Studien-CheckDesiree KaminskiAusgabe 2026
Humanbiomstudien
Allgemein

Hochdurchsatzverfahren als Schlüsseltechnologie der Mikrobiomforschung

Hochdurchsatzverfahren in Humanbiom-Studien: Illumina, PacBio und Nanopore im Vergleich. Sequenziertiefe, Batch-Effekte und methodenkritische Einordnungen fü…

Von Desiree Kaminski · · Lesezeit: 7 Minuten

Mikrotiterplatte mit Flüssigkeiten neben einer Mehrkanalpipette
Hochdurchsatztechnologien zur Erfassung mikrobieller Gemeinschaften. Illustration: KI-generiert

Die Mikrobiomforschung hat sich in zwei Jahrzehnten von einer arbeitsintensiven Kultivierungstechnik zu einer molekularen Massenanalytik transformiert. Während man früher einzelne bakterielle Isolate mühsam charakterisieren musste, ermöglichen Hochdurchsatzverfahren (High-Throughput Sequencing, HTS) heute die parallele Analyse von Millionen DNA-Fragmente pro Probe. Dies erlaubt es, komplexe mikrobielle Gemeinschaften vollständig zu erfassen und Hunderte bis Tausende von Proben in standardisierten Workflows zu verarbeiten.

Der Begriff Hochdurchsatzverfahren umfasst eine Reihe von Sequenziertechnologien, die sich erheblich in Leselänge, Genauigkeit, Durchsatz und Kosten unterscheiden. Grundsätzlich differenziert man zwischen Short-Read-Plattformen wie Illumina einerseits und Long-Read-Technologien wie PacBio oder Oxford Nanopore andererseits. Diese methodische Entscheidung beeinflusst fundamental, welche biologischen Fragen eine Studie beantworten kann und wie verlässlich die Ergebnisse ausfallen.

Knight et al. (2018) zeigen in ihren Best-Practice-Empfehlungen, dass die technologische Grundsatzentscheidung für die Studienqualität oft wichtiger ist als die nachgelagerte bioinformatische Analyse. Allerdings werden solche Festlegungen in der publizierten Literatur selten transparent dargelegt oder kritisch hinterfragt. Dies führt zu erheblichen Interpretationsproblemen beim Vergleich zwischen Studien.

Illumina-Sequenzierung: Dominantes Standardverfahren

Sequenzierung durch Synthese als Funktionsprinzip

Illumina-Systeme prägen die Mikrobiomforschung seit über einem Jahrzehnt. Das Verfahren basiert auf Sequenzierung durch Synthese: DNA-Fragmente werden auf einer Oberfläche fixiert, mittels Bridge-Amplifikation vervielfältigt und anschließend Nukleotid für Nukleotid abgelesen. Jedes eingebaute Nukleotid trägt einen charakteristischen Fluoreszenzfarbstoff, dessen Signal erfasst wird.

Für Mikrobiomstudien relevant sind drei Systemvarianten. Die MiSeq eignet sich für kleinere Projekte mit moderatem Durchsatz, produziert aber längere Reads bis 2×300 Basenpaare, die für 16S-rRNA-Gensequenzierung optimal sind. HiSeq und NovaSeq bieten dagegen massiv höheren Durchsatz für großangelegte Kohortenstudien bei kürzeren Reads (typisch 2×150 bp). Diese beiden Varianten erfordern aber erhebliche Initialinvestitionen.

Praktische Vorteile der Short-Read-Technologie

Der zentrale Vorteil liegt in der hohen Genauigkeit. Fehlerraten betragen typischerweise unter 0,1 Prozent pro Base, was präzise taxonomische Zuordnungen ermöglicht. Das Verfahren ist technisch ausgereift, stark standardisiert und die Kosteneffizienz pro sequenzierter Base extrem vorteilhaft. Man kann mehrere Tausend Proben durch molekulare Barcodes multiplexen und gemeinsam in einem Lauf verarbeiten.

Für 16S-rRNA-Analysen genügt die Leselänge in der Regel, um Bakterien bis zur Gattungsebene zuverlässig zu identifizieren. Bei Shotgun-Metagenomik erleichtert ausreichende Sequenziertiefe die Rekonstruktion funktioneller Gene und metabolischer Potenziale, auch wenn einzelne Genome fragmentiert bleiben.

Strukturelle Grenzen der Short-Reads

Die kurzen Reads verursachen systematische Probleme bei der Auflösung. Bei 16S-Sequenzierung reicht die Information oft nicht für Spezies-Level-Zuordnungen aus, weil kritische variable Regionen fehlen. Bei Metagenomik-Analysen bleiben Genomassemblies fragmentiert, repetitive Regionen bleiben unaufgelöst und Stamm-Level-Variationen unsichtbar. Plasmide und mobile genetische Elemente lassen sich nur eingeschränkt charakterisieren.

Crudele und Cresci (2024) weisen auf ein zentrales Problem hin: Wenn Short-Reads zur funktionellen Interpretation herangezogen werden, entsteht eine semantische Lücke. Man kann zwar vorhersagen, welche Gene theoretisch vorhanden sein könnten, kann aber nicht sicher feststellen, welcher Organismus sie trägt oder ob diese Gene tatsächlich exprimiert werden.

Long-Read-Sequenzierung: Tiefere Auflösung unter erschwerten Bedingungen

PacBio und Oxford Nanopore im direkten Vergleich

Long-Read-Technologien wie PacBio Single Molecule Real-Time (SMRT) Sequencing und Oxford Nanopore erlauben es, DNA-Fragmente im Bereich mehrerer Kilobasen bis zu Megabasen zu sequenzieren. PacBio nutzt fluoreszent markierte Nukleotide und erfasst deren Einbau in Echtzeit. Oxford Nanopore misst elektrische Stromveränderungen, wenn DNA-Moleküle eine Proteinpore durchqueren.

Diese längeren Lesevorgänge haben erhebliche Konsequenzen. Sie ermöglichen es, komplette 16S-Gene zu erfassen, was Spezies-Level-Taxonomie erlaubt. Bei Metagenomik-Studien lassen sich häufig komplette bakterielle Genome aus Umweltproben zusammensetzen (metagenome-assembled genomes, MAGs), Plasmide vollständig rekonstruieren und stammspezifische Variationen erfassen.

Fehlerraten und Kosteneffizienz als praktische Hindernisse

Der Preis für längere Reads sind erhöhte Fehlerraten und deutlich höhere Kosten. Raw-Fehlerraten erreichen bei Nanopore 5 bis 10 Prozent, bei PacBio sind sie niedriger, bleiben aber über Illumina-Niveau. Durch Circular Consensus Sequencing (PacBio) oder sehr hohe Coverage-Tiefe lässt sich die Genauigkeit verbessern, reduziert aber den Durchsatz und treibt die Kosten in die Höhe.

Pro sequenzierter Base kostet Long-Read-Technologie ein Vielfaches von Illumina-Verfahren. Für große Kohortenstudien mit Hunderten Proben ist ein reiner Long-Read-Ansatz oft finanziell nicht tragbar. Hybride Strategien, die Illumina für Basis-Level-Analysen mit Long-Reads für spezifische Forschungsfragen kombinieren, werden zunehmend praktikabel.

Sequenziertiefe und Stichprobengröße: Verteilung begrenzter Ressourcen

Sequenziertiefe pro Probe und die Gesamtanzahl der analysierten Proben konkurrieren um limitierte finanzielle Ressourcen. Knight et al. (2018) demonstrieren, dass diese Balance die statistischen Möglichkeiten einer Studie fundamental bestimmt.

Höhere Sequenziertiefe ermöglicht es, seltene Taxa zu detektieren, die Diversität genauer zu schätzen und bei Metagenomik niedrig abundante funktionelle Gene nachzuweisen. Dieser Gewinn verflacht aber rapide ab einer bestimmten Tiefenschwelle. Bei 16S-Studien erweisen sich typischerweise 10.000 bis 20.000 qualitätsgefilterte Reads pro Probe als ausreichend, um die dominante mikrobielle Gemeinschaft robust zu charakterisieren.

Eine höhere Probenanzahl verbessert die statistische Power, um Effekte zwischen Gruppen zu detektieren, und erlaubt es, individuelle Variabilität von biologisch relevanten Mustern zu trennen. Angesichts der extremen interpersonellen Variabilität des Mikrobioms ist dieser Aspekt oft entscheidender als maximale Sequenziertiefe.

Die optimale Ressourcenverteilung hängt von der konkreten Forschungsfrage ab. Für explorative Diversitätsuntersuchungen bevorzugt man moderate Tiefe bei vielen Proben. Für gezielte funktionelle Analysen oder den Nachweis pathogener Mikroorganismen kann sehr hohe Tiefe bei weniger Proben sinnvoll sein.

Batch-Effekte als unvermeidliche technische Störquelle

Batch-Effekte entstehen durch technische Unterschiede zwischen Sequenzierläufen, die biologische Signale überlagern oder vollständig vortäuschen können. Bei Hochdurchsatzverfahren sind sie strukturell unvermeidlich und gehören zu den gravierendsten methodischen Herausforderungen.

Häufige Quellen sind unterschiedliche Sequenzierläufe, verschiedene DNA-Extraktionskits, unterschiedliche Labormitarbeiter oder variierende Lagerungszeiten der Proben. Crudele und Cresci (2024) betonen, dass Batch-Effekte in Mikrobiomstudien besonders problematisch sind, weil die biologische Variabilität bereits erheblich ist. Technische Artefakte von echten biologischen Unterschieden zu trennen wird dadurch extrem schwierig.

Das Problem verschärft sich erheblich, wenn Fall- und Kontrollproben nicht randomisiert über mehrere Batches verteilt werden. Wenn beispielsweise sämtliche gesunden Kontrollen in Batch 1 und alle Patientenproben in Batch 2 laufen, konfundiert sich die biologische Effektgröße vollständig mit der technischen. Solche Studiendesigns ermöglichen dann kaum noch eine saubere biologische Interpretation.

Praktisch kann man Batch-Effekte durch sorgfältiges Studiendesign minimieren: Randomisierung über Batches, gemeinsame Referenzproben zwischen Läufen und standardisierte Protokolle. Bioinformatisch stehen Korrektionsverfahren wie ComBat oder ConQuR zur Verfügung. Vollständig eliminiert werden kann das Problem allerdings nicht. Eine systematische Qualitätskontrolle Humanbiom-Studien sollte daher explizit eine Batch-Analyse beinhalten.

Breite oder Tiefe: Statistische und praktische Überlegungen

Ob es sinnvoller ist, wenige Proben sehr tiefgehend zu sequenzieren oder viele Proben mit moderater Tiefe zu analysieren, lässt sich nicht universell beantworten. Simulationsstudien offenbaren aber klare Tendenzen.

Für klassische Mikrobiom-Assoziationsstudien (Unterschiede zwischen Patientengruppen etwa) ist die Probenzahl nahezu immer wichtiger als extreme Tiefe. Knight et al. (2018) geben folgende Faustregel: 100 Proben mit 10.000 Reads liefern verlässlichere Ergebnisse als 10 Proben mit 100.000 Reads. Die statistische Power wächst mit der Quadratwurzel der Probenzahl, während der Informationsgewinn pro zusätzlichem Read logarithmisch abnimmt.

Ein anderes Muster zeigt sich bei funktioneller Metagenomik oder bei der Suche nach spezifischen Pathogenen. Wenn antibiotikaresistenzgene oder virale Sequenzen in sehr niedriger Abundanz vorhanden sind, ist hohe Sequenziertiefe erforderlich. Auch Genome-Assemblies erfordern mehrere Millionen Reads pro Probe.

Ein pragmatischer Mittelweg ist die zweistufige Strategie: Zunächst ein breites Screening mit moderater Tiefe, danach gezielte Tiefensequenzierung von biologisch interessanten Proben. So verbindet man explorative Durchschlagskraft mit der Möglichkeit detaillierter Charakterisierung.

Kritische Bewertung: Methodische Defizite in der publizierten Literatur

Eine systematische Durchsicht veröffentlichter Mikrobiomstudien enthüllt, dass überraschend viele Arbeiten mit inadäquater Sequenziertiefe oder zu kleinen Kohorten publiziert werden. Mehrere strukturelle Faktoren erklären dieses Phänomen.

Erstens fehlen verbindliche methodische Standards in vielen Disziplinen. Während Genomik etablierte Coverage-Metriken aufweist, existieren für Mikrobiomstudien keine allgemein anerkannten Mindestanforderungen. Reviewer ohne methodisches Spezialwissen übersehen leicht, dass 2.000 Reads pro Probe nicht ausreichen, um robuste Diversitätsaussagen zu treffen.

Zweitens erzeugen Budgetbeschränkungen starken Druck zur Untersequenzierung. Projektmittel sind limitiert, und mehr Proben bedeuten statistisch höhere Power und damit eher publikationsfähige Ergebnisse. Der finanzielle Anreiz ist erheblich, die Sequenziertiefe zu reduzieren, um zusätzliche Proben einzubeziehen.

Drittens werden methodische Limitierungen in Publikationen oft unzureichend thematisiert. Crudele und Cresci (2024) kritisieren, dass viele Arbeiten Assoziationen mechanisch berichten, ohne zu durchdenken, ob die gewählte Methode die formulierte Frage überhaupt angemessen beantworten kann.

Viertens mangelt es an Replikationsstudien mit verbesserter Methodik. Einmal publizierte Befunde bleiben in der wissenschaftlichen Literatur, selbst wenn methodisch überlegene Nachfolgestudien sie nicht bestätigen. Der publication bias bevorzugt positive Ergebnisse, nicht methodische Robustheit.

Für kritische Leser bedeutet dies: Methodenteile sorgfältig durcharbeiten, die tatsächlich gewählten Sequenziertiefen und Stichprobengrößen überprüfen und bei eigenen Studien konservativ planen. Eine gut gepowerte Studie mit klaren, reproduzierbaren Ergebnissen ist wissenschaftlich wertvoll, während untersequenzierte Explorationen mit fragwürdigen Assoziationen langfristig zu Verwirrung beitragen.

Quellen

Crudele L, Cresci GA (2024). Current progresses and challenges for microbiome research in human health. Frontiers in Microbiology. https://pmc.ncbi.nlm.nih.gov/articles/PMC11024239/

Knight R, et al. (2018). Best practices for analysing microbiomes. Nature Reviews Microbiology,

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

Weiterführend