重估废水流行病学监测的挑战与解决方案

韩婧 ,  程洲华 ,  刘东风 ,  俞汉青

Engineering ›› 2024, Vol. 43 ›› Issue (12) : 23 -25.

PDF (1305KB)
Engineering ›› 2024, Vol. 43 ›› Issue (12) : 23 -25. DOI: 10.1016/j.eng.2024.07.023
观点述评

重估废水流行病学监测的挑战与解决方案

作者信息 +

Re-Evaluating Challenges and Solutions in Wastewater Surveillance

Author information +
文章历史 +
PDF (1336K)

引用本文

引用格式 ▾
韩婧,程洲华,刘东风,俞汉青. 重估废水流行病学监测的挑战与解决方案[J]. 工程（英文）, 2024, 43(12): 23-25 DOI:10.1016/j.eng.2024.07.023

登录浏览全文

4963

注册一个新账户 忘记密码

新冠病毒肺炎疫情（COVID-19）深刻改变了我们对病原体诊断的认知。作为临床报告的重要补充，废水监测以其独特优势成为评估病原体流行水平的有效手段，并已获得广泛认可[1‒2]。无论是症状明显的感染者还是无症状携带者，都会通过排泄途径将病原体释放至废水中。通过废水流行病学监测系统对这部分病原体的核酸浓度和序列信息进行分析，不仅能够为疫情暴发提供早期预警，还能全面描绘集水区域内疫情传播的整体态势[3]（图1）。要充分释放废水流行病学监测作为疫情前哨站的潜力，关键在于深入解读监测数据，充分挖掘其潜在价值。
废水中病原体核酸的浓度（C DNA或C RNA）与流行水平之间存在显著相关性。要准确解读废水监测数据，需要构建可靠的数学模型，将C DNA或C RNA与新增感染病例数等关键指标建立关联。然而，病原体核酸（特别是RNA）从排放到采集的过程中，可能受到pH值、温度、流速及运输时间等多种环境因素的影响而发生降解。除此之外，人均用水量和排泄物中的病毒浓度等变量也是重要的指标。将上述因素作为协变量纳入模型，可显著提升预测准确性[4]。因此，在采集核酸数据的同时，同步记录天气条件、水质变化和临床数据等相关参数相当重要。这些参数对核酸载量的影响在不同地区、不同时间各有差异，因此有必要借助机器学习技术开发适应不同时空条件的动态预测模型。研究表明，梯度提升树、随机森林和人工神经网络等算法在预测新冠病毒阳性病例数方面，较传统线性回归模型具有明显优势[5]。
废水中病原体核酸的来源不限于临床病例，还包括无症状感染者和潜伏期患者。因此，虽然废水数据能够有效反映临床病例数量变化的时间动态特征，但将C DNA或C RNA与特定区域的总体感染数相关联，能够更全面地把握疫情发展趋势，弥补临床监测的不足。而用于建立模型的总阳性率可以通过随机抽样对居民进行核酸检测（如由地方政府或研究机构组织实施）来估算获得。利用废水监测推算整体流行率数据，可为公共卫生策略制定提供科学依据，尤其是针对未就医的感染者的措施，如向轻症患者分发非处方药等。
将废水监测与核酸测序技术相结合，还可用于评估病原体突变株的来源、进化及流行趋势。对于废水样本，应当深入挖掘和全面解读其中的核酸信息，做到利用较少的样品数量较全面地揭示突变株的动态变化。考虑到临床采样的局限性及其可能带来的信息缺失，这无疑是一种有益的补充。理想的废水基因组监测应能精准识别多种病原体谱系，评估其相对丰度，揭示突变株在特定时空背景下的传播模式。然而，由于废水中病原体核酸含量低且多为片段化形式，如若希望达到理想的测序覆盖度，必须引入更优的核酸提取和富集技术。
废水基质、聚合酶链反应（PCR）的偏倚以及废水中其他生物体遗传物质的干扰，都增加了基因组测序和分析的难度[6]。不同谱系间的相互干扰也使得基因组组装及突变定位变得更复杂。为克服这些障碍，需要在样本采集、核酸提取、扩增、测序和数据处理等各个环节进行系统性优化。在一段时间内进行高频率的采样可以缓解无关遗传物质造成的噪声干扰[6]。尽管我国已发布《污水中新型冠状病毒富集浓缩和核酸检测方法标准》，但其在低浓度核酸的富集及大规模监测中的适用性仍显不足。这意味着需要继续开发和应用先进的核酸富集技术，通过提升核酸浓度来增强低流行率谱系的识别能力[7]。
重复测序可增加测序深度，从而增强对谱系特征性突变的识别能力；而针对关键基因区域的靶向测序则有助于快速鉴别关键突变位点和突变株[8]。有研究[9]尝试对废水中的核酸片段进行纳米孔测序，其长读长的优势在废水监测背景下或许有所助益。现有研究[6,10]已经开发了多种可靠的工具，能够较为稳健地解析复杂测序数据中的谱系丰度。尽管如此，在废水基因组监测中，仍需要提升不同地区间结果的可比性并追踪突变株在区域间的传播。从废水基因组分析中得到的结果，无论是已知突变株的相对流行趋势还是全新突变株的发掘，都有赖于流行病学家的深入解读，以阐释突变株的特征和地区间传播路径。
近年来，废水监测技术在全球范围内取得显著进展。例如，新加坡国家环境局在新冠肺炎疫情期间每周发布废水病毒载量指数，为公众提供了重要参考[11]；泰国研究者建立了废水病毒载量与疫情趋势之间的关联模型，并建议在大型污水处理厂定期采样，以实现高效的常规监测[12]；在孟加拉国的农村地区，研究者通过评估公共卫生设施，选择最佳采样点，证实了这些采样点的废水病毒载量与全国报告病例的相关性[13]；在中国，香港特别行政区是废水流行病学监测的先行者，研究者通过三座污水处理厂的长期采样，为病原体的长期哨点监测积累了经验[14]。然而，由于地域广阔、发展不均等原因，中国和许多其他国家在构建全国性废水监测网络时仍面临较大挑战，需要制定不同维度的战略。
展望未来，我们期望建立一套更加全面的废水监测体系，不仅局限于新冠病毒，还应涵盖肺炎支原体、流感病毒、诺如病毒以及抗生素耐药性等更多重大公共卫生威胁。在此，我们提出了一套四维策略，旨在全面开发废水数据的潜力（图2）。在资源有限、缺乏专业设备的地区，应优先在废水采样点建立现场诊断体系。这一体系应当将采样、核酸提取与检测整合为一套精简的操作流程，确保在不依赖专业设备的同时提供可靠的结果。在这一方面，我们认为基于成簇的规律间隔短回文序列（CRISPR）的检测方法与无需PCR设备的纸基装置或许是一个可行的选择[15]。
在疫情缓和期，污水处理厂的现场定性核酸检测即可满足监测和早期预警的需求；而在疫情暴发时，则需要专业实验室介入，通过定量检测和测序提供更为详尽的分析。这些检测实验室应该配备高通量分析平台来准确识别病原体丰度的细微变化。新冠肺炎疫情流行期间的经验表明，现有的核酸诊断实验室有能力进行高通量的核酸检测。为了实现废水中病原体核酸的高通量分析，有必要整合核酸的高通量富集和提取方法[7]。这些实践将有助于建立一个富有经验的废水流行病学实验网络。通过引入快速的测序平台，能对各种突变株的相对丰度进行深入分析，从而有效地表征流行病的发展态势。
病原体在健康和卫生条件较差的地区更容易发生快速演化。为了建立全球监测系统，在欠发达地区部署监测站点显得尤为重要[16]。因此，在发达国家的帮助下，实施低成本的污水监测计划以建立当地病原体预警机制相当关键。然而，在农村地区，由于废水收集系统的缺失，代表性样本的采集和测序分析面临困难[17]。作为替代方案，从医院、市场、交通枢纽等交通繁忙的地点采集样品既更有效也更经济。最终，利用机器学习，可以建立基于废水的流行病学监测模型，在更广泛的空间和时间尺度上将废水衍生数据与公共卫生信息关联起来[18]。这就需要在地区和国家之间建立数据共享并提升数据集的规范性。
应当指出，废水的病原体监测的优势在于，相较于临床筛查其成本更低、更易执行（尤其在缺乏服务和资源的环境下），但也存在不足，即无法精准确定受感染的个体。尽管从污水处理厂上游的排水系统中采集污水样品可以监测疗养院、大学等有关机构的流行病动态，在一定程度上克服这一不足，但是对病原体的废水监测不能完全取代临床检测。相反，临床数据，包括疫苗接种率、特定突变株在排泄物中的特征等，有助于更好地解释和利用来源于废水的数据。
新冠肺炎的大流行凸显了废水流行病学的特殊作用。废水中包含全面而丰富的流行病学信息，可用于流行病学监测。要想为公共卫生干预提供可靠的支撑，首先需要开发利用C DNA或C RNA预测感染流行的稳健模型，同时应当有效地挖掘更多关于病原体突变株及其流行病学特征的信息。为此，我们提出了一种四维策略来建立一个能提供丰富信息且符合地方特点的废水监测系统。在建立了稳健的废水监测系统以后，还可以探索废水中病原体以外的化学和生物标志物，如非法药物、药品、个人护理产品等，作为集水区内居民健康状况和生活习惯的总体指标。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Bivins A, North D, Ahmad A, Ahmed W, Alm E, Been F, et al. Wastewater-based epidemiology: global collaborative to maximize contributions in the fight against COVID-19. Environ Sci Technol 2020;54(13):7754‒7. . 10.1021/acs.est.0c02388
[2]

Peccia J, Zulli A, Brackney DE, Grubaugh ND, Kaplan EH, Casanovas-Massana A, et al. Measurement of SARS-CoV-2 RNA in wastewater tracks community infection dynamics. Nat Biotechnol 2020;38(10):1164‒7. . 10.1038/s41587-020-0684-z
[3]

Xu X, Deng Y, Zheng X, Li S, Ding J, Yang Y, et al. Evaluation of RT-qPCR primer-probe sets to inform public health interventions based on COVID-19 sewage tests. Environ Sci Technol 2022;56(12):8875‒84. . 10.1021/acs.est.2c00974
[4]

Morvan M, Jacomo AL, Souque C, Wade MJ, Hoffmann T, Pouwels K, et al. An analysis of 45 large-scale wastewater sites in England to estimate SARS-CoV-2 community prevalence. Nat Commun 2022;13(1):4313. . 10.1038/s41467-022-31753-y
[5]

Jiang G, Wu J, Weidhaas J, Li X, Chen Y, Mueller J, et al. Artificial neural network-based estimation of COVID-19 case numbers and effective reproduction rate using wastewater-based epidemiology. Water Res 2022;218:118451. . 10.1016/j.watres.2022.118451
[6]

Jahn K, Dreifuss D, Topolsky I, Kull A, Ganesanandamoorthy P, Fernandez-Cassi X, et al. Early detection and surveillance of SARS-CoV-2 genomic variants in wastewater using COJAC. Nat Microbiol 2022;7(8):1151‒60. . 10.1038/s41564-022-01185-x
[7]

Zheng X, Wang M, Deng Y, Xu X, Lin D, Zhang Y, et al. A rapid, high-throughput, and sensitive PEG-precipitation method for SARS-CoV-2 wastewater surveillance. Water Res 2023;230:119560. . 10.1016/j.watres.2022.119560
[8]

Smyth DS, Trujillo M, Gregory DA, Cheung K, Gao A, Graham M, et al. Tracking cryptic SARS-CoV-2 lineages detected in NYC wastewater. Nat Commun 2022;13(1):635. . 10.1038/s41467-022-29573-1
[9]

La Rosa G, Brandtner D, Mancini P, Veneri C, Bonanno Ferraro G, Bonadonna L, et al. Key SARS-CoV-2 mutations of alpha, gamma, and eta variants detected in urban wastewaters in Italy by long-read amplicon sequencing based on nanopore technology. Water 2021;13(18):2503. . 10.3390/w13182503
[10]

Karthikeyan S, Levy JI, De Hoff P, Humphrey G, Birmingham A, Jepsen K, et al. Wastewater sequencing reveals early cryptic SARS-CoV-2 variant transmission. Nature 2022;609(7925):101‒8.
[11]

Singer AC, Thompson JR, Filho CRM, Street R, Li X, Castiglioni S, et al. A world of wastewater-based epidemiology. Nature Water 2023;1(5):408‒15. . 10.1038/s44221-023-00083-8
[12]

Sangsanont J, Rattanakul S, Kongprajug A, Chyerochana N, Sresung M, Sriporatana N, et al. SARS-CoV-2 RNA surveillance in large to small centralized wastewater treatment plants preceding the third COVID-19 resurgence in Bangkok, Thailand. Sci Total Environ 2022;809:151169. . 10.1016/j.scitotenv.2021.151169
[13]

Jakariya M, Ahmed F, Islam MA, Al Marzan A, Hasan MN, Hossain M, et al. Wastewater-based epidemiological surveillance to monitor the prevalence of SARS-CoV-2 in developing countries with onsite sanitation facilities. Environ Pollut 2022;311:119679. . 10.1016/j.envpol.2022.119679
[14]

Zheng X, Li S, Deng Y, Xu X, Ding J, Lau FTK, et al. Quantification of SARS-CoV-2 RNA in wastewater treatment plants mirrors the pandemic trend in Hong Kong. Sci Total Environ 2022;844:157121. . 10.1016/j.scitotenv.2022.157121
[15]

Cao H, Mao K, Ran F, Xu P, Zhao Y, Zhang X, et al. Paper device combining CRISPR/Cas12a and reverse-transcription loop-mediated isothermal amplification for SARS-CoV-2 detection in wastewater. Environ Sci Technol 2022;56(18):13245‒53. . 10.1021/acs.est.2c04727
[16]

Knyazev S, Chhugani K, Sarwal V, Ayyala R, Singh H, Karthikeyan S, et al. Unlocking capacities of genomics for the COVID-19 response and future pandemics. Nat Methods 2022;19(4):374‒80. . 10.1038/s41592-022-01444-z
[17]

Polo D, Quintela-Baluja M, Corbishley A, Jones DL, Singer AC, Graham DW, et al. Making waves: wastewater-based epidemiology for COVID-19-approaches and challenges for surveillance and prediction. Water Res 2020;186:116404. . 10.1016/j.watres.2020.116404
[18]

Li X, Liu H, Gao L, Sherchan SP, Zhou T, Khan SJ, et al. Wastewater-based epidemiology predicts COVID-19-induced weekly new hospital admissions in over 150 USA counties. Nat Commun 2023;14(1):4548. . 10.1038/s41467-023-40305-x
AI Summary AI Mindmap
PDF (1305KB)

1903

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉