讀懂功能，需要分開四種證據

動物腸道的微生物研究，已從列出菌名，進入比較功能基因、代謝產物與宿主反應的階段。然而，這些量測回答的問題並不相同：菌相描述誰在樣本中，宏基因組描述可能具備什麼能力，代謝分析顯示當時留下哪些化學訊號，生長及健康資料則反映宿主結果。把四者放在同一條證據鏈中，可以縮小解釋範圍；任何單一層次都不足以自動證明微生物造成了生產效益。本文以豬與肉雞研究為主，並以貓科與方法研究比較功能推論的邊界。[1, 2, 3]

16S rRNA 基因擴增子定序主要量測分類標記。即使用全長序列提高辨識度，仍不是直接讀取所有代謝基因。PICRUSt2 等工具利用標記序列與參考基因組推估功能，適合提出候選問題；其結果應稱為預測功能，不能與 shotgun 宏基因組的實際基因讀段混用。資料庫代表性、近緣菌的基因差異與未知菌群，均會影響推估。[5]

Shotgun 定序則從樣本 DNA 取得更廣泛的序列，可進行分類、功能註解與基因組重建。但 DNA 訊號並不等於細胞仍存活，也不等於相關酵素正在作用。功能基因存在、轉錄、蛋白與代謝物，應在報告中保留各自名稱；如此才能判斷下一個需要補足的是生物活性還是宿主結果。[4, 5]

菌量與菌株：比例之外還有什麼

相對豐度的分母是樣本中其他成分。某菌的比例升高，可能來自自身增加，也可能來自其他菌減少。Vandeputte 等人的人體研究以菌體量測結合菌相資料，說明總微生物負荷改變會影響群落解釋。這個方法學原理可用來檢查動物資料，但人體的菌量分布與健康界線不能直接移植到禽畜。[6]

針對田間問題，比例訊號可與經適當校正的總菌量或目標定量資料對照；同時保留糞便含水、取樣部位、保存條件與分析批次。若數據來自同一動物多次取樣，重複樣本也不能當作新增獨立動物。這些是避免錯誤解釋的研究設計原則，而非任何產品已有效的證據。[1, 6]

菌株層級尤其需要謹慎。屬或種相同，不代表代謝基因完全相同；宏基因組組裝基因組（MAG）也不是一株已分離保存的活菌。評估功能歸屬時，應同時看組裝完整性、污染、序列覆蓋與近緣菌混合的可能性。長讀長可補強基因與基因組的連接，但不會消除資料不足或錯誤歸屬。[4]

表一｜方法量測與可支持的解釋

豬場縱向資料：時間與場別能改變結論

Pérez-Pérez 等人在兩個豬場追蹤疾病前後的菌群，選入二十六頭豬、一百零二份糞便樣本，包含十三頭病例及十三頭非病例。研究同時檢視分類與功能註解，並把場別及採樣時間納入分析。這使資料能回答群落如何隨臨床狀態變動，而不只是比較兩張靜態菌相圖。[1]

起始採樣未見兩組顯著分類或功能差異；非病例較高 Shannon 多樣性僅呈趨勢，p＝0.087。較接近發病前的採樣與場別分層分析則出現不同訊號。這表示『發病前』不是固定生物狀態，早期與臨近症狀的樣本不能任意合併；場域差異也可能大於目標效應。[1]

對產業資料而言，這類研究最有價值的是提醒比較基準必須明確。單次看到候選菌增減，可以形成追蹤假說，不能直接將其命名為保護菌或致病協同菌。觀察到的功能註解變化也仍屬群落 DNA 的功能潛能，不能寫成已測到相應代謝物產量。[1]

表二｜原始研究的單位與證據邊界

肉雞多組學：相關網絡與整體差異可以並存

Pangga 等人比較離子型抗球蟲管理與疫苗管理的 Ross-308 肉雞，代謝分析每組選取十份生物樣本。共偵測七千五百五十四項推定代謝特徵，其中一百七十二項達到原文第一級鑑定，其餘分屬較低信心層級。圖二將這些計數重新呈現，說明偵測峰數不等於全部化合物都已確認身分。[2]

研究的整體代謝輪廓差異未達顯著，PERMANOVA 的 R²＝0.18、p＞0.05；監督式整合仍找到候選 MAG 與代謝物關聯。兩種結果回答不同問題：前者檢查整體結構，後者挑選能區分既定組別的特徵。小樣本下的候選網絡應另行驗證，不能當作已確立的菌株產物來源或干預療效。[2]

此外，糞便或盲腸代謝物可能同時來自飼料、宿主及微生物。與某 MAG 相關，只能縮小候選來源；仍須以化合物身分確認及適當功能實驗，判斷該菌是否真正參與生成或轉化。基因、代謝物與臨床終點共同改變，會提高解釋的一致性，但一致性本身不等於因果。[2, 3]

從完整基因組走向可檢驗的功能解釋

Sereika 等人的方法研究以標準菌群與厭氧消化系統資料，展示 R10.4 長讀長改善組裝準確度與連續性的能力。圖三保留 R9.4.1、R10.4 各自加入短讀長校正前後的高品質 MAG 數量。由於資料產量及處理差異，不能只用兩平台的 MAG 總數排名優劣；研究也不是動物腸道的普遍效能保證。[4]

與基因註解互補的另一條路是培養及生化功能證據。Hu 等人研究十四種圈養貓科動物，整合宏基因組、代謝組、蛋白組與分離菌的酵素測試。這類設計把候選功能推進到可測量活性，但培養環境與宿主腸道仍不同；有蛋白酶或脂肪酶活性，也不能直接視為具飼料應用安全性或動物效益。[3]

微生物研究平台的價值，在於讓不同資料彼此校驗。分類標記可作群落篩查，shotgun 與長讀長可追索功能歸屬，代謝及蛋白資料補上活性線索，目標宿主研究則檢查生物與生產意義。每次選方法，應先界定要回答的是存在、能力、活性還是效益，再對應證據與限制；這樣才能把菌相差異轉成有用且可追溯的研究判斷。[1, 2, 3, 4, 5, 6]

參考文獻

[1] Pérez-Pérez L, Arguello H, Cobo-Díaz JF, et al. (2026). From predisposition to recovery: field evidence of interactions between the gut microbiota and Brachyspira hyodysenteriae infection. Veterinary Research 57:25. https://doi.org/10.1186/s13567-025-01646-1

[2] Pangga GM, Richmond A, Hughes C, et al. (2026). Integrated metabolomics and metagenomics reveal divergent caecal metabolic signatures following commercial gut health interventions in broilers. Animal Microbiome 8:99. https://doi.org/10.1186/s42523-026-00596-z

[3] Hu D, Sun C, Xin T, et al. (2026). Integrated analyses of metagenomics, metabolomics and culture-based assays reveal functional roles of gut microbiota in Felidae. npj Biofilms and Microbiomes 12:187. https://doi.org/10.1038/s41522-026-01066-9

[4] Sereika M, Kirkegaard RH, Karst SM, et al. (2022). Oxford Nanopore R10.4 long-read sequencing enables the generation of near-finished bacterial genomes from pure cultures and metagenomes without short-read or reference polishing. Nature Methods 19:823–826. https://doi.org/10.1038/s41592-022-01539-7

[5] Douglas GM, Maffei VJ, Zaneveld JR, et al. (2020). PICRUSt2 for prediction of metagenome functions. Nature Biotechnology 38:685–688. https://doi.org/10.1038/s41587-020-0548-6

[6] Vandeputte D, Kathagen G, D’hoe K, et al. (2017). Quantitative microbiome profiling links gut community variation to microbial load. Nature 551:507–511. https://doi.org/10.1038/nature24460

本文為研究教育用途的敘述性綜述，不代表特定產品功效或個別場域的診斷建議。圖二、三為已核實計數之重新繪製；原研究均採 CC BY 4.0：https://creativecommons.org/licenses/by/4.0/。