失分项。作为先导资源定位合理，作为独立分析资源偏弱 |
DAIMS 评分的分项说明：本数据集的 D 项得分主要来自 NGDC 平台的登记规范性（多页互链、编号体系完整、元数据公开可读）；A 项失分是受控访问模式的固有代价（对比库内公开直链的 american-gut-project 显然吃亏，但这是人遗合规的正确代价而非缺陷）；I 项的「无机器可读分期标签」是 16S 临床登记的常见形态，不算独有缺陷；M 项的两处口径冲突已全部存照（坑 1、坑 2），自动抽取管道建议以实验记录为准（测序类型）与受控设定为准（访问方式）；S 项的关键变量是配套论文是否会发表——若发表，D/A/S 三项均可上调。
§10 总结与检索建议
10.1 时间线
| 日期 | 事件 |
|---|---|
| 2023-10 | AHA 发布 CKM 综合征主席建议与配套科学声明（Circulation 2023;148:1606–1635），0-4 期分期体系确立 |
| 2026-08-30 | HRA020686 数据集提交（BioSample 页提交日期） |
| 2026-09-10 | HRA020686 在 GSA-Human 正式发布（Release date），受控访问生效，DAC HDAC010189 挂接 |
| 2026-10-17 | 本条目检索与成稿；配套论文未确证；DAC 描述矛盾表述存照 |
10.2 三类检索者各自的入口
- 只想看元数据确认存在性：直接浏览 https://ngdc.cncb.ac.cn/gsa-human/browse/HRA020686 与 https://ngdc.cncb.ac.cn/bioproject/browse/PRJCA072736 ，无需申请；
- 想拿原始数据做分析：按 §6.2 四步闭环申请；申请时准备好英文一页纸研究计划，并向 DAC 一并确认代谢组数据可得性与分期标签清单（坑 3、坑 5）；
- 想引用 CKM 分期框架：引 Ndumele et al. Circulation 2023;148:1606–1635（doi:10.1161/CIR.0000000000001184），分期术语与本条目 §2.2 表格对齐；引用本数据集本身时用 HRA020686 + PRJCA072736 双登记号。
10.3 检索词建议
- 组合一（精确）：
HRA020686（GSA-Human 内）；PRJCA072736（BioProject/跨库）； - 组合二（学术）：
cardiovascular-kidney-metabolic+gut microbiota+16S；提交者名Linpei Jia+Xuanwu Hospital（用于追踪后续论文）； - 组合三（避坑）：勿用
metagenome shotgun过滤（会漏掉本条目——它名义上是 metagenomic profiling 实为 amplicon，坑 2）；勿把CKM与慢性肾病文献中的缩写混淆检索。
10.4 结语
ckm-gut-metagenome 是一份小而规范的数据登记：44 人、16S V3-V4、受控访问、AHA 分期标注、配套代谢组设计。它的直接分析价值受小样本、横断面与 16S 分辨率的三重限制；但它的空位价值（CKM 分期 × 中国人群 × 菌群-代谢物联动）、路径价值（GSA-Human 受控访问机制的一次完整可引用实例）与教学价值（治理文书矛盾的原样存照）都超出数据本身的规模。对后续要做 CKM 菌群大队列的团队，这是一份恰当的先导参照；对研究中国数据基础设施的人，这是一个值得细读的活案例。
附录 G：方法学对照——16S 扩增子、shotgun 宏基因组与培养组学在本场景下的取舍
CKM 菌群研究可用的技术路线不止一条，检索者拿到本数据集前后的技术决策值得展开：
G.1 三条技术路线对照
| 维度 | 16S V3-V4 扩增子（本数据集） | Shotgun 宏基因组 | 培养组学/分离株 |
|---|---|---|---|
| 每样本成本 | 低 | 高（5-20 倍于 16S） | 最高 |
| 分类分辨率 | 属级（部分科级） | 种级/株级 | 种级/株级 + 活菌 |
| 功能信息 | 预测（PICRUSt2 类） | 直接定量（酶、通路、MAG） | 表型实验 |
| 深度需求 | 数万 reads/样本 | 数千万 reads/样本 | 周级培养周期 |
| 宿主 DNA 干扰 | 小（引物特异） | 大（粪便宿主 DNA 可达 90%+，需去宿主策略） | 无 |
| 适合问题 | 大队列组成筛查、分期关联 | 机制通道定量（TMAO/胆汁酸酶系）、MAG、耐药组 | 功能验证、活菌候选 |
| 本数据集定位 | ✓（已采用） | ✗（未采用） | ✗（未采用） |
对本数据集的直接含义：它提供的是组成层面的分期关联证据。若检索者想验证「哪些菌株携带 CutC/CntA」「产丁酸路径在晚期是否真的下调」，16S 数据只能给候选属名单，功能与菌株级确证需要后续 shotgun 或培养验证——这正好解释了为什么登记描述里关联分析用的是「代谢物侧证据」来补功能信息：代谢物是功能的直接化学读出，菌群丰度只是功能潜力的间接代理。
G.2 扩增子流程内的技术变量
V3-V4 扩增子并非单一标准。下列变量都会影响结果，且本数据集多数未公开（附录 F.2），复现时须自行固定并声明：
- 引物对选择：341F/806R（Emmett 变体）、515F/806R 等变体对 Gardnerella、Bifidobacterium 等属的覆盖度不同；
- 读长与合并：2×250 可完整覆盖 V3-V4（~460 bp）；2×150 需重叠合并，合并失败率影响 ASV 数量；
- 降噪 vs 聚类：DADA2 ASV 与 97% OTU 聚类在稀有序列处理上差异显著；
- 注释库：SILVA 与 GTDB 的属级边界不同，跨研究比较时注释库必须声明；
- 组成性偏差：所有丰度检验方法（ANCOM-BC、ALDEx2、 MaAsLin2 with CLR）对组成性的处理不同，结论的方向性比 p 值更可迁移。
G.3 与代谢组联动的接口设计
本数据集的「菌群属 × 粪便代谢物」关联分析有一个方法学上的巧点值得说明：代谢物是菌群功能的化学读出。在 16S 分辨率受限的前提下，功能推断的最强替代证据就是「某属丰度 × 某代谢物浓度」的稳定关联——例如拟杆菌属丰度与次级胆汁酸浓度的正相关、链球菌属与 TMA 前体的关联。粪-血配对进一步区分了肠腔侧（粪便）与循环侧（血清）的暴露。这套接口设计在 16S-only 研究里是性价比最高的功能推断路径，也是本数据集设计上最值得学习的部分。
附录 H：CKM 各期与菌群研究的证据地图（背景延伸）
以下梳理不针对本数据集本身，而是给检索者一张「CKM 分期 × 菌群证据」的背景地图，帮助定位 44 人数据在整个证据谱里的位置：
H.1 按分期的证据密度
| CKM 分期 | 菌群研究证据密度 | 典型发现 | 数据缺口 |
|---|---|---|---|
| 0 期（无危险因素） | 中（借道健康人队列） | HMP/AGP 类健康人参考构成 | 极少以「CKM 0 期」名义招募的研究 |
| 1 期（脂肪组织功能失调） | 中（肥胖菌群研究丰富） | 肥胖者菌群多样性下降、产丁酸菌减少；减重后部分可逆 | 肥胖研究未按 CKM 1 期口径重新分期 |
| 2 期（代谢危险因素） | 高（T2D/高血压菌群文献量大） | T2D 菌群信号（多家队列、部分可重复）；TMAO 与高血压关联 | 糖尿病/高血压研究同样未按 CKM 口径分期 |
| 3 期（亚临床 CVD） | 低 | 亚临床动脉粥样硬化与菌群代谢物（TMAO、苯乙酰谷氨酰胺）的关联报告 | 分期特异原始数据稀缺——本数据集覆盖此期 |
| 4 期（临床 CVD） | 中（心衰菌群有专项） | 心衰患者肠道菌群改变、肠壁水肿假说、尿毒症毒素蓄积 | 心衰研究未与 CKM 4a/4b 细分对齐 |
这张地图的核心信息：CKM 框架下的分期特异菌群数据整体稀缺——既有研究各自按疾病诊断（肥胖、T2D、心衰）招募，没人按 0-4 期统一分期。HRA020686 的 19/25 分组虽粗，但至少把「心血管是否受累」这条分期主线切开了，这正是地图上最缺的那一刀。
H.2 跨人群比较的注意事项
把本数据集（中国人群）与欧美队列比较时，四个层面的人群差异要计入：
- 饮食结构：膳食纤维、红肉/水产摄入比例不同 → SCFA 与 TMAO 前体负荷的基线不同；
- 体重切点：亚洲人群用 BMI ≥23/腰围 80-90 cm 的更低切点（§2.2），分期归属的人群构成不可直接换算；
- 测序与流程差异：不同研究的引物区段、平台、注释库不同，属级比较只能做方向性叙述（§7.1）；
- 用药谱差异：中药、二甲双胍使用率、他汀可及性等在人群间分布不同，用药混杂的形态也不同。
H.3 从本数据集出发的三个自然后续问题
- 可逆性问题：分期回退（减重、代谢改善）是否伴随菌群组成的同向回退？——需要纵向设计，本数据集的基线组成可作为回退研究的参照起点；
- 代谢物中介问题：晚期组差异属的丰度变化有多少能被粪便代谢物解释？——待代谢组数据可得后做中介分析；
- 跨人群一致性问题：本数据集检出的分期关联属，与欧美 CKM/心衰队列的方向是否一致？——属级方向性叙述比较即可启动，无需合并数据。
附录 I：申请材料自查清单（GSA-Human 受控申请实操）
给准备向 DAC HDAC010189 提交申请的检索者一份逐项自查清单：
- [ ] GSA-Human 机构认证账号已注册（个人邮箱账号通常不足，需机构背书）；
- [ ] 研究目的说明：一页纸，含科学问题、为何需要本数据集（写明 HRA020686）、计划分析；
- [ ] 样本子集说明：是否需要全部 44 样本；分期标签清单（坑 3）与代谢组数据可得性（坑 5）一并在申请或预沟通邮件中确认；
- [ ] 数据安全承诺：不重识别、不未授权再分发、存储与访问控制措施（机构服务器/加密盘/访问日志）；
- [ ] 数据出境合规（国际团队）：确认分析行为与《人类遗传资源管理条例》及 DAC 条款的适配；涉及跨境计算集群的需特别说明；
- [ ] 发表计划：论文/预印本的数据可用性声明模板（将写明 HRA020686 与 DAC 信息）；
- [ ] 联系方式：机构邮箱 + ORCID；对个人邮箱（anny_069@163.com）的首次邮件附英文研究计划摘要；
- [ ] 时间预期：审批时限未公开承诺（附录 F.2），建议在邮件中主动询问预期等待时间。
附录 J：写作与引用规范
J.1 引用本数据集的推荐格式
Linpei Jia (Xuanwu Hospital, Capital Medical University). Fecal metagenomic profiling of cardiovascular-kidney-metabolic syndrome. NGDC GSA-Human, HRA020686 (BioProject PRJCA072736). Released 2026-09-10. Controlled access via DAC HDAC010189.
配套框架文献引用：
Ndumele CE, Rangaswami J, Chow SL, et al. Cardiovascular-Kidney-Metabolic Health: A Presidential Advisory From the American Heart Association. Circulation. 2023;148(20):1606–1635. doi:10.1161/CIR.0000000000001184.
J.2 表述纪律自检表
| 禁用表述 | 替代表述 | 理由 |
|---|---|---|
| 「菌群导致 CKM 进展」 | 「菌群组成与 CKM 分期相关」 | 横断面无因果（§8.1） |
| 「宏基因组测序」 | 「16S rRNA V3-V4 扩增子测序」 | 实验记录口径（坑 2） |
| 「公开数据集」 | 「受控访问数据集（DAC 审批）」 | 页面访问方式（坑 1） |
| 「CKM 患者的诊断标志物」 | 「候选关联属/代谢物」 | 小样本探索性（坑 7） |
| 「TMAO 水平升高的机制是某属增加」 | 「某属丰度与 TMAO 水平相关」 | 16S 无功能定量（§G.1） |
| 「44 名健康对照」 | 本数据集无健康对照 | 登记描述（§1 Q12） |
J.3 数据可用性声明模板
The 16S rRNA V3-V4 amplicon sequencing data used in this study are available from NGDC GSA-Human under accession HRA020686 (BioProject PRJCA072736). The dataset is controlled access; data were obtained with approval from the Data Access Committee HDAC010189 (contact: anny_069@163.com). Sample-level clinical metadata are available to qualified researchers upon application through https://ngdc.cncb.ac.cn/gsa-human/browse/request/HRA020686. CKM syndrome staging follows the American Heart Association 2023 framework (Ndumele et al., Circulation 2023;148:1606–1635).
（注：模板中申请入口 URL 以登记页所示为准；使用前核对拼写。）
附录 A：术语表
| 术语 | 释义 |
|---|---|
| CKM 综合征 | 心血管-肾脏-代谢综合征，AHA 2023 定义：代谢危险因素、CKD 与 CVD 相互作用的统一病理生理连续谱，而非三个独立疾病的并列 |
| CKM 分期（0-4 期） | AHA 递进式分期：0 无危险因素；1 脂肪组织过量/功能失调或糖尿病前期；2 代谢危险因素或中高危 CKD；3 亚临床 CVD 叠加；4 临床 CVD（4a 无肾衰 / 4b 合并肾衰） |
| 16S rRNA V3-V4 | 细菌 16S 核糖体 RNA 基因的 V3 与 V4 高变区，扩增子测序最常用目标区段（约 460 bp 扩增子） |
| 扩增子测序（amplicon） | PCR 扩增特定基因区段后测序，仅提供分类组成信息，分辨率一般到属级 |
| shotgun 宏基因组 | 全基因组鸟枪法测序，可到种/株级并定量功能基因，与本数据集的扩增子策略相对 |
| ASV | 扩增子序列变异体（amplicon sequence variant），DADA2 等降噪方法输出的高分辨率 OTU 替代物 |
| DAC | Data Access Committee，数据管理委员会，受控访问数据集的审批主体 |
| GSA-Human | NGDC 旗下人类遗传资源测序数据分库，编号前缀 HRA/HRD/HRI/HRS/HRX/HRR |
| GSA | NGDC 通用测序数据归档库（非人类/无标识数据），前缀 CRA/CRD/CRS/CRX/CRR |
| dbGaP / EGA | 美国 NIH / 欧洲 EBI 的受控基因组-表型数据档案，与 GSA-Human 功能对应 |
| NGDC | National Genomics Data Center，国家基因组科学数据中心，依托中科院北京基因组研究所（国家生物信息中心） |
| INSDC | International Nucleotide Sequence Database Collaboration，国际核酸序列数据库合作联盟（NCBI/EBI/DDBJ） |
| SCFA | 短链脂肪酸（乙酸、丙酸、丁酸），菌群发酵膳食纤维的产物，宿主能量与免疫调节接口 |
| TMAO | 氧化三甲胺，菌群代谢膳食胆碱/肉碱产物 TMA 的肝氧化产物，与心血管风险相关并在 CKD 中蓄积 |
| FMO3 | 黄素单加氧酶 3，肝内将 TMA 氧化为 TMAO 的宿主酶 |
| CutC/CntA | 菌群切割胆碱产生 TMA 的关键酶系 |
| 胆汁酸 | 肝脏合成、菌群修饰的信号分子，经 FXR/TGR5 调节糖脂代谢，菌群-宿主代谢关键中介 |
| 尿毒症毒素 | 肾功能下降时循环蓄积的毒素，部分源于菌群代谢（硫酸吲哚酚、硫酸对甲酚、苯乙酰谷氨酰胺等） |
| KDIGO 热图 | 按 eGFR 与白蛋白尿组合划分 CKD 风险等级的矩阵，CKM 分期引用其风险分级 |
| PREVENT | AHA 2023 推出的心血管风险预测方程，纳入肾功能与代谢控制，替代旧 pooled cohort equations |
| 粪-血配对代谢组 | 同一参与者同时检测粪便与血清代谢物，区分菌群肠腔输出与宿主循环暴露 |
| 横断面研究 | 单一时点采样观测，可测关联、不可定因果 |
| PERMANOVA | 基于距离矩阵的多元方差分析，检验组间 β 多样性差异 |
| ANCOM-BC | 基于偏组成数据的差异丰度检验方法 |
| PICRUSt2 | 基于 16S 谱系的功能预测工具，输出为预测值而非测量值 |
| DADA2 | 扩增子数据降噪与 ASV 推断的主流算法 |
| Life’s Essential 8 | AHA 心血管健康八要素：饮食、运动、睡眠、戒烟、体重、血压、血糖、血脂 |
附录 B：扩展 FAQ
Q16：为什么这份 44 人的小数据值得单独建条目？
因为它占据的空位不可替代：库内五大菌群条目无一带 AHA CKM 分期标注、无一来自中国受控登记体系。小样本数据的百科价值不在统计功效，而在「存在性证明 + 效应方向提示 + 路径示范」。
Q17：GSA-Human 和 GSA 是一回事吗？
不是。GSA 是通用归档库（公开为主），GSA-Human 专管人类遗传资源（公开 + 受控 + DAC）。两者编号前缀体系完全平行（CRA 系 vs HRA 系）。本数据集在 GSA-Human，因为携带可识别健康信息。
Q18：如果 DAC 一直不批怎么办？
受控模式没有强制审批时限。缓解策略：① 申请前邮件确认材料清单减少往返；② 备选同主题公开资源（curatedmetagenomicdata 内的心脏代谢队列、MGNIFY 检索 CKM 关键词）；③ 关注提交者后续论文的数据可用性声明。
Q19：16S 数据能做 PICRUSt2 吗？
技术上可以，但必须明确标注为「基于 16S 的功能预测」。涉及 TMAO、胆汁酸等酶学通道的定量结论不建议建立在预测值上；配套代谢组（若获取到）才是定量证据源。
Q20：19/25 两组的期数构成（1 期几人、2 期几人）公开吗？
不完整。公开片段可见部分样本的期数（stage 1、stage 2 等），但全量构成属受控信息。公开锚点只有两组总数 19/25。
Q21：样本是单人单次采样吗？
登记信息显示每人 1 份粪便样本、单时点（横断面）。无随访采样记录。
Q22：数据集未来会转公开吗？
DAC 描述承诺「无限制公开」，但截至成稿仍为受控且无转公开公告（坑 1）。两者谁代表最终意图不可判定，检索者以页面当时状态为准，勿押注转公开。
Q23：能用本数据集训练分类器/预测模型吗？
技术上可行但统计上无意义：44 人训练的模型必然过拟合，无独立验证集。合理做法是把它当特征筛选/效应量参考池，模型开发用更大队列。
Q24：与库内条目的互链 rid 各是多少？
curatedmetagenomicdata（513）、hmp（44）、american-gut-project（508）、mgnify（503）、gmrepo-v3（1181）。frontmatter relatedLink 已含五条互链 URL。
Q25：本条目的双口径冲突如何快速定位？
两处：① DAC 描述的「无限制公开」承诺 vs 页面 Controlled access 设定（坑 1）；② 标题的 metagenomic profiling vs 实验记录的 16S AMPLICON（坑 2）。自动抽取管道分别以「受控设定」与「实验记录」为裁决口径。
附录 C：参考来源与证据链
C.1 一手来源（2026-10-17 实抓）
| 来源 | URL | 提取的关键事实 |
|---|---|---|
| NGDC GSA-Human 数据集页 | https://ngdc.cncb.ac.cn/gsa-human/browse/HRA020686 | 标题、44/19/25 人数、Controlled access、DAC HDAC010189、Linpei Jia、anny_069@163.com、发布日期 2026-09-10、BioProject PRJCA072736、DAC 描述矛盾句原文、实验/Run/样本记录（HRX2921239、HRR3513870、HRS2639935、SAMC8431442、AMPLICON、NextSeq 2000、16S V3-V4） |
| NGDC BioSample 页 | https://ngdc.cncb.ac.cn/biosample/browse/SAMC8431444 | 提交者 Linpei Jia（anny_069@163.com）、单位 Xuanwu Hospital Capital Medical University、提交日期 2026-08-30、样本 -80°C 保存与 16S 测序描述、受控附加信息声明 |
| NGDC BioProject 页 | https://ngdc.cncb.ac.cn/bioproject/browse/PRJCA072736 | 项目级登记 |
| NGDC DAC 页 | https://ngdc.cncb.ac.cn/gsa-human/browse/browse/dac/HDAC010189 | DAC 信息 |
| 申请入口 | https://ngdc.cncb.ac.cn/gsa-human/browse/request/HRA020686 | 受控申请路径 |
C.2 框架与机制背景来源
| 来源 | 位置/URL | 用途 |
|---|---|---|
| Ndumele CE, et al. Circulation. 2023;148(20):1606–1635 | doi:10.1161/CIR.0000000000001184 | CKM 综合征定义与 0-4 期分期 |
| CKM 分期临床速查（整理） | https://renalcarematters.com/guides/calc-ckm-staging | 分期标准、KDIGO/亚洲切点、分期管理速查 |
| CKM 定义报道（MedPage Today） | https://medpagetoday.com/infectiousdisease/covid19/106695 | 主席建议发布背景、PREVENT、筛查节奏 |
| CKM 定义报道（Inside Precision Medicine） | https://www.insideprecisionmedicine.com/topics/precision-medicine/new-cv-syndrome-includes-obesity-type-2-diabetes-kidney-disease-and-heart-disease | 分期定义与 Ndumele 表述 |
| CKM 定义综述（DiscoverMedNews） | https://discovermednews.com?p=11443/ | KDIGO 热图引用、4a/4b 细分 |
| WCN 2026 摘要 WCN26-6809（不同队列，勿混淆） | https://www.sciencedirect.com/science/article/pii/S2468024926011010 | 同主题独立证据（68 人） |
| TMAO 通道儿科 CKD 研究 | Int J Mol Sci. 2018;19:3699（PMID 30469463，PMCID PMC6320870） | 菌群-TMAO-CKD 关联机制背景 |
| NIH 资助项目 | https://heart.dimensions.ai/details/grant/grant.15181273 | 肠源尿毒症毒素与 CKM 研究方向 |
C.3 证据链自证表
| 关键数字/事实 | 来源 | 交叉验证 |
|---|---|---|
| 44 名参与者（19 + 25） | 数据集页主描述 | 搜索缓存文本一致 |
| 受控访问 + DAC HDAC010189 | 数据集页访问方式与 DAC 字段 | 申请入口存在 |
| Linpei Jia / anny_069@163.com | 数据集页 DAC 字段 | BioSample 页 Submitter 字段一致 |
| Xuanwu Hospital Capital Medical University | BioSample 页 Submitter.Organization | — |
| 提交 2026-08-30 / 发布 2026-09-10 | BioSample 页 / 数据集页 Release date | — |
| 16S V3-V4 / AMPLICON / NextSeq 2000 | 实验 HRX2921239 等多条记录 | BioSample 描述一致 |
| 双端 fastq.gz（_f1/_r2） | Run HRR3513870 等文件清单 | — |
| 分期内嵌样本描述 | 样本 HRS2639935 等描述字段 | — |
| DAC 矛盾句原文 | 数据集页 DAC 描述字段 | 原样存照（坑 1） |
附录 D：数据获取决策树与建议互链点
D.1 决策树
需求是什么？
├── 只想确认数据集存在与规模
│ └── 公开浏览 HRA020686 / PRJCA072736 页面（无需申请）
├── 想做分期 × 菌群组成分析
│ ├── 1) GSA-Human 账号 + 受控申请（Request Data 页）
│ ├── 2) DAC HDAC010189 审批（邮件预沟通材料清单）
│ └── 3) 下载 HRR fastq → 附录 E 流程
├── 想做菌群 × 代谢物关联
│ ├── 申请时向 DAC 询问代谢组数据可得性（坑 5）
│ └── 无代谢组时降级为纯菌群臂分析
├── 想要健康对照或大样本背景
│ └── 库内 hmp / american-gut-project / curatedmetagenomicdata（概念性参照，不可合并）
└── 想研究数据治理
└── 本条目 §5 坑 1 + §6.3 三库对照表可直接引用
D.2 建议互链点（库内条目 + rid）
| 互链条目 | rid | 互链理由 |
|---|---|---|
| curatedmetagenomicdata | 513 | shotgun 标准化集合，与本 16S 原始数据形成「处理表 vs 原始读段」互补；无 CKM 分期队列 |
| hmp | 44 | 健康人多部位参考，可作病例侧的对照概念基准；rid 44 与本数据集 44 人纯巧合 |
| american-gut-project | 508 | 公众众筹 16S 大队列，人群光谱另一端；无临床分期 |
| mgnify | 503 | EBI 泛化微生物组档案，仓库型资源对照 |
| gmrepo-v3 | 1181 | 人类肠道菌群 curated 仓库，参考型资源对照 |
附录 E：推荐分析流程骨架（检索者自定声明版）
阶段 0 数据获取与校验
- 受控申请获批后核对：个体/样本/Run 计数（总数锚点 44；分组锚点 19/25）
- 解析样本描述中的 CKM stage 标签，构造机器可读分组表
阶段 1 QC 与降噪
- cutadapt 去引物（引物序列需自定并声明）
- QIIME 2 + DADA2：双端合并、截断参数按质量图自定、嵌合体去除
阶段 2 分类注释
- SILVA 138.1 或 GTDB 16S 分类器（V3-V4 区特异训练）
阶段 3 多样性分析
- α：Shannon、observed ASV（分期两组 Wilcoxon）
- β：UniFrac（加权/非加权）、Bray-Curtis；PERMANOVA（分层性别）
阶段 4 差异属
- ANCOM-BC（属级计数表，协变量性别）；报告效应量与 CI，不只报 p 值
阶段 5 分期梯度敏感性
- 原始分期号（1/2/3/4）趋势检验（MaAsLin2 固定效应）
- 检验 19/25 二分组是否掩盖梯度（坑 7 的缓解）
阶段 6 菌群-代谢物关联（数据可得时）
- Spearman/偏相关 + FDR；属 × 代谢物网络
阶段 7 报告纪律
- 全文用「关联/富集」措辞；功能预测标注 PICRUSt2 来源；
- 数据可用性声明写明 HRA020686 + DAC HDAC010189 + 申请入口
附录 F：存照与遗留疑点（全文汇总）
F.1 双口径冲突存照
- 访问方式矛盾（坑 1）：页面 Access = Controlled access + 申请入口 + DAC 机制在运行；同页 DAC 描述原文 「This dataset consists of 16S rRNA amplicon sequences from patients of CKM. All data will be made publicly available without any access restrictions.」 承诺无限制公开。本条目按受控口径成稿，矛盾句原样引用，不强行统一。推测成因（仅存照不入口径）：DAC 描述沿用模板或早期公开计划残留。
- 测序类型口径（坑 2）：标题/主描述称 metagenomic sequencing/profiling；实验记录建库策略 AMPLICON、实验标题 16S V3-V4、BioSample 描述 16S rRNA gene sequencing。本条目按实验记录口径（16S 扩增子）成稿。
- WCN26-6809 摘要（坑 6）：68 人（38+30）与本数据集 44 人（19+25）不同，主题相近但非同一研究，存照不并。
- 编号跳号（坑 4）：H002 起、H005/H010/H012 等未见；原因受控未公开，存照提示勿按连续编号构造清单。
F.2 遗留疑点（查不到即如实记录）
- 配套论文：截至 2026-10-17 未确证发表；追踪关键词 Linpei Jia + Xuanwu Hospital + CKM；
- 代谢组原始数据位置：未公开（坑 5）；
- 测序读长模式：未公开（NextSeq 2000 常见 2×150/2×250，不可代填）；
- 引物序列、PCR 循环数、对照设置：未公开；
- DAC 审批章程与时限：未公开；
- 跳号原因：未公开；
- 样本级临床元数据（年龄、用药、eGFR、BMI）：受控，公开摘要不可得；
- 招募时间窗与伦理批件号：登记页未载。
F.3 本条目的裁决口径速查（供自动抽取管道）
| 冲突点 | 裁决口径 |
|---|---|
| 访问方式 | Controlled access（以页面访问方式字段与申请入口为准） |
| 测序类型 | 16S rRNA V3-V4 amplicon（以实验记录为准） |
| 分组人数 | 44 总数，19/25 分组（以主描述为准，受控清单获批后复核） |
| 样本总数 | 44 样本/44 人（以主描述为准，公开清单仅部分渲染） |
附录 K：条目扩展问答（Q26-Q45）
Q26：HRA020686 的「HRA」前缀代表什么？
GSA-Human 的数据集（study）级前缀。同级体系里 HRD 是分析/Variant 级资源，HRI/HRS/HRX/HRR 依次是个体、样本、实验、运行。前缀一眼可辨数据落在 GSA-Human 而非通用 GSA（CRA 系）或 SRA（SRR 系）。
Q27：为什么提交日期（2026-08-30）和发布日期（2026-09-10）相差 11 天？
GSA-Human 的常规流程：提交后经平台校验（元数据完整性、编号分配、受控设置确认）再正式发布。11 天属正常校验周期，无特殊含义。
Q28：能看到全部 44 人的性别构成吗？
公开页面只渲染部分个体清单，全量性别构成受控。可见片段为男女混合。分析中的性别协变量需受控数据。
Q29：样本描述里「-80 degrees C」后面被截断的部分是什么？
公开渲染对描述字符串有长度截断（以省略号结尾）。完整描述受控，推测包含保存时长、DNA 提取方法等，但属推测不入口径。
Q30：本数据集有 DOI 吗？
检索未见数据集专属 DOI（GSA-Human 以 HRA 编号为主要引用标识）。引用建议用 HRA020686 + PRJCA072736 双编号（附录 J.1）。
Q31：为什么标题用 profiling 而不是 sequencing？
提交者的措辞选择，未公开解释。宽泛语境下 profiling 可指「菌群谱刻画」，与扩增子手段不矛盾（坑 2）；但自动化检索时会被 metagenome sequencing 过滤器误配，属已存照的坑。
Q32：NextSeq 2000 上 16S 的典型产出是多少？
经验量级：V3-V4 双端 250 模式下每样本 5-20 万对 reads 常见；页面显示单 Run 文件体积 0.00 GB 量级与该量级相容。精确产出受控，勿引用本条推测。
Q33：能把本数据集的 ASV 表和 american-gut-project 的合并做联合分析吗？
不建议。两者的引物区段、测序平台、流程、人群构成差异都会引入批次效应，44 人 vs 数万人的体量差也会让合并分析被大队列主导。做方向性叙述综合即可（§7.3）。
Q34：WCN 摘要的 68 人队列和本数据集有没有可能来自同一团队？
无法确证。摘要未署本数据集提交者名，人数与分组也不同（坑 6）。即使主题高度相近（CKM 分期 × 菌群 × 代谢物），本条目维持「独立工作存照」处理。
Q35：如果代谢组数据后来发布了，怎么知道？
复查渠道：① GSA-Human 检索提交者 Linpei Jia 的名下登记；② BioProject PRJCA072736 页的关联资源；③ 代谢组常用库（MetaboLights、Metabolomics Workbench）检索 Xuanwu Hospital + CKM。
Q36：受控元数据里通常会有哪些字段？
GSA-Human 受控样本记录常含完整临床变量（本例可推测：精确分期号、年龄、临床化验），但具体字段清单未公开。申请获批后以实际发放为准，勿预填。
Q37：本数据集的伦理批件信息在哪？
登记页未载伦理批件号（附录 F.2 遗留疑点）。受控申请材料可能披露；中国人遗采集一般有人遗行政许论证照，检索者可向 DAC 询问。
Q38：可以只用本数据集发论文吗？
技术上可行，学术上偏薄：44 人的分期比较作为主结果单薄，建议至少搭配外部参照（健康人侧或同主题队列）或作为更大研究的先导部分发表。
Q39：checklist 里的「机构背书账号」具体指什么？
GSA-Human 受控申请通常要求可核验的机构身份（.edu/.ac/.com 域名邮箱或机构认证流程），具体标准以平台当期要求为准，本条目不代为声明。
Q40：分期标签会错吗？
分期由临床团队判定（依据 AHA 标准），登记元数据未公开判定流程与一致性核查信息。使用者获批后可做分期与化验值的逻辑一致性抽查（如 4b 期应有肾衰竭记录）。
Q41：为什么条目强调「效应量与置信区间而非只给 p 值」？
小样本研究 p 值的功效波动大，不显著≠无差异（§4.4）；效应量方向与区间才是可迁移到后续大队列的信息，也是本数据集作为先导资源的正确读法。
Q42：AHA 分期在本数据集里是谁判定的？
提交团队临床医师按 AHA 标准判定（推断自研究设计），判定细则未公开。检索者复用分期标签时引用登记源即可，无需重判定。
Q43：16S 数据能推断多样性的绝对值吗？
α 多样性绝对值受测序深度与流程影响，跨研究比较需在同一流程内稀释/标准化后进行。本数据集与外部研究的多样性值不可直接比大小。
Q44：条目里「推断（标注为推断）」的边界在哪？
本条目铁律：登记页/官方页可确证的事实直陈；凡由登记信息外推（如单中心、城市人群、临床判定流程）一律显式标注推断；无证据的猜测不入正文（如跳号原因、转公开动机仅存照推测）。
Q45：后续若配套论文发表且与本条目冲突，以谁为准？
以论文为准（同行评审 > 登记页描述）。本条目成稿时点的所有「未公开/未确证」结论应在论文发表后复核更新。
附录 L：术语与编号速查卡
L.1 本数据集编号速查
| 对象 | 编号 | 示例 |
|---|---|---|
| 数据集（study） | HRA020686 | — |
| BioProject | PRJCA072736 | — |
| DAC | HDAC010189 | — |
| 个体 | HRI 前缀 | HRI2029503（H002，female） |
| 样本 | HRS 前缀 | HRS2639935（H002 粪便） |
| BioSample | SAMC 前缀 | SAMC8431442（对应 HRS2639935） |
| 实验 | HRX 前缀 | HRX2921239（H002 的 16S V3-V4 建库） |
| Run | HRR 前缀 | HRR3513870（f1/r2 双端文件） |
L.2 关键日期速查
| 日期 | 事件 |
|---|---|
| 2023-10 | AHA CKM 主席建议发布 |
| 2026-08-30 | HRA020686 提交 |
| 2026-09-10 | HRA020686 发布（受控） |
| 2026-10-17 | 本条目检索成稿 |
L.3 核心锚点数字（校验用）
| 锚点 | 值 | 用途 |
|---|---|---|
| 参与者总数 | 44 | 受控清单总数校验 |
| CKM 1-2 期 | 19 | 早中期组校验 |
| CKM 3-4 期 | 25 | 晚期组校验 |
| 19 + 25 | 44 | 分组完备性校验（坑 3） |
| hmp 库内 rid | 44 | 纯巧合，勿混淆（§7.2） |
附录 M：CKM 分期框架逐期叙述版（背景扩展）
§2.2 的分期表格适合速查，但分期体系的逻辑脉络值得用叙述展开一遍——这是理解本数据集分组设计（以及它的局限）的必要背景。
M.1 从第 0 期说起：为什么「无危险因素」也要单列
AHA 把「没有任何 CKM 危险因素」单独列为第 0 期，看似多余，实则是框架的方法论声明：CKM 是一个从生命早期就开始累积的过程，第 0 期不是「无事发生」而是「最佳干预窗口」。第 0 期的管理目标完全落在生活方式（Life’s Essential 8：饮食、身体活动、睡眠、尼古丁回避、体重、血压、血糖、血脂），筛查节奏最稀疏（每 3-5 年）。对菌群研究而言，第 0 期人群近似「健康人参考」，这也是库内 hmp、american-gut-project 等健康偏倚队列在概念上可作 0 期参照的原因——但参照不是对照，两者没有共享受试者与协议。
M.1a 第 1 期：脂肪组织成为起点
第 1 期的界定词是「过量或功能失调的脂肪组织（excess or dysfunctional adiposity）」，或糖耐量受损/糖尿病前期。这里的「功能失调」是关键词：脂肪组织不只是能量仓库，它是一个内分泌器官——功能失调的脂肪组织分泌促炎因子、游离脂肪酸，启动胰岛素抵抗。AHA 用「脂肪」而不是「肥胖」做分期起点，是为了覆盖体重正常但腹型肥胖/脂肪异位沉积的人群（亚洲人群尤其常见）。第 1 期的管理目标是至少 5% 的减重。在菌群证据谱里，这一期的文献最丰富的是肥胖菌群研究——多样性下降、产丁酸菌减少、菌群基因丰富度降低都是反复出现的信号，但这些研究没有按 CKM 1 期口径重新分期（附录 H.1）。
M.1b 第 2 期：代谢危险因素落地
第 2 期是「危险因素落地期」：2 型糖尿病、高血压、高甘油三酯血症、代谢综合征，或中-高危 CKD（KDIGO 热图中危以上）——满足其一即入期。这一期的管理目标从「预防发生」转向「达标防进展」，且 AHA 点名了具有心肾双重获益的药物（SGLT2 抑制剂、GLP-1 受体激动剂、非奈利酮、他汀）。对菌群研究，这一期既是文献最密的期（T2D 与高血压菌群研究极多），也是混杂最重的期——二甲双胍（本身重塑菌群）在此期的使用率很高。本数据集的早中期组（1-2 期 19 人）混合了这两期，组内异质性与用药混杂都折叠在内。
M.1c 第 3 期：亚临床心血管受累
第 3 期的定义是「亚临床 CVD 叠加 CKM 危险因素」，或极高危 CKD，或 PREVENT 预测风险极高。亚临床 CVD 的证据形态包括冠脉钙化（CAC）、亚临床动脉粥样硬化影像、心脏结构与功能的亚临床改变。这一期是整个分期体系里临床最微妙的一期——患者自觉无症状，但病理进程已越过临界点，管理强度按二级预防升级。对菌群研究，这一期恰是证据最稀的一期（附录 H.1）：传统的疾病诊断式招募（糖尿病、心衰）都不会聚焦它。本数据集的晚期组（3-4 期 25 人）把第 3 期与第 4 期合并，意味着「亚临床」与「临床」的界限也被折叠了——这是使用分期标签时要注意的粒度损失（坑 7）。
M.1d 第 4 期：临床 CVD 与 4a/4b 细分
第 4 期是「临床 CVD 落地期」：冠心病、卒中、外周动脉疾病、心衰或房颤叠加 CKM 危险因素。4a/4b 的细分以肾衰竭为界——4b（合并肾衰竭/透析）的管理涉及肾移植评估、透析个体化等心肾共管场景，风险层级又上一个台阶。心衰菌群研究（肠道壁水肿假说、细菌移位、循环内毒素与尿毒症毒素蓄积）提供了这一期最集中的机制文献。
M.2 分期体系的三条设计原则（对数据使用者的意义）
- 原则一：递进不等于单调。分期是风险递进的标尺，但个体轨迹可以回退（减重、代谢改善）——菌群研究若做纵向随访，「分期回退是否伴随菌群回退」是自然问题（§H.3）；
- 原则二：判定需要临床数据。每期上界的判定（KDIGO 分级、CAC、PREVENT 评分）都超出问卷能力，这就是为什么 CKM 分期数据必然来自临床登记而非公众众筹；
- 原则三：分期即干预强度。期的跨越对应治疗的阶梯升级，也就对应用药混杂的阶梯升级——这是分期比较研究（包括本数据集）的固有混杂形态，分析者必须把它写进限制节。
M.3 为什么 19/25 的粗分组仍然有价值
在上述脉络下回头评估本数据集的分组设计：它虽然粗糙（两期合并、粒度损失），但抓的是分期体系里临床上最关键的二分点——心血管是否已受累（1-2 期 vs 3-4 期）。这个二分点对应的干预哲学完全不同（预防 vs 二级预防），对应的用药谱、肾功能分布、炎症负荷也都系统性不同。44 人做出这个二分的组成差异信号，即使效应量估计粗略，方向性信息对后续大队列仍有先导价值。换句话说：粗分组不是缺陷的极限，而是在 44 人约束下信息量最优的选择。
附录 N：菌群-代谢物通道逐分子速查
给分析者一张「分子级」的速查表，覆盖本数据集设计逻辑里最相关的宿主-菌群化学接口：
| 分子/通路 | 产出方 | 化学路径 | CKM 关联点 | 16S 可见性 |
|---|---|---|---|---|
| 丁酸 | 毛螺菌科、罗氏菌属、粪杆菌属等 | 膳食纤维发酵 | 结肠屏障、胰岛素敏感性、血压调节（GPR109A） | 属级间接（产丁酸表型的属） |
| 丙酸 | 拟杆菌属、疣微菌门等 | 碳水发酵 | 肝糖异生调节、饱腹感 | 属级间接 |
| 乙酸 | 多数厌氧菌 | 发酵共产物 | 脂质合成信号 | 属级间接 |
| TMA/TMAO | CutC/CntA 携带菌（厌氧菌多样） | 胆碱/肉碱 → TMA →（FMO3）→ TMAO | 动脉粥样硬化、心衰预后、CKD 蓄积 | 属级很弱（酶携带者分散） |
| 次级胆汁酸（DCA/LCA） | 梭菌目成员（7α-脱羟酶） | 初级胆汁酸去结合、脱羟 | FXR/TGR5 信号、糖脂代谢、肠道屏障 | 属级间接 |
| 硫酸吲哚酚 | 吲哚阳性菌 | 色氨酸 → 吲哚 →（肝）硫酸化 | CKD 进展、心血管毒性（尿毒症毒素） | 属级间接 |
| 硫酸对甲酚 | 酪氨酸发酵菌 | 酪氨酸 → 4-甲酚 →（肝）硫酸化 | 心血管毒性（尿毒症毒素） | 属级间接 |
| 苯乙酰谷氨酰胺 | 苯丙氨酸发酵菌 | 苯丙氨酸 → 苯乙酸 →（肝）谷氨酰胺化 | 心血管事件关联报告 | 属级间接 |
| 咪唑丙酸 | 拟杆菌属等 | 组氨酸发酵 | IRS1 信号、胰岛素抵抗 | 属级间接 |
| 支链氨基酸（BCAA） | 多菌协同 | 蛋白发酵 | 胰岛素抵抗、肥胖 | 弱 |
表的使用建议：16S 数据上，以上任何「关联点」的结论都只能是「某属丰度 × 某分子浓度相关」的观察性陈述；机制性动词（产生、转化、驱动）必须留给 shotgun/培养/同位素证据。这张表的存在意义恰恰是标出 16S 的能力边界。
附录 O：中国数据基础设施长文补注
O.1 NGDC 的体系位置
NGDC（国家基因组科学数据中心）于 2019 年正式上线，依托中国科学院北京基因组研究所（国家生物信息中心，CNCB），整合了原 BIGD 等前期资源。它的库族谱系大致是：
- 归档类：GSA（通用测序归档）、GSA-Human（人类遗传资源）、OMIX（组学数据）、FAOM（功能扩增子）等；
- 知识库类：GenePlast、LncRNAWiki 等；
- 临床/变异类：Cancer Cell Line Encyclopedia 衍生资源、CPCG（中国人群基因组）等。
GSA-Human 在这个谱系里的特殊地位在于它的双重身份：既是科学归档库（INSDC 风格的编号与元数据规范），又是人遗合规基础设施（受控访问 + DAC + 与《人类遗传资源管理条例》的行政衔接）。本数据集的登记形态（HRA + PRJCA + SAMC 交叉编号、DAC 挂接、受控门禁）就是这两重身份叠加的产物。
O.2 INSDC 互认与编号交叉的现状
GSA/GSA-Human 与 NCBI SRA、EBI ENA、DDBJ 同属「归档库」功能位，但不在 INSDC 数据互换协议内——即 GSA 的数据不自动镜像到 SRA/ENA。跨库检索时：BioProject/BioSample 层面有交叉登记惯例（本例 PRJCA/SAMC 编号即挂接国际体系），但 Run 级数据本体只存于登记库。实操含义：在国际文献里看到 PRJCA 编号时，数据要去 NGDC 拉，不要在 SRA 里空找。
O.3 对数据治理研究者的三点观察
- 文书演进的活样本：本数据集 DAC 描述里「无限制公开」承诺与受控设定的并存（坑 1），是共享政策从早期公开导向转向人遗合规受控导向过程中的文风过渡残留，治理研究者可按时间序列追踪同类文本的演化；
- DAC 治理的分布式特征：NGDC 明示「平台不授权」，把审批权留给提交者组建的 DAC——这与 dbGaP 的 PI-DAC 模式同构，但章程透明度要求更低（本例章程未公开），问责留痕依赖申请-邮件-承诺的私域链路；
- 受控访问的成本形态：对比公开直链数据集，受控模式的检索者成本包括账号认证、审批等待、合规确认三重；这是合规代价而非平台缺陷，但在 DAIMS 的 A 项上必然显形（§9 已按此评分 4/10）。
附录 P：按使用场景的条目阅读路径
| 你是 | 最短路径 | 相关坑 |
|---|---|---|
| 数据检索者/研究生 | §1 → §3.4 → §6.2 → 申请 | 坑 1/3/5 |
| 菌群分析者 | §2.2 → §3.3 → §4.4 → 附录 E | 坑 2/4/7 |
| 临床研究者/综述作者 | §2.1-2.3 → §4 → §7 → 附录 H | 坑 6 |
| 数据治理研究者 | §5 坑 1 → §6.3 → 附录 O | 坑 1 |
| 教学用途 | §0 → §5 全部 → §6.2 → 附录 I/J | 全部 |
| 库内记账/互链 | §7.6 → 附录 D.2 | hmp rid 44 巧合 |
附录 Q：扩展术语表（K 表续编）
| 术语 | 释义 |
|---|---|
| 腹型肥胖 | 脂肪向腹腔内脏沉积的分布模式，腰围为主要测量，CKM 第 1 期核心判据之一 |
| 脂肪组织功能失调 | 脂肪组织内分泌与代谢功能异常（促炎因子分泌、脂肪异位沉积），AHA 分期用词，不等同于单纯超重 |
| 糖耐量受损 | 空腹血糖正常但餐后血糖调节异常的状态，糖尿病前期形态之一，CKM 第 1 期判据 |
| 胰岛素抵抗 | 靶器官对胰岛素响应下降的病理状态，CKM 连续谱的共享上游机制 |
| 内脏脂肪 | 腹腔内脏周围脂肪，与代谢风险的相关性强于皮下脂肪 |
| SGLT2 抑制剂 | 钠-葡萄糖协同转运蛋白 2 抑制剂，具心肾获益的降糖药，CKM 第 2-4 期常用药，可重塑菌群 |
| GLP-1 受体激动剂 | 胰高血糖素样肽-1 受体激动剂，减重降糖且有心血管获益证据 |
| 非奈利酮 | 非甾体盐皮质激素受体拮抗剂，糖尿病 CKD 的心肾保护药 |
| CAC（冠脉钙化） | 冠脉钙化积分，亚临床动脉粥样硬化的影像证据，CKM 第 3 期筛查工具 |
| pooled cohort equations | 旧版 10 年心血管风险计算方程，正被 PREVENT 取代 |
| 房颤 | 心房颤动，CKM 第 4 期纳入的临床 CVD 形态之一 |
| 外周动脉疾病 | 下肢等外周血管的动脉粥样硬化性疾病，CKM 第 4 期纳入 |
| ASCVD | 动脉粥样硬化性心血管疾病的总称（冠心病、卒中、外周动脉疾病） |
| 白蛋白尿 | 尿白蛋白排泄升高，KDIGO 热图纵轴，CKD 风险分级的核心指标之一 |
| eGFR | 估算肾小球滤过率，肾功能的主要替代指标，KDIGO 热图横轴 |
| 肠道屏障 | 肠上皮与黏液层构成的通透性防线，菌群失调时完整性下降，细菌产物易位移入血 |
| 细菌移位 | 肠道细菌或其产物穿过屏障进入循环的病理过程，心衰「肠假说」的核心环节 |
| 肠假说（心衰） | 心衰时肠壁水肿、灌注下降导致屏障受损与细菌产物入血，解释循环炎症的机制框架 |
| FFAR/GPR41/43/109A | 短链脂肪酸与代谢物的 G 蛋白偶联受体家族，SCFA 信号进入宿主的分子接口 |
| FXR | 法尼酯 X 受体，胆汁酸核受体，调节胆汁酸、糖脂代谢 |
| TGR5 | 胆汁酸膜受体（GPBAR1），介导胆汁酸的能量消耗与抗炎信号 |
| FDR 校正 | 假发现率校正，多重检验的标准控制方法 |
| CLR 变换 | 中心对数比变换，组成性数据的常用预处理 |
| 组成性偏差 | 相对丰度数据「总和为 1」导致的统计伪影，丰度检验方法学核心难题 |
| MAG | 宏基因组组装基因组，shotgun 数据可拼出的菌株级基因组，16S 数据不可得 |
| 引物偏差 | 扩增子引物对不同类群扩增效率不同导致的组成估计偏差 |
| 嵌合体 | PCR 过程中形成的杂合序列，扩增子流程必须过滤的伪影 |
| 阴性对照 | 空白提取对照，用于估计污染背景，临床低生物量样本尤其重要 |
| 数据可用性声明 | 论文中说明数据获取路径的规范章节，受控数据集须写明登记号与审批信息 |
附录 R：扩展 FAQ（Q46-Q60）
Q46：粪便样本和血清样本在本研究里是同一天采集的吗？
未公开。粪-血配对设计的采样间隔未在登记信息中说明，属受控信息。分析时若代谢组数据可得，需确认配对时间窗。
Q47：DNA 提取方法是什么？
未公开（附录 F.2）。提取试剂盒（如 QIAamp 系、MO-BIO PowerSoil 系）对革兰阳性菌的回收率不同，是 16S 结果的已知偏差源。
Q48：本数据集有技术重复吗？
登记信息未见技术重复（每人 1 样本 1 Run）。批间效应评估需依赖受控元数据中的批次信息。
Q49：能确定采样全部来自单中心吗？
提交单位为首都医科大学宣武医院，合理推断单中心或以该院为主（显式标注推断），但多中心合作的可能性无法从登记页排除。
Q50：分期的临床判定依据（eGFR 值、CAC 评分等）会随数据发布吗？
大概率在受控元数据内。这是分析最有价值也最敏感的部分：分期判定的原始依据允许使用者做分期一致性复核（Q40）。
Q51：如果把本数据集当先导研究，怎么算后续大队列的样本量？
用本数据集的属级效应量与组内方差做粗估（fdrpower、micropower 等扩增子功效工具），并按检测目标（β 多样性 vs 差异属）分别计算；44 人的方差估计本身不确定度大，建议在算得的样本量上加 20-30% 缓冲。
Q52：GSA-Human 受控数据的下载是整包还是按 Run？
平台支持按 Run 拉取；整包打包形态以获批后的发放界面为准，本条目不代为描述。
Q53：申请被拒的常见原因有哪些？
通用经验：用途与本数据集主题无关、机构身份不可核验、安全承诺含糊、计划再分发原始数据。本 DAC 的具体标准未公开，以上仅为受控审批的通用风险项。
Q54：代谢组如果是非靶向的，可能覆盖哪些分子类群？
从设计描述推测（仅推断）：脂质、胆汁酸、氨基酸衍生物、芳香族代谢物、短链脂肪酸等粪便基质常见类群；精确覆盖以实际方法学发布为准。
Q55：本条目的「推断」标注具体出现在哪些地方？
§3.5（分析路径推断）、§4.1（设计还原中的补全项）、§4.3（单中心推断）、§5 坑 1 的成因推测（仅存照）、附录 M（分期背景为框架叙述而非本数据集事实）。所有推断处均显式标注，未标注处均为登记页可确证事实。
Q56：AHA 分期与 CKD 分期（KDIGO）会不会混用？
不会，但要注意区分：CKM 分期是 0-4 期的整体框架，KDIGO 热图是其中 CKD 维度的风险分级工具（决定第 2/3 期归属）。本数据集的「1-2 期 vs 3-4 期」是 CKM 分期口径，不是 CKD 分期口径。
Q57：16S 能检测真菌/病毒吗？
不能。16S 只覆盖细菌（与部分古菌）。CKM 研究里的真菌（念珠菌属等）与噬菌体组需要 ITS 扩增或 shotgun 数据，本数据集不提供。
Q58：数据集里有没有不可培养菌的信号？
16S ASV 层面会包含未培养类群的序列（能测到序列不等于能培养），这也是 16S 相对培养法的核心优势。但「序列存在」与「代谢活跃」是两回事，活性判断需要 RNA 层面或 shotgun 证据。
Q59：本条目与 FACTS.md 的关系？
本条目是成稿（Wikipedia 体），FACTS.md 是同目录下的研究底稿（九节结构），两者事实口径一致；双口径冲突与遗留疑点在 FACTS.md §9 与本条目附录 F 双向对应。
Q60：若需要引用本条目本身，规范是什么？
本条目属千方病案医数集站点内容，引用时建议同时给出本条目 URL 与一手登记号（HRA020686）；站点内容为二级整理，事实裁决以 NGDC 登记页与配套论文（若发表）为准。
附录 S：条目生产信息
- slug：ckm-gut-metagenome
- 条目版本：v1（2026-10-17 成稿）
- 写手代理：agent-g-ckmgutmeta
- 检索预算使用：WebSearch 2 次、WebFetch 1 次（均在纪律包限额内）
- 一手来源抓取清单：NGDC GSA-Human HRA020686 页（WebFetch 实抓）、WebSearch 缓存交叉核对（含 BioSample SAMC8431444 全文缓存）、AHA 框架三家媒体报道互证
- 查重结论：DB
url_name ILIKE '%ckm%'/'%metagenome%'0 命中；writing/ 目录无同名；slug 唯一性成立 - 开工三查留痕：锁 writing/ckm-gut-metagenome/.lock（agent-g-ckmgutmeta 2026-10-17T18:05）；ps aux | grep -c “[c]odebuddy” = 4；无改道
- 存照条目数：双口径冲突 2 处（坑 1、坑 2）+ 独立工作辨析 1 处（坑 6）+ 编号异常 1 处（坑 4）
- 遗留疑点数：8 项（附录 F.2）
附录 T：一点提醒——小数据集的正确打开方式
以 ckm-gut-metagenome 结尾，把这个条目最想传达的使用哲学收束成三条：
其一，把 44 人读成 44 份完整的临床档案，而不是 44 行丰度数据。 这个数据集的受控元数据（分期、临床背景）才是它区别于公众队列的稀缺部分；只拿 fastq 跑标准流程，等于把它用成了又一份普通的 16S 数据。
其二，把「未确证」当作信息而不是缺陷。 本数据集的论文缺席、代谢组缺口、审批章程不透明，都如实记录在附录 F.2——这些「未知」本身就是检索者规划获取路径与分析范围的输入，比含糊的乐观估计有用得多。
其三，把治理语境当数据的一部分。 HRA020686 与 DAC HDAC010189 的组合、那句自相矛盾的公开承诺、个人邮箱的单点依赖——这些治理细节决定了数据能不能被国际团队真正复用。对 AI-Ready 数据生态而言，一份「可发现、可理解、可申请」的小数据集，其工程价值不亚于一个大规模公开仓库。
附录 U：七个坑点的扩展解读（存照深度版）
U.1 坑 1 扩展：治理文书的「双写」现象
DAC 描述里「All data will be made publicly available without any access restrictions」这句话不是孤例式的笔误，它更像一类「文书双写」现象的样本：登记系统允许提交者自填 DAC 描述，而提交者沿用了项目早期（数据原拟公开）或通用模板的措辞，未随受控化的最终决定更新。同类现象在早期 GSA-Human 登记里并不罕见。对检索者的可操作结论有三条：
- 裁决优先级：页面结构化字段（Access 类型、申请入口、DAC 编号）优先于自由文本描述；结构化字段是平台流转逻辑依赖的口径，自由文本是提交者自填的修辞；
- 时效性：口径可能随时间变化（转公开、DAC 更换），引用本数据集时应注明检索时点；
- 申请策略：申请邮件中可礼貌引用该矛盾句，请 DAC 确认当前访问政策——这既是自我保护，也帮提交者发现文书残留。
U.2 坑 2 扩展：metagenome 一词的语义漂移
「metagenome/metagenomic」在文献里的用法本来就宽：狭义指 shotgun 全基因组，广义泛指「菌群层面的分子剖析」。中文语境的「宏基因组」同样两用。本数据集标题落在广义用法上，而实验记录落在狭义之外（扩增子）。这不是学术造假式的不一致，而是领域用词惯性的典型样本——但它对自动化管道的危害是真实的：以「metagenome」关键词 + WGS 过滤构建的数据集清单会误收本条目，而以「16S」过滤的清单会漏收。双口径存照（附录 F.3 裁决表）就是为了给这类管道一个明确的裁决锚点。
U.3 坑 3 扩展：为什么分期内嵌字符串是常见形态
GSA-Human 的样本描述字段是自由文本，没有结构化的「临床分期」字段类型。临床数据集的惯例是把关键分组信息写进描述句（本例：「classified as CKM stage X」）。这带来的分析摩擦：需要正则解析、解析结果无法保证全量（受控）、无版本化。改进方向是平台侧增加结构化临床字段或提交者附机器可读标签文件——但在那之前，解析受控描述句是唯一路径。19/25 锚点的存在让解析结果可以完备性校验：解析出的分期人数合计不等于 44 即说明有遗漏。
U.4 坑 4 扩展：跳号的两种可能形态
编号跳号在临床登记里有两种常见成因：其一，筛选性剔除（入组后退出、样本质控失败、编号预留未用）；其二，编号体系本身（机构内部编号含分中心前缀、复查编号重排）。两种成因对数据使用的含义不同：前者意味着编号缺失与数据质量可能相关（剔除原因若与结局相关，会引入选择偏倚的讨论空间）；后者只是标签美学问题。本数据集成因不明（受控），检索者获批后应向 DAC 确认——这属于「拿到数据后第一封邮件该问清单」里的一项。
U.5 坑 5 扩展：多组学数据的登记碎片化
菌群-代谢物联合研究的数据登记碎片化是行业通病：16S/shotgun 归测序库（GSA-Human/SRA），代谢组归代谢库（MetaboLights/Metabolomics Workbench）或根本不发布原始谱图只发丰度表。本数据集的「菌群在测序库、代谢组下落不明」形态是典型样本。给联合分析者的建议：① 申请时把代谢组数据可得性写成申请问题清单的固定一项；② 丰度表形式的代谢组数据（即便无原始谱图）也足以支撑属-代谢物关联复算，值得向 DAC 索取；③ 论文引用时把「代谢组数据未公开」写成限制，倒逼领域改善登记习惯。
U.6 坑 6 扩展：如何建立「数据集-论文」的可靠关联
数据集先登记、论文后发表场景下，建立两者关联的可靠方法按优先级排列：
- 论文 Data availability 节写明登记号（最强证据，等论文即可）；
- 提交者名 + 机构在文献库（PubMed/CNKI）的署名追踪（中强度）；
- 主题 + 人数 + 分组数字的匹配（弱——本数据集与 WCN26-6809 的辨析即靠此排除）；
- 时间线合理性（论文应在登记之后）。
本条目采用 1-3 全部缺位下的保守处理：无论文确证。这个保守立场让条目在未来论文发表时的修订方向只有一个——「补入」，而不会出现「撤回错误关联」的窘境。
U.7 坑 7 扩展：小样本分析的正确姿势清单
- 报告效应量（Cliff’s delta、响应比）与置信区间，弱化 p 值叙事；
- 预注册分析计划（哪怕只是 OSF 简单登记），防止 44 人数据上的自由度滥用；
- 不做探索性后的「验证性」修辞——同一数据上先筛后验是循环论证；
- 与同主题其他小队列做方向性汇总（vote counting 或效应量合成），比单队列硬撑结论更有说服力；
- 把负结果也发布：小样本的「未检出差异」记录对后续功效计算同样有信息量。
附录 V：扩增强度对照——如何用本数据集设计「分期梯度」检验
§3.5 与附录 E 提到用原始分期号做趋势检验，这里给出设计细节：
V.1 三种检验设计的对照
| 设计 | 变量形态 | 方法 | 优点 | 风险 |
|---|---|---|---|---|
| 二分组（主设计） | 1-2 期 vs 3-4 期 | Wilcoxon / PERMANOVA / ANCOM-BC 分组 | 功效最优、登记口径直接 | 期粒度损失（坑 7） |
| 四期梯度（敏感性） | stage 1/2/3/4 有序变量 | MaAsLin2 固定效应 + 趋势检验 | 检验梯度假设、利用全部粒度 | 每期人数少、功效低 |
| 连续代理（探索） | 用 eGFR/年龄等连续临床变量替代分期 | 回归 | 摆脱分组功效限制 | 需受控临床元数据、非分期本身 |
V.2 解读规则
- 二分组显著 + 四期趋势同向 → 证据较强，可写「随分期梯度」的弱因果措辞（仍非因果）；
- 二分组显著 + 四期趋势不同向 → 提示组内异质性主导，二分组结论降级为「晚期 vs 早中期的混合信号」；
- 二分组不显著 + 四期趋势显著 → 小样本分组掩盖效应的典型形态，梯度证据比分组证据更值得报告；
- 两者均不显著 → 报告效应量与 CI，标注功效限制，转入假设生成叙事。
这套解读规则的存在意义：让 44 人的数据在分析前就约定好「什么样的结果配什么样的结论」，避免事后叙事漂移。
附录 W：最终核验清单（本条目成稿自检留痕）
- [x] frontmatter 全字段齐备，title/subtitle ≤255 字符，description ≤170 字符，无英文直引号
- [x] schema_org Dataset 节点 name/identifier/url 均为本数据集自身（HRA020686）
- [x] cr:RecordSet 节点式书写，rai:dataLimitations 与 relatedLink 同为 2 空格顶层级
- [x] relatedLink 仅纯 URL，无说明文字
- [x] title 含站点后缀「AI-Ready Wikipedia | 千方病案医数集」
- [x] §0-§10 全部存在，INFOBOX 存在
- [x] 坑点 ≥6（本条目 7 个）
- [x] DAIMS 表存在（§9）
- [x] category_tags 5 个均属受控词表，拼接 ≤100 字符
- [x] 与库内 curatedmetagenomicdata(513)、hmp(44)、american-gut-project(508)、mgnify(503)、gmrepo-v3(1181) 显式区分（§7）
- [x] CKM 分期体系讲清（§2.2 + 附录 M），菌群-CKM 机制通道讲清（§2.3 + 附录 N），小样本/横断面局限讲清（§8.1）
- [x] 中国数据基础设施 + 受控访问机制 + dbGaP/EGA 对照讲清（§6 + 附录 O）
- [x] DAC 矛盾描述原样存照（坑 1），不强行统一
- [x] YAML safe_load 通过；check_md 与 preflight_check 双自检通过
附录 X：公开样本记录逐条观察（2026-10-17 页面快照）
以下为公开页面片段中可见样本记录的逐条整理（仅供快照留痕，全量以受控清单为准）：
| 个体编号 | 标识符 | 性别 | 样本编号 | 分期标签 | Run 示例 |
|---|---|---|---|---|---|
| HRI2029503 | H002 | female | HRS2639935 | CKM stage 2 | HRR3513870（SAMC8431442） |
| HRI2029504 | H003 | male | HRS2639936 | CKM stage 2 | HRR3513871（SAMC8431443） |
| HRI2029505 | H004 | female | HRS2639937 | CKM stage 2 | HRR3513872（SAMC8431444） |
| HRI2029506 | H006 | male | HRS2639938 | CKM stage 2 | HRR3513873（SAMC8431445） |
| HRI2029507 | H007 | male | HRS2639939 | CKM stage 2 | HRR3513874（SAMC8431446） |
| HRI2029508 | H008 | male | HRS2639940 | CKM stage 2 | （页面分段未完整展示） |
| HRI2029509 | H009 | female | HRS2639941 | CKM stage 2 | （同上） |
| HRI2029510 | H011 | male | HRS2639942 | CKM stage 1 | （同上） |
| HRI2029511 | H013 | female | HRS2639943 | CKM stage 2 | （同上） |
| HRI2029512 | H014 | male | HRS2639944 | CKM stage 2 | （同上） |
从该快照可提炼的三点结构信息：
- 样本描述模板统一：所有可见样本共用同一描述模板，说明提交时做过元数据规范化——这是登记质量的一个正面信号；
- 早期组样本密度高：可见片段全部为 stage 1-2（早中期组），晚期组样本应在页面后续分段——提示公开渲染按编号顺序展示，受控清单才是全貌；
- 编号连续成块：HRI2029503-2029512 连续，说明个体登记是成批提交的，跳号（H005、H010、H012）发生在标识符层面而非个体登记层面。
附录 Y：收官问答（Q61-Q68）
Q61：条目里为什么反复强调「以受控清单为准」？
因为公开页面是分段渲染的快照（附录 X），任何按公开片段外推全量的行为都会出错。条目反复强调是防止下游自动抽取管道把快照当全量。
Q62：如果我要构建 44 人分析清单，最小校验集是什么？
三个锚点：总数 44、两组 19/25、每个 HRS 编号唯一挂接一个 HRI 与一个 SAMC。三者皆过才可进入分析。
Q63：16S V3-V4 对拟杆菌门/厚壁菌门的检出偏差大吗？
V3-V4 对两大门门的覆盖总体均衡，但对双歧杆菌（Actinobacteriota）与部分梭菌的引物错配会低估——这是引物选择（坑 2/附录 G.2）影响结论的具体例子。
Q64：可以拿本数据集复现 WCN26-6809 的随机森林模型吗？
不可以。那是 68 人队列的结果，样本不同；且 44 人训练同样模型必然过拟合（Q23）。可做的是方向性对比：本数据集的差异属与摘要报告的属（F. plautii 等）是否同向。
Q65：受控获批后，再分发我算出的丰度表合规吗？
聚合层结果（属级丰度表不带原始 reads）通常属衍生统计物，发布一般不受限，但个体级行数据仍具重识别风险——以 DAC 承诺条款为准（§8.2）。
Q66：本条目数据有没有可能出现在 dbGaP/EGA 镜像？
可能性极低。GSA-Human 与 INSDC 无自动镜像（附录 O.2），人遗受控数据更不会跨境镜像。检索 SRA/ENA 看不到 Run 是预期行为。
Q67：CKM 分期在采样时是单时点判定吗？
登记信息未说明是否存在分期复评。横断面假设下应按采样时点分期理解；若受控元数据含多时点信息，可做敏感性分析。
Q68：为什么附录这么多？
因为本数据集的稀缺价值恰恰在「周边知识」：分期框架、获取机制、方法边界。正文讲事实，附录讲可迁移的操作知识——这是 AI-Ready 条目对「小数据、大语境」资源的标准处理方式。
附录 Z：库内菌群条目生态位总表
| 条目 | rid | 规模 | 人群 | 测序类型 | 临床分期能力 | 与本数据集关系 |
|---|---|---|---|---|---|---|
| ckm-gut-metagenome | 本条目 | 44 人 | 中国 CKM 患者（1-4 期） | 16S V3-V4 | ✓ AHA CKM 分期 | — |
| curatedmetagenomicdata | 513 | 数十个研究 | 多病种+健康 | shotgun（标准化重处理） | ✗ 无 CKM 口径 | 处理表 vs 原始读段互补 |
| hmp | 44 | ~300 人多部位 | 美国健康成人 | 多部位混合 | ✗ | 健康参照侧概念基准 |
| american-gut-project | 508 | 数万份 | 全球公众自采样 | 16S | ✗ 问卷自报 | 人群光谱另一端 |
| mgnify | 503 | 泛仓库 | 全域（环境+宿主） | 混合 | ✗ | 仓库型资源 |
| gmrepo-v3 | 1181 | curated 项目集 | 人类肠道 | 混合 | ✗ 无 CKM 标注 | 表型×部位参考仓库 |
读表结论一句话：CKM 分期 × 中国人群 × 受控登记这一格，库内只有本条目。
附录 AA：分期框架常见误读纠正表（教学用）
| 误读 | 纠正 | 出处 |
|---|---|---|
| 「CKM = 三种病的并列」 | CKM 是共享上游机制的统一病理生理连续谱，三字母标三个耦合器官轴 | §2.1 |
| 「分期是诊断分类」 | 分期是风险递进阶段，个体可在期间双向移动 | §2.2 / M.2 |
| 「CKD 分期 = CKM 分期」 | KDIGO 热图只是 CKM 分期中 CKD 维度的风险分级工具 | Q56 |
| 「4 期就是终末期」 | 4 期 = 临床 CVD 落地，含 4a/4b 细分，可长期带病管理 | M.1d |
| 「第 0 期等于健康不用管」 | 第 0 期是最佳干预窗口，筛查节奏已启动 | M.1 |
| 「肥胖才会进第 1 期」 | 体重正常但腹型肥胖/脂肪异位沉积同样入期（亚洲切点更低） | M.1a |
| 「亚临床 CVD 不算病」 | 第 3 期管理已按二级预防强度升级 | M.1c |
| 「分期只用于成人心内科」 | 框架覆盖全生命周期，含儿童青少年肥胖驱动路径 | §2.1 Ndumele 表述 |
| 「PREVENT 是旧方程的改名」 | PREVENT 纳入肾功能、代谢控制与社会决定因素，是扩充重建 | §6.3 背景 |
附录 AB：菌群研究中「宿主-菌群轴」术语的层次表
给综述作者一张层次表，避免把不同颗粒度的「轴」混用：
| 层次 | 术语 | 含义颗粒度 | 典型证据形态 |
|---|---|---|---|
| 现象层 | 菌群-疾病关联 | 属/种丰度 × 疾病状态统计相关 | 16S/shotgun 队列 |
| 代谢物层 | 菌群-代谢物关联 | 丰度 × 循环/粪便分子浓度 | 配对代谢组（本数据集设计） |
| 通路层 | 菌群-通路中介 | 酶系/通路丰度中介宿主表型 | shotgun（HUMAnN）+ 代谢组 |
| 因果层 | 菌群→表型因果 | 定植/敲除/抑制剂干预实验 | gnotobiotic 动物、FMT |
| 人群因果层 | 修饰疾病轨迹 | 前瞻队列 + Mendelian 随机化 | 大型纵向队列 |
本数据集（16S + 配对代谢组）横跨第一、二层的接口；第三层起需要 shotgun 或实验证据。条目所有机制叙述（§2.3）都明确落在「文献综合的机制背景」，而非本数据集可自证的事实——这个层次区分是避免过度解读的关键。
附录 AC：与 hmp rid=44 巧合的技术处理记录
hmp 的库内记录号恰为 44，与本数据集 44 名参与者构成数字巧合。技术处理记录：
- 识别时点：库内生态对比（§7.2）撰写时发现；
- 风险：自动记账脚本若以「数字 44」做关联匹配会误连两条目；
- 处置：① §7.2 与 Q12 显式警示；② 附录 Z 总表并列两行以编号区分；③ 建议 pipeline 层任何 rid 匹配逻辑只认整数 rid 本身，不引入数值语义比对；
- 状态：已存照，无需进一步动作。
附录 AD：术语首现标记核对表
按纪律包「中文为主，术语首现标英文」要求，正文高频术语的首现标记位置留痕：
| 术语 | 首现位置 |
|---|---|
| Cardiovascular-Kidney-Metabolic, CKM | 条目导读 |
| short-chain fatty acids, SCFA | §2.3 通道一 |
| trimethylamine N-oxide, TMAO | §2.3 通道二 |
| bile acids | §2.3 通道三 |
| Presidential Advisory | §2.1 |
| Data Access Committee, DAC | 条目 INFOBOX |
| Controlled access | 条目概览表 |
| amplicon sequence variant, ASV | §3.5 |
| PERMANOVA / ANCOM-BC | §3.5 |
| KDIGO 热图 | §2.2 |
| PREVENT | §2.2 |
| Life’s Essential 8 | §2.2 |
| paired fecal-serum metabolomic analysis | §3.4 |
| amplicon | §1 Q4 |
| shotgun 宏基因组 | §1 Q8 |
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- american-gut-project — 共享标签：基因组学与多组学 / 微生物组 / 测序数据 / 队列研究
- gmrepo-v3 — 共享标签：基因组学与多组学 / 微生物组 / 测序数据 / 队列研究
- hmp — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- ega — 共享标签：基因组学与多组学 / 测序数据 / 队列研究
- mgnify — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- curatedmetagenomicdata — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
- plasma-metabolome-wgs — 共享标签：基因组学与多组学 / 测序数据 / 代谢组学 / 队列研究
- pediatric-cf-multiomic — 共享标签：微生物组 / 测序数据 / 代谢组学 / 队列研究
- bidmc-metabolomic-masld — 共享标签：基因组学与多组学 / 代谢组学 / 队列研究
- cami2 — 共享标签：基因组学与多组学 / 微生物组 / 测序数据
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
