Studien-CheckDesiree KaminskiAusgabe 2026
Humanbiomstudien
Allgemein

Qualitätskontrolle Humanbiom-Studien: Warum selbst standardisierte Protokolle nur bedingt vergleichbar sind

Warum Qualitätskontrolle in Humanbiom-Studien so komplex ist: von Probenentnahme über Sequenzierung bis Bioinformatik. Methodenkritische Analyse.

Von Desiree Kaminski · · Lesezeit: 6 Minuten

Mechanische Schieblehre beim Vermessen eines gläsernen Objektträgers
Standardisierung und Qualitätskontrolle bei Laboruntersuchungen. Illustration: KI-generiert

Qualitätskontrolle bei Humanbiom-Studien ist strukturell komplexer als in den meisten anderen biomedizinischen Forschungsfeldern. Bei klinischen Laborparametern wie HbA1c oder Kreatinin existieren klare Referenzbereiche und zertifizierte Messmethoden. In der Mikrobiomforschung dagegen liegt ein methodisches Mehrschichtenproblem vor: Die biologische Variabilität der Proben überlagert sich mit technischer Varianz auf mindestens vier unterschiedlichen Prozessebenen. Zwei aktuelle Übersichtsarbeiten von Chun et al. (2025) und Crudele & Cresci (2024) systematisieren die Herausforderungen und zeigen, warum selbst bei Einhaltung publizierter Standards die Vergleichbarkeit zwischen Studien begrenzt bleibt.

Die vier kritischen Ebenen der Qualitätskontrolle

Probenentnahme: Wo systematische Fehler beginnen

Die Probenentnahme ist die erste und oft unterschätzte QC-Ebene. Bereits hier wirken sich nicht kontrollierte Variablen massiv aus: Tageszeit, Ernährung in den letzten 48 Stunden, Stuhlkonsistenz nach Bristol-Stool-Scale oder Lagerungstemperatur bis zur Verarbeitung beeinflussen die mikrobielle Komposition erheblich. Das Problem besteht darin, dass diese Parameter in vielen Studien nicht dokumentiert oder nur unvollständig erfasst werden.

Für fäkale Proben bedeutet das konkret: Sofortige Kühlung auf 4°C oder Einfrieren bei minus 80°C innerhalb von 30 Minuten ist Standard, wird aber außerhalb klinischer Settings selten erreicht. Bei ambulanten Probanden mit Heimprobenentnahme entstehen Zeitverzögerungen von mehreren Stunden, in denen sich die mikrobielle Zusammensetzung bereits signifikant verändert. Mock-Community-Kontrollen erfassen diesen Pre-Analytik-Fehler nicht, weil sie erst ab der DNA-Extraktion eingesetzt werden (Chun et al., 2025).

DNA-Extraktion: Der blinde Fleck zwischen Protokollen

Die DNA-Extraktion ist methodisch der variantereichste Schritt. Mechanische Lyse durch Bead-Beating, enzymatische Verfahren oder deren Kombinationen führen zu unterschiedlicher Effizienz bei gram-positiven versus gram-negativen Bakterien. Die Wahl des Extraktionskits kann die relative Abundanz von Firmicutes versus Bacteroidetes um den Faktor 2 bis 3 beeinflussen.

Standards wie das International Human Microbiome Standards (IHMS)-Protokoll existieren, werden aber inkonsistent angewendet. Entscheidend für die QC ist die Einbeziehung von Negativ-Kontrollen, also Extraktionskit ohne biologisches Material, sowie Positiv-Kontrollen mit definierten Mock-Communities. Letztere sollten idealerweise sowohl gram-positive als auch gram-negative Spezies sowie Archaeen enthalten. Die erwartete Wiederfindungsrate liegt bei korrekt durchgeführter Extraktion über 95 Prozent für alle enthaltenen Taxa.

Sequenzierung: 16S versus Shotgun aus QC-Perspektive

Bei der 16S-rRNA-Amplikon-Sequenzierung ist die PCR-Amplifikation selbst eine Fehlerquelle. Primer-Bias führt dazu, dass bestimmte Taxa präferenziell amplifiziert werden, während andere unterrepräsentiert bleiben. Die Wahl der variablen Region (V1-V9) beeinflusst die taxonomische Auflösung erheblich: V3-V4 ist Standard, hat aber bekannte Schwächen bei der Gattungsauflösung von Bifidobacterium oder Lactobacillus. Die grundlegenden methodischen Unterschiede zwischen 16S und Shotgun-Metagenomik sind für die QC-Strategie entscheidend, weil sie unterschiedliche Kontrollpunkte erfordern.

Shotgun-Metagenomik umgeht den Amplifikationsbias, bringt aber andere QC-Anforderungen mit sich. Hier ist die Sequenziertiefe (Coverage) kritisch. Als Minimum für fäkale Proben werden 5 bis 10 Millionen Paired-End-Reads empfohlen, um auch niedrig-abundante Taxa zu erfassen. Die Read-Qualität muss mit Tools wie FastQC überprüft werden, wobei Phred-Scores unter Q30 problematisch sind (Crudele & Cresci, 2024).

Für beide Methoden gilt: Inter-Run-Kontrollen sind obligat. In jedem Sequenzier-Lauf sollte dieselbe Mock-Community mitgeführt werden. Die Bray-Curtis-Dissimilarität zwischen Runs sollte unter 0,3 liegen; höhere Werte indizieren systematische technische Varianz, die eine Run-übergreifende Vergleichbarkeit in Frage stellt (Chun et al., 2025).

Bioinformatik-Pipeline: Wo Reproduzierbarkeit zerbricht

Das Referenzdatenbank-Problem

Die bioinformatische Prozessierung ist die vierte QC-Ebene und gleichzeitig die intransparenteste. Taxonomische Zuordnung erfolgt durch Abgleich mit Referenzdatenbanken wie SILVA, Greengenes oder NCBI RefSeq. Hier liegen erhebliche Unterschiede vor: Die Datenbanken unterscheiden sich in Aktualität, Kuratierungsgrad und taxonomischer Nomenklatur. Eine Sequenz kann in SILVA als Faecalibacterium prausnitzii klassifiziert werden, während Greengenes nur Faecalibacterium auf Gattungsebene auflöst.

Das hat konkrete Konsequenzen. Zwei Studien mit identischer Probenverarbeitung, aber unterschiedlichen Datenbanken, können zu nicht übereinstimmenden Ergebnissen auf Speziesebene führen. Crudele & Cresci (2024) dokumentieren Fälle, in denen die Alpha-Diversität (Shannon-Index) um 15 bis 20 Prozent variiert, abhängig von der gewählten Datenbank.

Pipeline-Varianz und fehlende Standardisierung

QIIME2, mothur, DADA2 oder metaphlan sind gängige Tools mit unterschiedlichen Algorithmen für Quality-Filtering, Denoising und Clustering. DADA2 arbeitet mit Amplicon Sequence Variants (ASVs) statt Operational Taxonomic Units (OTUs), was zu höherer Auflösung führt, aber auch höhere Sensitivität gegenüber Sequenzierfehlern mit sich bringt.

Pipeline-Parameter müssen vollständig dokumentiert werden: Phred-Score-Cutoff, Chimären-Filterung (de novo versus reference-based), Rarefaction-Depth. Das geschieht aber in weniger als 40 Prozent der publizierten Studien ausreichend detailliert. Ohne diese Information ist eine Reproduktion der Analyse unmöglich (Chun et al., 2025).

Inter-Laboratoriums-Tests und Mock-Communities: Was sie leisten und was nicht

Inter-Laboratoriums-Proficiency-Tests (IPT) mit definierten Mock-Communities wie ZymoBIOMICS oder ATCC MSA-1003 sind Gold-Standard für die laborinterne QC. Sie ermöglichen die Quantifizierung der methodischen Varianz zwischen Extraktionsprotokollen, Sequenzierplattformen und Pipelines.

Die Limitation liegt in der Natur dieser Kontrollen selbst: Mock-Communities bestehen aus kultivierbaren Laborstämmen mit bekannten Genomsequenzen. Sie repräsentieren nicht die Komplexität realer Stuhlproben mit hunderten niedrig-abundanter Taxa, obligat anaeroben Spezies oder schwer lysierbaren Archaeen. Ein Labor kann perfekte Mock-Community-Ergebnisse liefern und trotzdem systematische Bias bei der Erfassung gram-positiver Anaerobier zeigen.

Konkrete QC-Schwellenwerte aus der Literatur

Aus der Fachliteratur haben sich folgende quantitative QC-Kriterien bewährt (Chun et al., 2025):

Mindestens 20.000 Reads pro Probe sollten es bei 16S-Sequenzierung fäkaler Proben sein. Technische Replikate sollten eine Bray-Curtis-Dissimilarität unter 0,3 zeigen. Bei Mock-Communities wird taxonomische Übereinstimmung über 95 Prozent auf Gattungsebene erwartet. Die DNA-Konzentration nach Extraktion sollte über 5 ng/μl liegen, um robuste PCR-Amplifikation zu gewährleisten. Die Kontaminationsrate in Negativ-Kontrollen sollte unter 1 Prozent der durchschnittlichen Proben-Read-Zahl liegen.

Diese Schwellenwerte sind aber methodenspezifisch. Für Shotgun-Metagenomik gelten teilweise andere Kriterien, etwa die Mindest-Coverage für funktionelle Genanalysen (mindestens 10x für verlässliche SNP-Calls).

Warum selbst standardisierte Protokolle nur bedingt vergleichbar sind

Die zentrale Erkenntnis: Selbst bei Einhaltung publizierter Standards wie IHMS oder Earth Microbiome Project (EMP) bleibt die Vergleichbarkeit zwischen Studien begrenzt. Die Summe kleiner methodischer Abweichungen addiert sich: anderer Primer-Mix, andere Rarefaction-Depth, andere Database-Version führen zu kumulativen Effekten, die biologische Signale überlagern können (Crudele & Cresci, 2024).

Das bedeutet für die Praxis: Meta-Analysen, die Daten aus verschiedenen Studien poolen, müssen mit großer Vorsicht interpretiert werden. Batch-Korrektur-Algorithmen wie ComBat oder Harmony können technische Varianz reduzieren, aber nicht vollständig eliminieren. Ähnliche Standardisierungsprobleme kennt man auch aus In-vitro-Modellen, wo unterschiedliche Medien und Kultivierungsbedingungen die Übertragbarkeit zwischen Laboratorien einschränken.

Was folgt daraus für die Bewertung von Humanbiom-Studien?

Bei der Lektüre von Mikrobiom-Studien sollte man systematisch prüfen, ob QC-Maßnahmen dokumentiert sind. Fehlen Angaben zu Mock-Communities, Negativ-Kontrollen, Pipeline-Parametern oder Referenzdatenbanken, ist die Belastbarkeit der Ergebnisse fraglich. Das gilt besonders für Studien mit geringen Fallzahlen (n unter 30), bei denen technische Varianz schnell biologische Signale überdeckt.

Die Forderung nach Open Data und Open Methods ist hier keine Formsache, sondern methodische Notwendigkeit. Nur wenn Rohdaten (FASTQ-Files) und vollständige Pipeline-Scripts öffentlich verfügbar sind, kann eine unabhängige Re-Analyse die Robustheit der Befunde überprüfen.

Ausblick: Was sich ändern müsste

Chun et al. (2025) fordern verpflichtende Mindeststandards für die Publikation von Humanbiom-Studien, analog zu CONSORT für klinische Studien oder ARRIVE für Tierversuche. Ein solcher Standard müsste definieren, welche QC-Parameter zwingend zu dokumentieren sind. Journals wie Nature Microbiology oder Cell Host & Microbe haben bereits entsprechende Checklisten eingeführt, diese werden aber nicht konsequent durchgesetzt.

Langfristig brauchte es internationale Referenzlaboratorien, die regelmäßige IPTs organisieren und Zertifizierungen für Mikrobiom-Analysenlabore vergeben, vergleichbar mit klinisch-chemischen Laboren. Bis dahin bleibt Qualitätskontrolle in Humanbiom-Studien eine Herausforderung, die kritische Methodenkompetenz bei allen erfordert, die solche Studien interpretieren oder anwenden.

Quellen

Chun J, et al. (2025). Standardizing the approach to clinical-based human microbiome research: from clinical information collection to microbiome profiling and human resource utilization. Public Health Reports Korea. PMC12245529.

Crudele L, Cresci GA (2024). Current progresses and challenges for microbiome research in human health: a perspective. Frontiers in Microbiology. PMC11024239.

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

Weiterführend