Studien-CheckDesiree KaminskiAusgabe 2026
Humanbiomstudien
Allgemein

Bioinformatische Analyse in der Humanbiom-Studien

Von Rohdaten zur Aussage: die typischen Schritte der bioinformatischen Mikrobiomanalyse, verbreitete Werkzeuge und die häufigsten Fehlerquellen.

Von Desiree Kaminski · · aktualisiert Oktober 2026 · Lesezeit: 4 Minuten

Wenn eine Mikrobiomprobe sequenziert ist, liegen zunächst nur Millionen kurzer DNA-Abschnitte vor, die sogenannten Reads. Erst die bioinformatische Analyse macht daraus Aussagen darüber, welche Mikroorganismen vorhanden sind, wie vielfältig eine Gemeinschaft ist und ob sich Gruppen unterscheiden. Jeder Schritt dieser Verarbeitung beruht auf Entscheidungen, die das Ergebnis beeinflussen können.

Für die kritische Lektüre von Humanbiom-Studien ist es daher hilfreich, die wichtigsten Stationen zu kennen. Zwei Untersuchungsansätze sind dabei zu unterscheiden: die Amplikon-Sequenzierung, meist des 16S-rRNA-Gens, und die Shotgun-Metagenomik, bei der das gesamte Erbgut einer Probe sequenziert wird.

Qualitätskontrolle und Vorverarbeitung

Am Anfang steht die Qualitätskontrolle. Reads mit vielen Lesefehlern werden gekürzt oder verworfen, technische Sequenzen wie Adapter entfernt. Bei Shotgun-Daten aus menschlichen Proben wird zusätzlich menschliche DNA herausgefiltert, was auch dem Datenschutz dient. Frei verfügbare Programme wie FastQC helfen, die Datenqualität zu beurteilen.

Bei Amplikon-Daten hat sich in den letzten Jahren ein methodischer Wechsel vollzogen. Früher wurden ähnliche Sequenzen zu operativen taxonomischen Einheiten (OTUs) zusammengefasst, meist mit einer festen Ähnlichkeitsschwelle. Heute werden überwiegend Amplicon Sequence Variants (ASVs) verwendet: Algorithmen wie DADA2 trennen echte biologische Sequenzvarianten von Sequenzierfehlern. ASVs sind genauer und zwischen Studien besser vergleichbar.

Taxonomische und funktionelle Zuordnung

Im nächsten Schritt werden Sequenzen mit Referenzdatenbanken verglichen, um sie Bakteriengruppen zuzuordnen. Für 16S-Daten sind Datenbanken wie SILVA oder GTDB-basierte Referenzen verbreitet, für Shotgun-Daten Werkzeuge wie MetaPhlAn oder Kraken2. Die Wahl der Datenbank beeinflusst, welche Namen am Ende in einer Tabelle stehen. Zudem hat sich die bakterielle Nomenklatur in den letzten Jahren geändert, sodass derselbe Organismus in älteren und neueren Studien unterschiedlich heißen kann.

Shotgun-Daten erlauben zusätzlich eine funktionelle Analyse: Programme wie HUMAnN schätzen, welche Stoffwechselwege in einer Gemeinschaft vertreten sind. Das zeigt das genetische Potenzial, nicht aber, ob diese Gene tatsächlich aktiv sind. Dafür wären ergänzende Verfahren wie Metatranskriptomik oder Metabolomik nötig. Umfassende Softwareumgebungen wie QIIME 2 bündeln viele dieser Schritte.

Diversität und kompositionelle Daten

Die Vielfalt einer Gemeinschaft wird auf zwei Ebenen beschrieben. Die Alpha-Diversität misst die Vielfalt innerhalb einer Probe, etwa mit dem Shannon-Index, der Artenzahl und Gleichverteilung kombiniert. Die Beta-Diversität beschreibt Unterschiede zwischen Proben, etwa mit der Bray-Curtis-Distanz oder der UniFrac-Distanz, die Verwandtschaftsbeziehungen berücksichtigt. Ergebnisse werden oft in Ordinationsdiagrammen dargestellt.

Eine zentrale methodische Besonderheit: Sequenzierdaten sind kompositionell. Die Zahl der Reads pro Probe ist technisch bedingt, sodass nur relative Anteile interpretierbar sind. Steigt der Anteil einer Gruppe, sinkt zwangsläufig der Anteil anderer, auch wenn sich deren absolute Menge nicht verändert hat. Standardstatistik kann hier zu Scheinzusammenhängen führen. Verfahren wie log-ratio-Transformationen und spezialisierte Werkzeuge für differenzielle Häufigkeit, etwa ANCOM-BC, ALDEx2 oder MaAsLin2, versuchen diesem Problem Rechnung zu tragen.

Typische Schritte der Analyse und häufige Fehlerquellen
SchrittBeispielwerkzeugeFehlerquelle
QualitätskontrolleFastQC, Trimmomaticzu strenge oder zu lockere Filter
SequenzvariantenDADA2, DeblurParameterwahl beeinflusst Ergebnis
TaxonomieSILVA, GTDB, MetaPhlAn, Kraken2Datenbankabhängigkeit, veraltete Namen
DiversitätShannon, Bray-Curtis, UniFracunterschiedliche Sequenziertiefe
StatistikANCOM-BC, ALDEx2, MaAsLin2kompositionelle Effekte, multiples Testen

Statistik, maschinelles Lernen und Reproduzierbarkeit

Da Hunderte bis Tausende Bakteriengruppen gleichzeitig getestet werden, ist eine Korrektur für multiples Testen unverzichtbar, meist über die False Discovery Rate. Ohne sie erscheinen zufällige Unterschiede als signifikant. Ebenso wichtig ist die Berücksichtigung von Störfaktoren wie Alter, Medikamenten, Ernährung und Stuhlkonsistenz. Werden diese nicht erfasst, können Unterschiede einer Erkrankung zugeschrieben werden, die in Wahrheit etwa auf eine Medikation zurückgehen. Für Längsschnittdaten mit wiederholten Proben derselben Person sind zudem Modelle nötig, die diese Abhängigkeit berücksichtigen.

Maschinelles Lernen wird genutzt, um Muster zu erkennen, etwa um Proben von Erkrankten und Gesunden zu unterscheiden. Bei kleinen Stichproben besteht die Gefahr der Überanpassung: Ein Modell lernt Eigenheiten des Datensatzes statt allgemeingültiger Zusammenhänge. Aussagekräftig sind Modelle erst, wenn sie an unabhängigen Kohorten bestätigt werden.

Studien haben gezeigt, dass unterschiedliche Pipelines aus denselben Rohdaten verschiedene Ergebnisse erzeugen können. Weitere Fehlerquellen sind Chargeneffekte zwischen Sequenzierläufen und Verunreinigungen, die besonders bei Proben mit wenig bakterieller DNA ins Gewicht fallen. Negativkontrollen, Mock-Communities mit bekannter Zusammensetzung, offen zugängliche Rohdaten und veröffentlichter Analysecode gelten deshalb als gute Praxis.

Häufige Fragen

Warum unterscheiden sich Ergebnisse verschiedener Mikrobiomtests derselben Probe?

Laborverfahren, Sequenziermethoden, Datenbanken und Auswertungsschritte unterscheiden sich. Schon kleine Unterschiede in der Pipeline können zu abweichenden Ergebnissen führen.

Ist 16S-Sequenzierung schlechter als Shotgun-Metagenomik?

Sie ist kostengünstiger, liefert aber meist nur eine Auflösung bis zur Gattung und keine direkten Funktionsdaten. Welche Methode passt, hängt von der Fragestellung ab.

Was bedeutet eine niedrige Diversität?

Für sich genommen wenig. Diversitätswerte hängen von Methode und Auswertung ab und sind für einzelne Menschen nicht als Diagnose validiert.

Quellen

  • Knight R et al.: Best practices for analysing microbiomes. Nature Reviews Microbiology
  • Gloor GB et al.: Microbiome Datasets Are Compositional: And This Is Not Optional. Frontiers in Microbiology
  • Bolyen E et al.: Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nature Biotechnology

Dieser Beitrag dient der allgemeinen Information und ersetzt keine ärztliche Untersuchung, Diagnose oder Behandlung.

Weiterführend