HMP 是数据集还是一个计划？

是计划。它产出的是多批数据：16S 扩增子、鸟枪宏基因组、分离株参考基因组，以及第二期的多组学队列。没有一个叫 HMP 的单一文件包，取数要按数据类型分别走 SRA、ENA、DACC 与 dbGaP。

两期各覆盖多少人、哪些部位？

第一期覆盖口腔、鼻腔、皮肤、肠道、泌尿生殖道五个部位，男性十五个采样点、女性十八个；第二期不做部位普查，改为三个疾病队列的纵向多组学。

数据在哪里取？

原始读段在 SRA 的 PRJNA43021 与 PRJNA48479，ENA 有镜像；目录与元数据在 HMP DACC；炎症性肠病队列在 ibdmdb.org；人源测序与部分表型要走 dbGaP 申请。

人体多部位菌群基线 — HMP 人类微生物组计划

Q: 健康人基线能当正常值范围用吗？

不能当临床参考区间。队列是筛查合格的自愿者，不是抽样代表人群；每人只采一到三次，个体内波动本身没有估准。它可以当研究用的对照基线，不能当诊断阈值。

信息速览

数据集名称人体多部位菌群基线 — HMP 人类微生物组计划

数据类型多组学,元数据,原始数据链接,文献引用

规模HMP1 入组三百人、进分析二百四十二人；iHMP 三个队列合计逾一千七百名参与者

接入方式https://commonfund.nih.gov/hmp

AI 就绪度

人类微生物组计划（Human Microbiome Project，HMP）是美国国立卫生研究院用共同基金在 2007 至 2016 年支持的一项资源型计划。它的目标不是回答某一个生物学问题，而是把「人体上到底住着什么」这件事先做成可被别人反复使用的公共资源：一套标准采样与测序流程、一批覆盖多个身体部位的健康人数据、一批从人体分离出来的参考基因组，以及一套能跑通的分析工具。

它与库里已有的微生物组词条不在同一个层次上。UHGG 是肠道菌的参考基因组集合，MetaSUB 是城市表面的环境图集，American Gut 是公民科学的肠道 16S 队列；HMP 的特点是「多部位 + 健康基线 + 官方资源化」，同一个人身上同时取口腔、皮肤、鼻腔、肠道与生殖道，用统一流程测，再把流程本身也交出来。这使得它更像是这一整个领域的地基，而不是某一栋楼。

下面按「它解决什么麻烦、数据长什么样、怎么取、边界在哪」四段展开。规模数字以 2012 年两篇 Nature 与 DACC 存档页为准，两期口径不同处会单独标注；受控访问的部分单列一节。一屏速览见下表。

维度	内容
中文名	人类微生物组计划
英文全名	Human Microbiome Project
资助方	NIH 共同基金（Common Fund）
实施期	2007–2016，分两期
第一期	HMP1，2008–2013，健康成人多部位基线
第二期	iHMP，2013 年起，三个疾病纵向队列
入组规模	三百名 18–40 岁健康成人
分析规模	二百四十二人进入主分析，近四千八百份样本
身体部位	口腔、鼻腔、皮肤、肠道、泌尿生殖道五大区
采样点	男性十五个、女性十八个
访视	每人一到三次
主数据类型	16S 扩增子、鸟枪宏基因组、分离株参考基因组
参考基因组	三千零五十五株分离株
第二期队列	妊娠与早产、炎症性肠病、糖尿病前期
主论文	2012 年 Nature 两篇背靠背；2019 年 Nature 与 Nature Medicine 系列
数据托管	SRA、ENA、HMP DACC、ibdmdb.org、dbGaP
许可	论文多为开放获取；受控部分需申请

§1 它要解决的具体麻烦

1.1 在它之前，人体菌群是一张只有几个点的地图

2000 年代中期，微生物学的主方法是培养。培养能拿到纯菌株，能做药敏，能写进教科书，但它有一个硬约束：绝大多数人体共生菌在标准培养条件下长不出来。口腔里能培养出来的种类，与显微镜下数出来的种类，差着一个数量级。这意味着关于「人身上有什么菌」的知识，长期建立在不到一成的可培养成员上。

分子方法的出现改变了这个局面。16S rRNA 基因有保守区也有高变区，用通用引物一扩、一比，就能在不培养的前提下知道样本里有哪些属。方法一通，问题立刻变成另一个：没有基线。做病例对照的人手里有病人样本，却不知道健康人的同一部位「正常」是什么样；做生态学的人想知道同一个人的口腔与皮肤差多少，却找不到同一批人、同一套流程、同一批试剂做出来的多点数据。

HMP 要解决的就是这个「没有基线」的麻烦。它的做法不是提出一个新假说，而是把基础设施修出来：定标准、建队列、出数据、交工具。这个定位决定了它的全部性格——它追求的是覆盖面与可比性，不是深度与机制。

在 HMP 之前的状态	HMP 的处理	留下的问题
各实验室自定引物与流程	四个测序中心统一协议与试剂	中心之间仍有批次差
只研究肠道或口腔单一部位	同一个人身上取五个部位	部位内细分仍粗
没有健康对照基线	三百人筛查后入组	筛查合格不等于人群代表
参考序列零散	系统测分离株基因组	培养不出的类群仍缺参考
工具各写各的	统一发布 QIIME 等工具	版本迭代带来结果漂移

1.2 三条常见的错误期待

第一条，把它当成疾病数据集。HMP1 的入组标准是「无疾病证据」，队列里没有病例。它确实有示范项目（demonstration projects）研究特定疾病，但那些是另外立项、另外取数的子项目，不并入主矩阵。想拿主矩阵做病例对照，第一步就会卡住：没有病例列。

第二条，把它当成一本「正常值手册」。这是最常见的误读。基线（baseline）与参考区间（reference interval）是两件事：前者描述的是一群特定的人在特定条件下的大致范围，后者要求抽样代表目标人群、并且把个体内与个体间的变异都估准。HMP1 的受试者是筛查合格的自愿者，不是抽样调查抽出来的；每人只采一到三次，个体内波动估不准。它可以当研究里的对照组，不能当诊断阈值。

第三条，以为它是一个会持续更新的数据库。共同基金的资助在 2016 年结束，官网转为存档、不再定期更新。数据仍然可取、仍然可用，但不会有「这个月新增了多少样本」这种事。想要新数据，得去看后续由其他经费支持的项目。

把三条并排看，会发现它们指向同一个误判：把一个「为研究社区铺路的资源」当成了一个「面向应用的成品」。资源的价值在于可复用，不在于完备。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
多部位健康菌群参照	同一批人、五个部位、统一流程的组成与功能谱	够，且是这类数据里覆盖最全的一批
部位之间的定量比较	同一受试者跨部位配对样本	够做配对分析
个体内短期稳定性	部分人二次访视，间隔数月	只够粗略，不够做短期波动
分离株参考基因组	三千余株人体来源菌株的草图或完成图	够做株级比对
标准流程与工具	采样手册、建库协议、QIIME 等	够复现
疾病与菌群的因果	无病例、无随访结局	完全不够
绝对载量	无内标、无 qPCR 校正	完全不够
非美国人群	两个美国临床中心	基本没有

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
手上有一批病例样本，缺同流程的健康对照	提供同平台、同引物、同注释流程的参照谱	先对齐引物区段与注释版本，再谈可比性
想做多部位联合分析，缺同一人的配对数据	提供同一受试者的口腔、皮肤、鼻腔、肠道、生殖道样本	用受试者编号做配对，别按样本独立检验
需要人体来源菌株做株级分类的参考	提供成批分离株基因组	注意培养偏好，缺的类群要另找
想搭一条可复现的扩增子流程	提供协议与 QIIME 生态	固定版本，记录数据库版本
想做疾病纵向多组学	iHMP 三个队列可复用	注意样本量与受控访问限制
想直接拿它做临床诊断模型	帮不上	换有结局标注的队列

1.5 一句话判断

它是一份把「健康人身上五个部位长着什么」标准化、公开化、可复现化的地基型资源；价值在覆盖面与流程，局限也全部来自为了覆盖面而做的让步。

1.6 不适合谁：五条边界

第一，不适合做疾病关联。主矩阵没有病例，也没有随访结局，唯一的表型是入组筛查时的那一组变量。

第二，不适合做绝对定量。所有丰度都是相对值，没有内标，也没有配套的载量测定，跨样本比较只能用比例类方法。

第三，不适合做精细时间序列。多数人只有一次采样，有二次访视的那部分人间隔在数月量级，日内波动、月经周期、季节性都测不到。

第四，不适合外推到非美国人群。两个临床中心都在美国境内，受试者的族裔构成与生活环境有限，把它当「人类」基线会高估普适性。

第五，不适合把受控部分当公开数据规划。人源测序与部分表型变量要走申请，能否拿到、多久拿到，都不由数据本身决定。

§2 数据构成与规格

2.1 三层结构：计划、研究、样本

理解这份资源，先要分清三个层级，因为「有多少样本」这个问题在不同层级上有不同答案，混着说一定出错。

最上层是计划。HMP 是一个资助框架，下面挂着若干研究方向：核心菌群采样、参考基因组测序、技术工具开发、示范项目、伦理法律社会影响研究。第二期又挂上三个疾病队列。每一块的数据形态都不一样。

中间层是研究。HMP1 的核心研究是「健康成人多部位采样」，它有自己的入组标准、采样手册与测序计划；参考基因组测序是另一条线；iHMP 的三个队列各自是独立研究，有自己的伦理批件与数据使用协议。

最下层是样本。一份样本对应一个受试者的一个部位、一次访视。所有分析表都以样本编号为主键。

这三层的数字要分开记：入组三百人，进入主分析的是二百四十二人（男性一百二十九、女性一百一十三），主分析用到近四千八百份样本，而 16S 剖面数是五千一百七十七。三个数字都对，只是口径不同——样本数按物理样本算，剖面数按测序成功并进入分析的算，二者之差来自质控。

层级	单位	典型数量级	主键	常见误用
计划	资助方向	个位数	方向名称	把计划当成一个数据集
研究	队列或子项目	十来个	项目编号	把不同研究的样本混池
受试者	人	数百	受试者编号	按样本数当人数
样本	部位 × 访视	数千到上万	样本编号	忽略同一人的重复采样
测序记录	run	万级	run 编号	把 run 数当样本数

2.2 字段字典

受试者层的字段最少，但决定了能不能做分层。这一层的变量来自入组筛查，不是随访。

字段	类型	含义	取值示例	缺失情况
subject_id	字符串	受试者编号	匿名编号	无
sex	枚举	生理性别	男、女	无
age	整数	入组年龄	18–40 岁区间	无
race_ethnicity	枚举	自我报告的族裔	若干类别	少量缺失
bmi	浮点	体质指数	连续值	少量缺失
site_center	枚举	临床中心	两个中心之一	无
vaginal_ph	浮点	阴道 pH	连续值	仅女性，部分缺失

样本层的字段决定配对关系，是分析时最先要核对的。

字段	类型	含义	取值示例	缺失情况
sample_id	字符串	样本编号	匿名编号	无
subject_id	字符串	所属受试者	匿名编号	无
body_site	枚举	采样部位	口腔九点、皮肤四点、鼻腔、粪便、阴道三点	无
body_area	枚举	五大区归类	口腔、鼻腔、皮肤、肠道、泌尿生殖道	无
visit_number	整数	第几次访视	一至三	多数为一
days_since_first	整数	距首次采样天数	零或正数	首次为零
sample_type	枚举	样本形态	拭子、刮取、唾液、粪便	无

测序与分析层的字段决定可比性，跨研究拼接前必须先看这一层。

字段	类型	含义	取值	备注
platform	枚举	测序平台	454、Illumina	16S 与鸟枪分属不同平台
target	枚举	测序目标	16S 高变区、全基因组、分离株	三者不可混算
read_count	整数	每样本读段数	依平台差异大	需设最低阈值
otu_pipeline	字符串	聚类与注释流程	QIIME 及其版本	版本影响 OTU 数
taxonomy_db	字符串	参考数据库	对应版本	版本影响属名
human_reads_removed	布尔	是否去人源	是	影响丰度分母
functional_db	字符串	功能注释参考	KEGG 模块等	版本影响通路数

2.3 一条样本记录的解剖

把一条记录摊开，可以看到哪些字段是采出来的、哪些是算出来的。下面这份结构取自 DACC 的样本页与论文补充表的列名，字段名做了统一，值是示意。

{
  "subject": {
    "subject_id": "<subject>",
    "sex": "female",
    "age": 26,
    "bmi": 22.4,
    "race_ethnicity": "<group>",
    "center": "<center>"
  },
  "sample": {
    "sample_id": "<sample>",
    "body_area": "oral",
    "body_site": "buccal_mucosa",
    "visit": 1,
    "days_since_first": 0,
    "sample_type": "swab"
  },
  "assay": {
    "platform": "454",
    "target": "16S_v3v5",
    "read_count": 6800,
    "otu_pipeline": "QIIME",
    "human_reads_removed": false
  },
  "profile": {
    "top_genera": ["<genus_a>", "<genus_b>", "<genus_c>"],
    "shannon": 3.42,
    "pathway_modules": 218
  }
}

采出来的字段是 subject 与 sample 两组，由现场与临床人员填写；算出来的字段是 assay 与 profile，由测序与分析流程生成。这个分界很重要：现场字段错了是数据质量问题，算出来的字段不同是流程版本问题，两者的处理方式完全不同。

字段组	产生环节	出错方式	处理建议
subject	入组筛查	自我报告偏差、单位不一	核对量纲与类别
sample	现场采样	部位标注粗、访视错记	以部位代码与访视序为准
assay	上机	读段数偏低、批次效应	设最低读段阈值
profile	流程计算	数据库版本变化	固定流程与库版本

2.4 身体部位的结构

部位结构是这个计划最核心的设计。五大区之下细分到采样点：口腔九点、皮肤四点、鼻腔一点、粪便一点、阴道三点。男性没有阴道三点，因此十五个点；女性十八个点。

大区	采样点	点数	采样方式
口腔	唾液、颊黏膜、角化龈、硬腭、扁桃体、咽喉、舌背、龈上菌斑、龈下菌斑	9	拭子、刮取、唾液收集
皮肤	左右耳后皱褶、左右肘前窝	4	拭子
鼻腔	前鼻孔	1	拭子
肠道	粪便	1	自采
泌尿生殖道	阴道口、阴道中段、后穹窿	3	仅女性，拭子

这个结构的价值在于「同一人跨部位」。多数微生物组研究是「一群人、一个部位」，能回答「病人与健康人肠道差在哪」；HMP 是「一个人、多个部位」，能回答「同一个人的口腔与皮肤差多少、比不同人之间的差大还是小」。后一个问题在前一种设计里根本提不出来。

比较类型	是否有配对	能回答的问题	不能回答的问题
同人同部位跨访视	有	数月尺度上的稳定性	日内与季节性波动
同人跨部位	有	部位间分化程度	部位内部的精细分区
跨人同部位	无配对	个体间差异范围	人群代表性
跨研究同部位	通常无	大致可比性	严格合并分析

2.5 两期各自的数据类型

第一期的数据类型相对简单：16S 扩增子、鸟枪宏基因组、分离株基因组三条主线，加上病毒组与真菌组两个衍生层。第二期把它扩成真正的多组学。

数据类型	第一期	第二期	说明
16S 扩增子	有，主力	有	454 平台，属水平分辨率
鸟枪宏基因组	有	有	物种与功能潜能
分离株基因组	有	少量	参考基因组主要来自第一期
病毒组	有，子集	有	双链 DNA 病毒为主
真菌组	有，子集	有	ITS 扩增
宏转录组	极少	有	看表达而非潜能
宏蛋白组	无	有	炎症性肠病队列为主
代谢组	无	有	粪便与血清
宿主多组学	血液样本留存	有	转录组、外显子、血清学

第二期的三个队列规模差别很大，这一点在跨队列比较时是硬约束。妊娠队列人数最多、单人采样也最密，但样本集中在孕产期这个窗口里；炎症性肠病队列人数最少，每两周自采一次粪便、随访一年；糖尿病前期队列随访最长，微生物侧以 16S 为主，宿主侧测的维度最多。

队列	对象	人数	样本或访视	特点
妊娠与早产	孕妇	一千五百二十七	二十万份标本采集，一万二千份进分析	采样极密，事件罕见
炎症性肠病	患者与对照	一百三十二	二千九百六十五份样本	每两周采便，一年随访
糖尿病前期	健康与前期	一百零六	一千零九十二次访视	随访约四年，多组学并行

§3 定位：多部位健康基线，不是疾病队列

3.1 从「一个部位」换到「一张人体地图」

微生物组研究长期以肠道为中心，原因很实际：粪便好取、菌量最大、疾病关联最多。代价是其他部位被当作边角料。口腔被划给牙科，皮肤被划给皮肤科，阴道被划给妇科，各自有各自的文献传统，彼此不通。

HMP 的第一个动作是把这些部位放进同一张表。同一个人、同一天、同一套流程，口腔九点、皮肤四点、鼻腔、粪便、阴道三点一起采。这一步带来的不是新生物学，而是新的可比性：任何跨部位的差异，不再混杂着「不同实验室、不同引物、不同年份」的噪声。

这个换轨也有代价。为了在有限经费里覆盖五个部位，每个部位的深度被压薄了：口腔九点里没有舌缘、没有龈沟液，皮肤四点里没有前额与手掌，阴道三点里没有宫颈。想做部位内部精细分区的人，仍然要回到专门研究。

3.2 基线的含义与它的天花板

「健康基线」这四个字容易被读成「正常值」。准确的说法是：一群经过筛查、排除已知疾病与近期用药的人，在某个时间点、用某种方法测出来的组成与功能范围。

这里有三层限制。第一层是入组：筛查用的是排除标准清单，排除掉近期使用抗生素、有明显口腔疾病、免疫相关疾病等情形，剩下的「健康」是定义出来的，不是抽出来的。第二层是抽样：受试者来自两个美国临床中心周边，族裔构成有限，论文自己也把族裔列为与菌群关联最强的变量之一，这恰恰说明队列的族裔结构会影响结论。第三层是时间：一到三次访视，无法把个体内波动与个体间差异彻底分开。

所以正确的用法是「研究对照」，而不是「临床判读」。拿它当参照系去说明「我这批病例偏离健康人群多远」是合理的；拿它当阈值去判断「这个人是不是菌群失调」不成立。

3.3 参考基因组层是一条独立的资产

计划早期有一个明确目标：测三千株从人体分离出来的微生物基因组。最终交付的规模与目标基本吻合，三千零五十五株，覆盖口腔、肠道、皮肤、泌尿生殖道等来源部位。

这一层常被忽略，因为大家更关心样本。但它的用途很实在：16S 只能到属，鸟枪比对需要参考，株级差异需要基因组骨架。没有这批基因组，HMP1 的鸟枪数据只能注释到「最接近的已知物种」，很多口腔与阴道特有的类群会掉进「未分类」。

它和 UHGG 那类从宏基因组组装的基因组集不是一回事。分离株基因组来自培养，优点是完整度高、边界清晰、可做实验验证；缺点是有培养偏好，难培养的类群根本进不来。组装基因组正好相反：覆盖广，但碎片化、边界模糊。两者互补，不能互相替代。

维度	分离株参考基因组	宏基因组组装基因组
来源	培养出的单克隆	直接从混合样本组装
完整度	高，多为完整或近完整	中等，常见碎片
覆盖范围	受培养条件限制	覆盖难培养类群
株级精度	高	中，易嵌合
可实验验证	可直接验证	需先分离

3.4 联盟结构写进了数据的形状

HMP1 由四个测序中心、两个临床中心、一个数据协调中心，加上若干示范项目与伦理研究组成。这个组织方式直接决定了数据的形状：测序按中心分批，于是有批次；采样按中心分工，于是有中心效应；分析由多个工作组并行推进，于是同一批数据会有多个版本的注释结果。

角色	职责	对数据的影响
测序中心	建库、上机、初步质控	引入中心批次
临床中心	招募、筛查、采样	决定部位标注质量
数据协调中心	目录、元数据、分发	决定可检索性
分析工作组	注释、统计、工具	决定结果口径
示范项目	特定疾病子研究	与主矩阵分开取数
伦理研究组	知情同意与数据共享规则	决定哪些数据受控

§4 质量与特色

4.1 标准化做到了哪一层

这套数据在当年最被称道的地方不是规模，而是流程。采样手册把每个部位的手法写成了可培训的动作：拭子在多大面积上、用多大力、转几圈、放进哪种保存液、多久之内冻存。临床筛查有一份很长的排除清单，把可能干扰菌群的用药与疾病挡在门外。四个测序中心用同一套建库协议，16S 用同一对引物覆盖同一段高变区。

环节	统一措施	仍有差异
招募	统一排除标准清单	自愿者偏倚无法消除
采样	部位手法写成手册	操作者力度与角度
运输	统一保存液与冷链	各中心物流时长
建库	统一引物与建库策略	中心间效率波动
测序	同一平台与读长设置	上机批次与试剂批号
分析	统一流程与版本记录	多版本并存

4.2 测序与分析流程

第一期有两条测序线。16S 用 454 焦磷酸测序，读长长、通量低，一个样本平均得到几千条过滤后序列，分辨率到属。鸟枪用 Illumina 双端短读，一个样本平均几个 Gb，用来做物种与功能潜能。

分析侧留下的东西比数据本身影响更久：QIIME 把扩增子分析流程化，MetaPhlAn 用标记基因做物种定量，HUMAnN 从宏基因组推功能通路。这三件工具都是在 HMP 的规模压力下成熟起来的，之后成了整个领域的默认选项。

环节	工具或参考	输出	影响下游
去接头与修剪	平台自带与通用工具	干净读段	有效读长
OTU 聚类	QIIME 流程	OTU 表	属水平分辨率
物种定量	标记基因比对	相对丰度	跨样本可比性
功能推断	通路与酶家族映射	模块丰度	功能结论粒度
去人源	人参考比对	非人读段	丰度分母
统计	置换检验与线性模型	关联结果	结论稳健性

4.3 对照、污染与去人源

扩增子研究最容易被污染毁掉。试剂里、耗材里、环境里都有微生物 DNA，低生物量样本（比如皮肤拭子）尤其容易被背景淹没。HMP 的做法是设空白对照、设技术重复、把提取与建库的批次记录下来，分析时按批次检查。

去人源是另一件必须做的事。粪便样本里人源读段占比低，唾液与皮肤拭子里人源占比可以很高，不去掉的话，微生物丰度的分母会被稀释得毫无意义。代价是：人源占比本身是有信息的（它告诉你这份样本里有多少宿主细胞），一刀切去掉之后，这部分信号也就没了。

干扰来源	表现	处理	残留风险
试剂污染	空白对照里出现固定类群	扣除背景类群	低丰度真信号被一并扣掉
交叉污染	相邻样本出现相同稀有类群	批次内检查	板内位置效应
人源读段	丰度分母虚高	比对去除	丢失宿主比例信息
低生物量	组成极端、重复性差	提高起始量	部分样本不可用

4.4 案例：一位受试者的两处取样

取一位女性受试者作例子。她在首次访视时贡献了十八个点的样本，七个月后又来了一次。挑三份看：颊黏膜、耳后皱褶、后穹窿。

第一份是颊黏膜。它的 Shannon 多样性在口腔九点里属于中上，属水平上以链球菌、普雷沃氏菌、韦荣球菌一类为主。这份样本的读段数在六千上下，人源比例不高，注释到属的比例很高。第二份是耳后皱褶。它的组成与前一份几乎不重叠，丙酸杆菌与葡萄球菌占主导，个体间变异是三个部位里最大的，同一个人的左右耳后两份样本反而很接近。第三份是后穹窿。它的多样性在三份里最低，往往由一两个乳杆菌属的种主导，属水平上信息量最少。

七个月后的第二次访视，三份样本各自回到了原来的样子：颊黏膜还是那批属，耳后还是丙酸杆菌为主，后穹窿还是低多样性。跨部位的距离远大于跨时间的距离，这是这份数据最稳的一个结论。但到了种与株这一层，稳定性就开始松动，尤其是口腔，属不变而种的比例会变。

这三份样本还说明了另一件事：同一个人身上的三个部位，读出来的「信息量」完全不同。口腔适合做属水平的比较，皮肤需要更多样本才能压住个体间方差，阴道因为多样性低，属水平几乎没有区分度，必须下沉到种或株。§4.4 的案例在后面的取数与边界讨论里会反复用到。

部位	多样性	主要属	跨时间稳定性	分析建议
颊黏膜	中上	链球菌、普雷沃氏菌、韦荣球菌	属稳定，种比例会变	属水平可用
耳后皱褶	中	丙酸杆菌、葡萄球菌	属稳定	需增大样本量
后穹窿	低	乳杆菌为主	属稳定	需下沉到种

4.5 已知的方法学边界

第一，分辨率。16S 到属，鸟枪到种，株级需要专门的株水平方法。三个层次不能混着说。

第二，深度。16S 每样本几千条序列，对低丰度成员不敏感；鸟枪每样本几个 Gb，对病毒与低丰度细菌也不够。所谓「罕见类群」在这份数据里大多是缺失，不是真的不存在。

第三，相对性。所有丰度都是比例，没有内标。一个类群占比上升，必然意味着别的类群下降，这是数学约束，不是生物学发现。

第四，批次。四个中心、多个年份，批次与部位部分混淆（某些部位集中在某些批次），做部位比较时批次必须进模型。

第五，部位标注的粗细。手册规定了采样点，但现场执行时「颊黏膜」可能擦到了邻近区域，标注仍然是颊黏膜。这类误差不可追溯，只能靠大样本平均掉。

§5 取数：入口的层级与三条路径

5.1 先认清入口

这套资源没有一个统一的下载按钮，而且入口之间不是并列关系，是分层关系：原始读段在序列库，目录与元数据在协调中心，受控部分在审批系统，第二期的一部分在项目自己的站点。

入口	承载什么	形态	访问方式
SRA / ENA	原始 FASTQ	按 run 组织	公开
HMP DACC	项目目录、样本元数据、部分分析结果	网页表格与导出	公开
dbGaP	人源测序、部分表型变量	按研究申请	受控
ibdmdb.org	炎症性肠病队列的多组学表	网页与下载	公开为主
论文补充材料	汇总表与差异分析结果	PDF 与表格附件	公开
工具仓库	QIIME、MetaPhlAn、HUMAnN 等	源码	开源

有一个现实问题必须写清楚：2026 年 10 月 29 日抓取时，hmpdacc.org 的根域返回的是一处瑞典语博彩推广页（页面 canonical 指向该域名下的一个子域），而 /hmp/ 下的项目页、目录页、资源页仍返回原有的存档内容。也就是说，站点的主体存档还在，但根入口已经不可信。稳妥的做法是从已知的深层路径进入，或者直接用论文、SRA 与 Wayback 存档交叉核对；不要把根域当成官方首页来引用。

5.2 从序列库取原始读段

第一期的两条主线各有一个项目号：16S 在 PRJNA43021，鸟枪宏基因组在 PRJNA48479。取数时先列 run 清单，再按需下载。

#-- 列出 16S 项目的全部 run，含文件字节数
curl -s "https://www.ebi.ac.uk/ena/portal/api/search?result=read_run&query=study_accession%3D%22PRJNA43021%22&fields=run_accession,fastq_bytes,instrument_model,library_strategy&format=tsv&limit=0" -o hmp16s_runs.tsv

#-- 列出鸟枪项目的全部 run
curl -s "https://www.ebi.ac.uk/ena/portal/api/search?result=read_run&query=study_accession%3D%22PRJNA48479%22&fields=run_accession,fastq_bytes,instrument_model,library_strategy&format=tsv&limit=0" -o hmpwgs_runs.tsv

#-- 统计行数与总字节数（第一行为表头）
wc -l hmp16s_runs.tsv hmpwgs_runs.tsv
awk -F'\t' 'NR>1{s+=$2} END{print s/1e12 " TB"}' hmpwgs_runs.tsv

这里有一个口径陷阱：run 数、样本数与论文口径三者都不是一回事。按项目号在 ENA 检索，16S 项目返回六万余条 run、对应两万余个样本编号，鸟枪项目返回一万一千余条 run；而旗舰分析用的是近五千份 16S 剖面与数百份鸟枪样本。差额来自三处：项目号覆盖的范围比论文分析的范围大（含试运行、不同平台与各中心的批次），一个样本可能对应多条 run，部分样本没有进入最终分析。做容量规划要按 run 算，做统计要按样本算，写方法学要按论文口径算。

5.3 元数据怎么读

DACC 导出的元数据是一张宽表，一个样本一行。读之前先做三件事：把部位代码归一到大区与采样点两级、把访视序号与间隔天数对上、把受试者编号单独拎出来做分组键。

sample_id	subject_id	body_area	body_site	visit	days_since_first	platform	reads
<sample_1>	<subject_1>	oral	buccal_mucosa	1	0	454	<reads_1>
<sample_2>	<subject_1>	skin	retroauricular_crease	1	0	454	<reads_2>
<sample_3>	<subject_1>	urogenital	posterior_fornix	1	0	454	<reads_3>
<sample_4>	<subject_1>	oral	buccal_mucosa	2	212	454	<reads_4>

前三行是同一次访视的三个部位，第四行是同一部位的第二次访视。这个结构决定了后面所有分析都必须带 subject_id 做分组，否则同一人的样本会被当成独立观测，显著性会被系统性高估。

5.4 在目录里按部位筛

DACC 的目录页按数据类型分栏，参考基因组一栏可以按来源部位过滤，样本一栏可以按研究过滤。做选型时，先用目录确认「我要的部位有多少样本」，再去序列库核对这些样本的 run 是否都在。

你要找的	目录里的路径	判断依据
某部位的 16S 样本	目录下的扩增子项目	看部位与访视分布
鸟枪宏基因组	目录下的宏基因组项目	看是否与 16S 同人同部位
分离株基因组	目录下的参考基因组栏	看来源部位与完成度
第二期队列	各队列自己的站点	看是否有受控标记
分析结果表	论文补充材料	看版本与日期

5.5 把丰度表读进内存

拿到 OTU 表或物种表之后，第一件事是按样本归一，第二件事是按受试者聚合或配对，第三件事才是统计。

#-- 读入 OTU 表并按样本归一
import pandas as pd

otu = pd.read_csv("hmp_otu_table.tsv", sep="\t", index_col=0)
X = otu.T
X = X.div(X.sum(axis=1), axis=0)

#-- 关联元数据，按受试者分组
meta = pd.read_csv("hmp_metadata.tsv", sep="\t", index_col="sample_id")
X = X.loc[X.index.intersection(meta.index)]
meta = meta.loc[X.index]

#-- 同一受试者跨部位配对：取首次访视
first = meta[meta["visit"] == 1]
paired = X.loc[first.index]

#-- 按部位求均值前先看每组样本量
print(first.groupby("body_area").size())
print(paired.groupby(first["body_area"]).mean().shape)

这段代码的输出是「部位 × OTU」的均值矩阵。注意最后一步的均值只适合粗看：组成性数据求算术平均会失真，正式分析要用适合比例数据的变换。§4.4 的案例里那三份样本，也可以放进这个矩阵里看它们各自落在哪一簇。

5.6 受控访问与许可边界

公开的部分可以直接下：原始读段在序列库，目录与元数据在协调中心，论文多为开放获取。受控的部分要单独规划：人源测序数据与部分表型变量存在受控访问系统里，需要提交研究用途、机构签署、审批通过后才能取。

这条边界经常被低估。做规划时如果按「全部公开」估工作量，等到需要人源数据做宿主分析时才发现要等审批，整个进度会崩。稳妥的做法是在方案阶段就把「要不要人源数据」定下来。

数据类别	访问级别	典型用途	前置条件
微生物原始读段	公开	重注释、组装、方法测试	无
样本元数据	公开	分层与配对	无
人源测序读段	受控	宿主基因型与菌群关联	申请与审批
部分临床变量	受控	表型关联	申请与审批
汇总分析结果	公开	快速核对	无

5.7 本地建一张可查询的表

反复读 TSV 很慢，把元数据落到本地库更实际。样本表与受试者表分开，索引建在部位与受试者上。

-- 受试者主表
CREATE TABLE subjects (
  subject_id   TEXT PRIMARY KEY,
  sex          TEXT,
  age          INTEGER,
  bmi          REAL,
  center       TEXT
);

-- 样本表，外键指向受试者
CREATE TABLE samples (
  sample_id    TEXT PRIMARY KEY,
  subject_id   TEXT NOT NULL REFERENCES subjects(subject_id),
  body_area    TEXT NOT NULL,
  body_site    TEXT NOT NULL,
  visit        INTEGER,
  days_since_first INTEGER,
  platform     TEXT,
  read_count   INTEGER
);

CREATE INDEX idx_site ON samples(body_site);
CREATE INDEX idx_subject ON samples(subject_id);

-- 每个部位有多少人、多少样本
SELECT body_site, COUNT(DISTINCT subject_id) AS n_people, COUNT(*) AS n_samples
FROM samples
GROUP BY body_site
ORDER BY n_samples DESC;

建完表先跑最后那条查询，你会看到「人数」与「样本数」的差距。这个差距决定了每个部位能做多细的分层：人数少的部位，任何按性别、族裔再切一次的分析都会迅速失去把握。

§6 与库内词条的关系

6.1 关系图谱

库内的微生物组词条可以按两个轴排：宿主还是环境，单部位还是多部位。HMP 落在「宿主 + 多部位 + 同人配对」这一格，这个格子里目前只有它；跨部位但不做配对的汇总库（比如把多个研究的多部位样本打包在一起）不占这一格。

关系类型	库内词条	交集在哪	差异在哪
同域不同层	UHGG	都做人体菌群参考	一个是从宏基因组组装，一个是培养分离株
同域不同层	curatedMetagenomicData	菌群丰度表	一个是原始队列，一个是二次整理的汇总
同域不同部位	ckm-gut-metagenome	肠道菌群	一个是多部位普查，一个是单队列深挖
同域不同设计	American Gut	16S 扩增子	一个是官方队列，一个是公民科学
环境对照	MetaSUB	都用 16S 与鸟枪	采样单元是表面，不是人
方法学同源	CAMI II	profiling 方法	一个是基准，一个是真实数据
参考序列层	SILVA	16S 注释的上游参考	一个是参考序列库，一个是样本
表型关联层	GMrepo v3	肠道菌群	一个是健康基线，一个是疾病关联整理

6.2 区隔表：它到底占哪个位置

这张表该在选型时先看。库内几个微生物组词条名字都带「菌群」，混用会直接选错。

库内词条	采样单元	与 HMP 的重叠	什么时候该选它
UHGG 统一基因组集	肠道宏基因组组装的基因组	参考层部分重叠	需要覆盖难培养类群、做株级分类时
curatedMetagenomicData	已发表的宏基因组研究汇总	可能收录 HMP 的部分样本	要现成的统一元数据与 R 接口时
American Gut	公民科学志愿者的肠道 16S	方法同源，样本无重叠	要做大规模人群与饮食关联时
ckm-gut-metagenome	单一疾病队列的肠道宏基因组	疾病设计相近	要做特定疾病的深度分析时
MetaSUB	城市表面拭子	方法同源，生境相反	要做环境微生物与耐药时
CAMI II	模拟与真实基准	都做 profiling	要评价工具准确度时
HMP 本身	同一人多部位样本	就是它	要做跨部位配对与健康基线时

一句话的区隔结论：库内其他微生物组资源回答的是「某个部位、某群人」的问题，HMP 回答的是「同一个人身上不同部位之间差多少」的问题；它是唯一一份在同一批人身上做多部位普查的官方资源。

这个位置带来两层独占价值。第一层是配对：同一受试者的口腔、皮肤、鼻腔、肠道、生殖道样本可以严格配对，个体差异被消掉，剩下的是部位效应。第二层是流程：它交付的不只是数据，还有当年四个中心共用的协议与工具，别人照着做出来的数据与它可比。

6.3 检索路径

在站内找相关资源，按「宿主/环境 → 部位 → 设计类型」三级筛，比按名称搜可靠。

你要找的	站内路径	判断依据
多部位健康基线	标签「微生物组」加关键词「多部位」	同人跨部位配对
肠道菌参考基因组	标签「微生物组」加「参考基因组」	组装还是分离株
疾病纵向队列	标签「队列研究」加「微生物组」	有无随访与结局
环境微生物	标签「微生物组」加「建成环境」	采样单元是表面
扩增子流程	标签「微生物组」加「流程」	是工具不是数据

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

看评分之前先校正一个默认假设：很多人会把「官方出资、发在 Nature、样本上万」直接换算成「数据质量高、可以直接用」。在这份资源上，这个换算会带来两处系统性误判。

第一处，把覆盖当成深度。它的覆盖面在当年无人能比，但每个部位的深度都很薄：一个部位几百人、每人一到三次、16S 只有几千条序列。覆盖面解决的是「有没有」，不解决「准不准」。

第二处，把官方当成维护中。资助结束后官网转为存档，数据不再更新，工具却还在迭代。五年后再用，数据是原来的，注释结果却会因为你用的数据库版本不同而变。这不是缺陷，是所有存档型资源的共性，但必须提前知道。

所以下面的评分不看总分，只看哪些维度是它的设计目标，哪些是被有意牺牲的。

7.1 五维评分

规模维度 4.5 分：多部位、数百人、上万份样本，在同类资源里属于第一梯队；扣分在单部位深度不足。结构维度 4.5 分：受试者、样本、测序、参考基因组四层齐全，主键清晰；扣分在跨中心元数据字段不完全统一。可比性 5 分：统一协议、统一流程、同人跨部位配对，这是它最强的一维。可复现性 4 分：协议与工具都公开，但流程版本多、数据库迭代快，复现需要自己钉死版本。边界清晰度 4 分：论文写清了健康定义与采样限制，扣分在没有官方的训练测试划分。

五维合计 22 分（满分 25）。这个分数的含义是「作为多部位基线接近满分」，不是「作为通用微生物组资源接近满分」。

7.2 DAIMS 24 项评估

按 DAIMS 的检查项逐条核对，结论是：通过 12 项、部分通过 7 项、不通过 5 项。

通过项集中在可获取性与结构完整性：数据可公开下载、主键唯一、字段有定义、样本与元数据可连接、参考基因组有来源标注、工具可获取、引用信息完整、版本可追溯、受控与公开边界写明、部位代码有对照表、访视与间隔可算、论文与数据可对应。

部分通过项集中在一致性：四个中心的元数据字段命名不完全一致、部位名称在目录与补充材料之间有变体、读段数阈值未统一规定、去人源方法在不同批次有差异、平台信息在部分记录缺失、族裔类别在不同版本有调整、部分样本的访视序号需要推导。

不通过项集中在时效性与代表性：没有更新承诺、没有官方数据划分、受试者地理与族裔覆盖有限、无绝对定量、无长期随访结局。

用 DAIMS 的框架看，它是一份「结构与可获取性很强、代表性与时效性天生不足」的资产。把两组分开看，比看总分有用。

7.3 已知的、可枚举的偏差

第一，选择偏差。入组靠自愿与排除标准，健康是筛出来的。自觉健康的人与真正健康的人之间的差距，无法从数据里估。

第二，地理与族裔偏差。两个临床中心、美国城市居民为主。论文把族裔列为与菌群关联最强的变量之一，这既是发现，也是警告：队列结构会渗进结论。

第三，部位标注偏差。手册规定了点位，执行靠人。相邻部位的交叉污染在低生物量样本上尤其明显。

第四，批次偏差。四个中心、多个年份，批次与部位、与时间部分混淆。跨中心比较必须把中心放进模型。

第五，深度偏差。16S 几千条序列，鸟枪几个 Gb，对低丰度成员与病毒都不够。所谓「缺失」多半是没测到。

第六，时间偏差。一到三次访视，平均间隔数月。任何关于「稳定」的结论都只在月尺度上成立。

这些偏差不是「数据脏」，是设计的影子。§4.4 的案例之所以值得反复看，就是因为它把其中三种同时摆在一个人身上：三个部位的深度差异、跨时间的稳定性、以及属与种两个层次的松动。

7.4 外部验证矩阵

一份资源值不值得用，还要看别人拿它做了什么。

验证类型	外部证据形态	验证了什么	强度
独立重分析	后续论文用同一批读段重注释	读段本身可用	强
方法学引用	工具论文把它当真实数据测试	结构可被通用工具读取	强
衍生资源	由它派生的参考基因组集与汇总表	数据可被再组织	强
跨队列整合	被并入大型汇总数据库	元数据可被映射	中强
临床再利用	作为对照基线出现在病例研究里	基线有参照价值	中
教学使用	被拆成课程与练习数据	门槛适中	中

这张矩阵说明：它的再利用主要发生在「参照」与「方法」两层，而不是「发现」层。别人拿它当对照、当测试集、当参考骨架，很少拿它直接下临床结论。这符合它的设计定位。

7.5 它为何能持续

数据已经冻结，官网已转存档，为什么还在被引用？

因为它提供的是一个坐标原点。任何新的菌群研究，只要想说明「我这批人偏离健康人群多远」，就需要一个公认的参照；任何新的参考基因组集，只要想说明「我补上了哪些空白」，就需要一个公认的起点。原点不需要更新，越稳定越有用。

这也是它和那些靠持续更新维持价值的数据库最根本的区别：那些库的价值随时间折旧，它的价值随时间累积。

§8 生态位与历史

8.1 历史沿革

2007 年计划启动，同年确定五个身体部位与三千株参考基因组的目标。2008 年核心采样开始，四个测序中心分批上机。2012 年 6 月，两篇 Nature 背靠背发表，一篇讲资源与框架，一篇讲健康人群的结构与功能，同时配发一批 PLoS 系列论文。2013 年第一期收尾，第二期转向疾病纵向队列。2016 年共同基金资助结束，但第二期的分析与发表延续到 2019 年；2017 年补充的一批宏基因组把样本量翻了一倍多，覆盖到更多人与更多部位。2019 年 5 月，第二期的三篇主论文与一篇总览同期发表。此后官网转存档，数据进入冻结状态。

时间	事件	意义
2007	计划启动	确立资源型定位
2008	核心采样开始	多部位队列落地
2012-06	两篇 Nature 发表	基线数据公开
2013	第一期收尾、第二期启动	从普查转向疾病
2016	共同基金资助结束	资源交付完成
2017	补充宏基因组发表	样本量与人数扩大
2019-05	第二期系列论文	纵向多组学交付
2019 之后	站点转存档	数据冻结

8.2 谱系

把 HMP 放回它所在的三条谱系里，位置就清楚了。

谱系	代表形态	HMP 的位置	差异
国家层面微生物组计划	各国的人体微生物组项目	最早、规模最大的一批	以资源交付为目标
参考基因组计划	人类基因组、微生物参考集	补上微生物这一侧	对象是群落与菌株
队列研究	流行病学队列	借用队列方法但不做随访	只有基线，没有结局

8.3 下游衍生

由它直接或间接派生的东西大致四类。

第一类是参考基因组集：从分离株到后续的组装基因组，形成人体菌群的参考骨架。第二类是工具：QIIME、MetaPhlAn、HUMAnN 这一支流程工具，几乎成了扩增子与宏基因组分析的标准件。第三类是汇总数据库：把包括它在内的多批研究统一元数据后重新打包，方便跨研究比较。第四类是方法学基准：拿它的真实数据去测新工具的召回与假阳性。

这四类的共同点是「离开母集就不好解释」：参考基因组需要来源部位信息才有意义，工具需要真实分布才能验证，汇总库需要母集的元数据才能映射，基准需要母集的复杂度梯度才能分层。看到衍生资源时，第一反应应该是「它对应母集的哪一块」，而不是「它能替代母集」。

8.4 生态位判断

在「人体微生物组数据」这个大类里，它的位置可以概括为：横切面最宽、纵深最浅、时间最短。

横向它覆盖五个部位，纵向它只有一到三次访视，深度它停在属与种。这决定了它的最佳用法是「当参照」与「当骨架」，而不是「当主数据」。如果你的关键约束是跨部位可比，它几乎是唯一选择；如果你的关键约束是因果或机制，它一分不值。

§9 使用指引

9.1 三种角色的路径

做病例研究的人、做方法学的人、做教学的人，进入这份数据的路径完全不同。

病例方向：先确认自己的样本用的是哪段 16S 区域、哪个平台，再去找 HMP 里同部位、同区域的样本做对照。区域不同不要硬拼，宁可只用鸟枪数据做物种层面的比较。

方法学方向：直接下原始读段，用固定版本的流程跑一遍，把结果当作中间层，再在上面试新方法。重点是固定数据库版本，否则你的改进会被版本差异淹没。

教学方向：抽二十到三十份样本，覆盖三个部位、两个访视，让学生做配对分析。样本少反而好，因为能在一次课里看到从原始表到结论的全过程。

9.2 一条最短的可用流程

从零到一张部位对比图，四步。

#-- 第一步：拉取鸟枪项目的 run 清单，估算容量
curl -s "https://www.ebi.ac.uk/ena/portal/api/search?result=read_run&query=study_accession%3D%22PRJNA48479%22&fields=run_accession,fastq_bytes&format=tsv&limit=0" -o runs.tsv
awk -F'\t' 'NR>1{s+=$2} END{print s/1e9 " GB"}' runs.tsv

#-- 第二步：取回元数据表，确认部位与访视两列可用
ls hmp_metadata.tsv
cut -f3,4,5 hmp_metadata.tsv | head

#-- 第三步：核对样本编号在两张表里的交集
python3 -c "import pandas as pd; m=pd.read_csv('hmp_metadata.tsv',sep='\t'); p=pd.read_csv('hmp_species.tsv',sep='\t',index_col=0); print(len(set(m.sample_id)&set(p.columns)), len(m))"

#-- 第四步：按部位聚合，输出均值矩阵
python3 -c "import pandas as pd; m=pd.read_csv('hmp_metadata.tsv',sep='\t'); p=pd.read_csv('hmp_species.tsv',sep='\t',index_col=0); x=p.T.join(m.set_index('sample_id')); print(x.groupby('body_area').mean().shape)"

四步跑完，得到「部位 × 物种」的均值矩阵。这一步只是粗看，正式分析要按受试者配对，见 §5.5。

9.3 引用方式

引用分两层：数据引论文，具体文件引项目号。只写官网链接不够，因为入口已经不稳定。

@article{hmp2012structure,
  title   = {Structure, function and diversity of the healthy human microbiome},
  author  = {{The Human Microbiome Project Consortium}},
  journal = {Nature},
  volume  = {486},
  number  = {7402},
  pages   = {207--214},
  year    = {2012},
  doi     = {10.1038/nature11234}
}

@article{hmp2012framework,
  title   = {A framework for human microbiome research},
  author  = {{The Human Microbiome Project Consortium}},
  journal = {Nature},
  volume  = {486},
  number  = {7402},
  pages   = {215--221},
  year    = {2012},
  doi     = {10.1038/nature11209}
}

数据可用性声明建议写成：「原始读段取自 NCBI SRA 项目 PRJNA43021 与 PRJNA48479，样本元数据取自 HMP DACC 存档，人源数据经 dbGaP 受控访问获取。」

9.4 三类任务的取舍

做健康基线对照，起点是元数据与丰度表，关键是按部位与平台对齐，最容易踩的坑是把 16S 与鸟枪混在一张表里比。做参考基因组相关的工作，起点是分离株目录，关键是看完成度与来源部位，最容易踩的坑是把草图当完整图用。做疾病纵向分析，起点是第二期的队列站点，关键是分清公开与受控，最容易踩的坑是低估审批时间。

三类任务的共同前提一样：先把问题写成一句话，再看这句话的主语是「一个人」还是「一个部位」。如果主语是「这个病人该怎么治」，就该换资源。

§10 AI 使用声明

项目	说明
数据来源	官方计划页、DACC 存档页、论文摘要与正文、序列库接口
核实时间	2026-10-29
数字口径	规模数字以 2012 年两篇 Nature 与 DACC 存档页为准，两期分开记
未核实项	存档站点的长期可用性、受控数据审批的实际时长
生成方式	人工核实事实后由 AI 辅助组织文本
适用建议	可用于选型与取数规划，不可替代原始文献
引用要求	引用本页时请同时引用原始论文
更新策略	无固定周期，官方口径变化时修订

常见误读

常见说法	实际	证据
HMP 就是一份可以整包下载的数据集	是计划，产出多批数据，分散在四个以上入口	官方计划页列的是资助方向与成果清单
它包含病人与健康人的对照	主矩阵只有筛查合格的健康人，无病例列	论文的入组与排除标准
健康基线可以直接当正常值范围	队列非抽样代表，访视太少，变异估不准	论文对「健康」的定义方式
五个部位就是五个采样点	五大区之下有十五到十八个采样点	论文方法学列出九个口腔点等
样本数就是人数	一人多部位多次，样本数远大于人数	入组与分析口径的差
数据一直在更新	资助 2016 年结束，站点转存档	官方计划页的过渡说明
全部数据都公开	人源测序与部分表型受控	计划页写明受保护信息不公开
16S 与鸟枪可以混着比	平台、分辨率、定量方式都不同	两条测序线分开描述
官网首页可以直接引用	根域在抓取时已指向无关页面	2026-10-29 抓取记录
有绝对载量	无内标、无 qPCR 校正	方法学未描述绝对定量

FAQ

Q1：HMP 到底是一个数据集还是一个计划？
是计划。它交付的是多批资源：第一期的 16S、鸟枪、参考基因组，第二期的三个多组学队列。没有一个叫 HMP 的统一压缩包，取数要按数据类型分别走。

Q2：两期分别覆盖多少人、哪些部位？
第一期覆盖五大区、十五到十八个采样点，入组三百人、进分析二百四十二人。第二期不做部位普查，改成三个疾病队列的纵向随访，人数从一百零六到一千五百余不等。

Q3：为什么入组人数与进入分析的人数不一样？
入组是临床筛查通过的人数，进入分析要求样本通过质控、且该受试者的数据满足分析设计。差额来自采样失败、测序失败与质控不合格，这是队列研究的常态。

Q4：健康人基线能当正常值范围用吗？
不能当临床参考区间。它描述的是「一群筛查合格的人在这个方法下的范围」，没有做人群抽样，也没有估计个体内波动。它可以当研究对照，不能当诊断阈值。

Q5：它有没有疾病数据？
主矩阵没有。第一期另有示范项目研究特定疾病，但那是单独立项、单独取数的子项目；第二期才是真正的疾病队列，且只有三类：妊娠与早产、炎症性肠病、糖尿病前期。

Q6：参考基因组是培养的还是组装的？
第一期的三千余株是培养分离后测的，完整度高、边界清晰，但有培养偏好。后续很多资源是直接从宏基因组组装的，覆盖广但碎片化。两者互补。

Q7：16S 和鸟枪数据能拼在一起用吗？
能拼表，不能直接比。两者分辨率不同（属对种）、定量方式不同（扩增子拷贝数偏差对读段占比）、样本覆盖也不同。稳妥做法是分开分析，在一部分同人同部位的样本上做一致性校验。

Q8：数据从哪里下载？
原始读段在 SRA 的 PRJNA43021 与 PRJNA48479，ENA 有镜像；目录与元数据在 HMP DACC 的存档页；炎症性肠病队列在 ibdmdb.org；人源数据走 dbGaP。

Q9：为什么我打不开 hmpdacc.org？
抓取时根域返回的是无关页面，深层路径仍可用。这不是数据下线，是站点维护状态的问题。稳妥做法是用深层路径、或用存档与序列库交叉核对，不要依赖根域。

Q10：可以做时间序列分析吗？
只能做很粗的。多数人一次采样，有二次访视的那部分人间隔数月。日内波动、月经周期、季节性都测不到。想做精细时间序列，要另找密集采样队列。

Q11：可以拿它训练模型吗？
可以，但要先划分，而且必须按受试者分组，不能按样本随机划。同一个人的多个部位样本如果同时进入训练与测试，指标会虚高，因为模型学到的是「这个人」，不是「这个部位」。

Q12：如果只做一件事，应该做什么？
用它做跨部位配对分析的参照。这是它最难被替代的用法：同一批人、同一套流程、五个部位，别处拿不到。

术语表

术语	含义
16S rRNA 基因	细菌核糖体小亚基基因，有保守区与高变区，用于分类
扩增子测序	用通用引物扩增特定基因片段后再测序的策略
鸟枪宏基因组	不经过扩增、直接对样本全部 DNA 测序的策略
OTU	操作分类单元，按序列相似度阈值聚成的类群
相对丰度	某类群读段占全部读段的比例，不等于绝对数量
组成性数据	各分量之和恒定的数据，此消彼长
属水平	分类层级中的一档，16S 通常只能稳定到这一层
株	同一物种内基因型有差异的分离物
参考基因组	用于比对与注释的已知基因组序列
分离株	从样本中培养得到的单一克隆
组装基因组	直接从混合样本拼装出的基因组，常碎片化
去人源	比对并剔除人基因组读段的处理步骤
健康基线	一群筛查合格者在特定方法下测得的组成范围
参考区间	抽样代表人群后估出的、用于判读的数值范围
访视	一次采样时点，同一人可有多次
配对分析	利用同一受试者的多个样本做比较，抵消个体差异
批次效应	由建库或上机批次引入的系统性偏差
受控访问	需申请审批才能获取的数据访问方式
多组学	在同一批样本上并行测多种分子层
宏转录组	对群落 RNA 测序，反映表达而非潜能
示范项目	第一期里研究特定疾病的独立子项目
存档站点	不再更新、仅供查阅的官方页面

附录 A：核心数字核对表

项	值	来源
计划实施期	2007–2016	NIH 共同基金计划页
第一期实施期	2008–2013	HMP DACC 存档页
入组人数	三百	HMP DACC 存档页
入组年龄	18–40 岁	HMP DACC 存档页
主分析人数	242（男 129、女 113）	2012 年结构论文
主分析样本	4,788	2012 年结构论文
采样点	男 15、女 18	2012 年两篇论文一致
五大区	口腔、鼻腔、皮肤、肠道、泌尿生殖道	HMP DACC 存档页
16S 剖面	5,177	2012 年框架论文
鸟枪样本	681	2012 年结构论文
宏基因组总量	逾 3.5 Tbp	2012 年框架论文
二次访视人数	131，平均间隔 219 天（标准差 69）	2012 年结构论文
分离株基因组	3,055	HMP DACC 存档页
补充宏基因组	新增 1,631，合计 2,355	2017 年扩展论文
补充覆盖人数	265	2017 年扩展论文
妊娠队列	1,527 人、206,437 份标本	2019 年 iHMP 总览
炎症性肠病队列	132 人、2,965 份样本	2019 年 iHMP 总览
糖尿病前期队列	106 人、1,092 次访视	2019 年 iHMP 总览
两期数据总量	42 TB	2019 年 iHMP 总览
论文数量	2017 年底逾 650 篇	NIH 共同基金计划页

附录 B：数字的来源分层

层级	含义	本页涉及的项
官方页面	机构站点直接写明，可直接引用	实施期、入组人数、五大区、分离株数、论文数
论文摘要与正文	同行评议文献，引用需带卷页与 DOI	主分析人数与样本、16S 剖面、鸟枪样本、二次访视、三个队列规模
序列库接口	按项目号查询所得，随库状态变化	run 记录数、总字节数
未核实	口径冲突或站点未给	存档站点长期可用性、受控审批时长

附录 C：完整参考文献

The Human Microbiome Project Consortium. Structure, function and diversity of the healthy human microbiome. Nature. 2012;486(7402):207–214. doi:10.1038/nature11234
The Human Microbiome Project Consortium. A framework for human microbiome research. Nature. 2012;486(7402):215–221. doi:10.1038/nature11209
The Integrative HMP (iHMP) Research Network Consortium. The Integrative Human Microbiome Project. Nature. 2019;569:641–648. doi:10.1038/s41586-019-1238-8
Lloyd-Price J, et al. Multi-omics of the gut microbial ecosystem in inflammatory bowel diseases. Nature. 2019;569:655–662.
Fettweis JM, et al. The vaginal microbiome and preterm birth. Nature Medicine. 2019;25:1012–1021.
Zhou W, et al. Longitudinal multi-omics of host–microbe dynamics in prediabetes. Nature. 2019;569:663–671.
NIH Common Fund. Human Microbiome Project 计划页。https://commonfund.nih.gov/hmp（2026-10-29 访问）
HMP Data Analysis and Coordination Center 存档页。https://www.hmpdacc.org/hmp/overview/（2026-10-29 访问）
NCBI SRA 项目 PRJNA43021、PRJNA48479；ENA portal API 查询（2026-10-29）

附录 D：最小可运行示例

把附录 A 的核对表变成可执行的检查，用来在拿到数据后第一时间确认口径。

#-- 口径自检：几个数字是否与文献一致
expected = {
    "subjects_analyzed": 242,
    "samples_analyzed": 4788,
    "profiles_16s": 5177,
    "shotgun_samples": 681,
}

import pandas as pd
meta = pd.read_csv("hmp_metadata.tsv", sep="\t")

local = {
    "subjects_analyzed": meta["subject_id"].nunique(),
    "samples_analyzed": len(meta),
    "profiles_16s": int((meta["platform"] == "454").sum()),
    "shotgun_samples": int((meta["platform"] == "Illumina").sum()),
}

for k, v in expected.items():
    got = local[k]
    flag = "ok" if got == v else "diff"
    print(f"{k}: expected={v} local={got} {flag}")

这几个数字本该接近而往往不一致，差额来自质控与版本。自检脚本的作用不是判断谁对谁错，而是让你在写方法学时知道自己在用哪个口径。

附录 E：如果只记五件事

它是计划，不是单一数据集；资源分两期交付，入口分散。
第一期是同一批人在五个身体部位上的健康基线，男性十五点、女性十八点。
第二期换成三个疾病纵向队列：妊娠与早产、炎症性肠病、糖尿病前期。
它最强的是跨部位配对与流程可比，最弱的是时间分辨率与临床结局。
取数按数据类型分别走 SRA、DACC、项目站点与 dbGaP，受控部分要提前规划。

编辑说明

本页由千方医数集编辑部组织撰写，事实核实时间为 2026-10-29。核实方式为直接访问 NIH 共同基金计划页与 HMP DACC 存档页、读取两篇 2012 年 Nature 与 2019 年 iHMP 总览的摘要与正文、按项目号调用 ENA 接口核对 run 记录。核实过程中确认两点：第一，计划页与 DACC 存档页对「入组人数」与「进入分析人数」的表述不同，本页两个数字并列，不互相替代；第二，抓取时 hmpdacc.org 根域返回的是一处与该计划无关的推广页面，而 /hmp/ 下的存档页正常，因此本页只引用深层路径，并在 §5.1 单列说明。凡口径冲突处只并列陈述，不作裁定。本页不含任何需要下载全量数据才能得到的分布统计，凡涉及分布的说法均以论文已发表的结论为限。若后续出现新的官方口径，修订时优先更新附录 A 与附录 B。