临时指导

-

1-

服务于公共卫生目标的SARS-CoV-2基因组 测序

临时指导

2021 年 1 月 8 日

关键信息：

•

对

SARS-CoV-2

基因序列和相关元数据的全球监测有助于应对

COVID-19

疫情。这包括跟踪

SARS-

CoV-2

随时间推移的地理传播，并确保及时发现和评估可能影响致病性、传播或应对措施（如疫苗、

治疗方法和诊断工具）的各种突变。

•

尽管基因测序的成本和复杂性随着时间的推移已经大大降低，有效的测序规划仍然需要在工作人员、

设备、试剂和生物信息基础设施方面进行大量投资。此外，需要有效的协作，以确保生成的数据是高 质量的，并以有意义的方式加以使用。

•

鼓励各国迅速将

SARS-CoV-2

序列储存在公共数据库中，以便与科学界共享，服务于公共卫生目的。

对

SARS-CoV-2

分级全球测序网络的投资，将有助于开发具有应变能力、高质量的全球测序规划，用

于未来其他疫情病原体的发现和管理。

背景

在过去十年中，病原体的基因序列数据（

GSD

）在传染病疫情的发现和管理方面发挥了关键作用，支 持着诊断工具、药物和疫苗的开发并为疫情应对提供信息

(1–11)

。随着新型冠状病毒（后续被命名为严重 急性呼吸综合征冠状病毒

2

（

SARS-CoV-2

））的出现，

GSD

的重要性进一步得到强调。在首次识别

SARS-

CoV-2

病毒后的一年内，超过

28

万个全基因组序列通过可公开访问的数据库得以共享

(12)

。近实时的数据

分析直接影响了公共卫生应对措施

(12–16)

。表

1

列出了

SARS-CoV-2

基因组测序的各项公共卫生目标。

人们越来越了解序列信息如何有助于改善公共卫生，这推动了全球对测序设施和规划的投资。生成

GSD

的成本和复杂性的下降为扩大测序能力提供了机会；然而，广泛实施的挑战依然存在，测序能力和数 据在世界各地分布不均，高收入国家的

SARS-CoV-2 GSD

比例过高。

表

1. SARS-CoV-2

基因组测序的公共卫生目标

需要有限努力的活动，而且一旦完成可能不

需要测序或只是偶尔需要后续测序 需要在较长的一段时间内持续测序的活动

- 确定SARS-CoV-2为疾病病原体。

- 开发SARS-CoV-2诊断工具。

- 支持治疗方法和疫苗的开发。

- 调查人类感染的日期并调查SARS-CoV-2 的起源(进行中)。

- 再度感染：

• 评估并增进对这一现象的理解。

• 在个体层面，区分长期感染和再度感染。

SARS-CoV-2的演变及其影响：

- 病毒行为的改变(表型改变)，例如，

传播性或致病性；

- 免疫力(来自疫苗或自然感染)； - 诊断工具(即分子、血清学、抗原分

析法)

- 治疗性的干预措施(如单克隆抗体)。

监测病毒的变动和活动：

- 调查种群间的地理传播和再度引入。

- 调查特定环境和人群中的疫情(如医院)。 - 追踪人畜共患病跨越物种屏障的双向再度引

入。

- 监测环境和废水。

- 通过量化传播周期和评价驱动因素，以及估计 人群中的传播水平，支持经典的监测工作。

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

2-

本文件的目的

本文件为国家级决策者和利益攸关方提供指导，指导他们在大流行继续发展的情况下，如何在短期和 长期最大限度地发挥

SARS-CoV-2

基因组测序活动所带来的公共卫生益处。本文包括实施病毒基因组测序 规划的务实考量，以及对于基因组测序的公共卫生目标的概述。本指导文件侧重于

SARS-CoV-2

，但也适 用于其他引起公共卫生关注的病原体。建议希望建立

SARS-CoV-2

测序能力的国家将这一工作作为一项更 广泛计划的一部分，建立发现和监测其他引起公共卫生关注的病原体的能力。

更多的世卫组织指导文件

世卫组织已与世界各地的测序专家合作，制定了

SARS-CoV-2

基因组测序：对公共卫生产生最大影响 的实施指引。该指导文件提供了关于

SARS-CoV-2

测序的更完整的背景资料，面向积极参与实施测序规划 的人员

(17)

。文件对测序的各种用途进行深入审查，并就

SARS-CoV-2

背景下的病原体测序提供技术建议。

除了阅读这些和其他已出版的文件，测序经验有限的实验室应积极寻找机会，与有经验的实验室合作和

/

或 加入或形成具有测序专长的实验室网络。

1. SARS-CoV-2 介绍

SARS-CoV-2

属于冠状病毒科的β

_-

冠状病毒属（

Sarbecovirus

亚属）

(18)

。它是一种包膜、正向、单链 核糖核酸（

RNA

）病毒，大约有

30kb

的基因组

(19)

。基因测序使得人们能够读取病毒基因组。由于每种病 原体都有独特的基因组序列，这种方法可用于识别新型病原体（如

SARS-CoV-2

）

(20)

。

SARS-CoV-2

基因 组编码非结构蛋白、四种结构蛋白（刺突蛋白

[S]

、包膜蛋白

[E]

、膜蛋白

[M]

、核衣壳蛋白

[N]

）和几种推 定的辅助蛋白

(21–23)

。

SARS-CoV-2

病毒进入宿主细胞需要将病毒

S

蛋白结合到宿主细胞的血管紧张素转 换酶

2

（

ACE-2

）受体上

(24–27)

。

SARS-CoV-2

刺突蛋白，特别是受体结合域

(RBD)

，是自然免疫和疫苗诱 导免疫的关键靶标

(28–32)

。因此，刺突蛋白的基因编码多样化可能会影响疫苗的有效性、自然免疫和各种

（单克隆）抗体疗法

(33)

。

当病毒（尤其是

SARS-CoV-2

等

RNA

病毒）复制时，基因组会发生变化（突变）。如果某个获得性 突变不存在进化劣势，则可能在

SARS-CoV-2

人群中固定。目前估计，在核苷酸层面，

SARS-CoV-2

的进 化速率为每年每个位点

1 x 10

^-3次替换

(34)

。这意味着大约每两周完成一次基因组的替换

(35)

。这种相对较 低的进化速率限制了单个传播事件的时间分辨率

(35)

。研究

SARS-CoV-2

的进化，并快速识别可能影响病 毒特性（表型变化）的替换、插入或缺失，是流行病监测的重要工具。这类工作最显著的成果之一是发现 与病毒的传播性和

/

或致病性变化有关的突变，或可能降低医疗对策（诊断工具、疫苗和治疗方法）效用的 突变。追踪病毒在时间和空间上的突变也有助于跟踪病原体的传播，并有助于加强对潜在传播途径和动态 的了解。通过系统发育分析可以重建病原体的进化史。系统发育和系统动力（即，病毒的系统发育是如何 由流行病学和进化过程形成的）分析可提供大量信息来支持疫情的应对工作。

2. 结合当地条件建立最佳的 SARS-CoV-2 测序方法

2.1

结合具体情况对测序目标和方法进行优先排序

虽然基因测序的成本在过去几十年里显著下降，测序仍然需要大量的资源投资（财政、基础设施和人 力）。在启动一个测序项目之前，关键的第一步是确定测序对于达到一个特定的目标是否真的有价值，或 者是否有其他在时间或经济上更有效的做法可用。这一决定可能涉及到要考虑是否仅做病毒测序就足以达

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

3-

到确定的目标，或者是否应将其作为多学科方法中的一个较小的组成部分。比起将病毒基因组分析作为一 个单独或次要的活动，将基因组数据分析员直接纳入公共卫生调查和应对团队、以流行病学为重点的活动 很可能产生更大的直接影响。

在支持测序的资源有限的情况中，可能有必要将测序规划的各项目标限制在临床和

/

或公共卫生潜力大 的活动上，这会使工作得以持续。这样的规划可能会对

SARS-CoV-2

的测序进行优先排序：

(i)

接种过

SARS-CoV-2

疫苗，但尽管对疫苗表现出适当的免疫应答，之后却仍然感染

SARS-CoV-2

的个体；

(ii)

在风 险环境中，如人类与大量易受

SARS-CoV-2

感染的动物密切互动的环境，或者是免疫功能低下且长时间排 毒的患者，特别是在接受

SARS-CoV-2

抗体治疗时；

(iii)

当

SARS-CoV-2

的传播性和

/

或毒性出现意料之外 的增加或变化时；

(iv)

当怀疑诊断（抗体、抗原、分子检验）方法或疗法的性能表现发生变化时；

(v)

在聚 集性病例调查期间，测序可以为更好的理解传播事件和

/

或评价感染控制程序的效果提供支持。

图

1

提供了测序所需基本支柱的概述。如果这三个支柱都没有能力或能力有限，那么很可能有必要与 其他团体建立伙伴关系，以实现测序的各项目标。相反，如果一个或多个支柱具备足够的能力和资源，则 该实验室可考虑开展新的测序规划来支持其他伙伴。对能力的不同需求将在疫情的各个不同阶段出现，并 可能需要实验室从一种战略转向另一种战略。

图

1. 建立测序所需支柱的能力，以选择建立测序规划的最佳办法

2.2

对

SARS-CoV-2

和其他（新出现

/

重新出现的）引起公共卫生关注的病原体全球可持续测序能力进行

投资

具备不同层次的世卫组织实验室网络已证明其能够发挥作用，并促进全球合作，根据特定的国家和区 域需求对各网络进行区域性调整

(36–39)

。建立这样一个强大而有应变力的全球测序网络，可以最大限度地

提高

SARS-CoV-2

和新发

/

再发病原体测序的公共卫生影响。目前，为

COVID-19

提供确认检测的世卫组织

参考实验室正在支持一些这样的测序和分析需求

(40)

。一些区域已经具备或正在发展测序能力，将能够加 入全球实验室

/

测序组网络。为了确定各实验室在该网络中可做出的贡献，可对图

1

中列出的每个支柱的能

能力和实力 诊断能力 物理测序 序列数据分析

无 有限

有，但不堪 重负 有，充分

有，有支持其 他人的空间

与合作伙伴合作，

获得支持和能力 建设

评估是否可以满足 最低限度的需求，

或者更倾向于获得 外部支持 按照既定目标开展 测序

按照既定目标开展 测序，可能时支持 其他人

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

4-

力进行全球估计。各个特定病原体的实验室网络（如从事抗微生物药物耐药性、

MERS-CoV

、流感、麻 疹、风疹、脊髓灰质炎病毒和结核病研究的实验室网络）已投资于测序能力，以此作为其监测活动的一部

分

(8, 9, 41–43)

。由于测序的费用仍然很高，而且测序工作流程的许多部分可以用于各种病原体或测序目

标，因此鼓励开展国家级协作以确保优化利用现有能力。能力建设规划应重点关注阶梯式方法来建设能 力。能力建设的优先事项应视具体情况而定。对一些国家来说，建设湿性实验室能力是合理的，而在其他 情况下，外包实际的测序工作并将重点放在生物信息学、数据管理和解读上将产生更大的影响。有效协 作、数据共享、标准化的测序方案、联合会议和培训、审计、能力测试（测序和分析）和制定参考标准以 评价不同的程序将有助于进一步发展高质量的

SARS-CoV-2

测序规划以及针对未来新兴病原体发现和应对 的测序规划。在网络共享样本的情况下，还应设立适当的机制，充分满足运送样本的各种要求。

3. 实施病毒基因组测序规划的务实考量

此处提供设立测序规划的技术要求总体概述。有关

SARS-CoV-2

测序的详细信息，请参见完整的

SARS-CoV-2

测序实施指引

(17)

。

3.1

发展

SARS-CoV-2

测序规划时的务实考量

测序目标将决定测序工作流程的设计（表

1

）。助力该过程的相关重要问题可参见附件

I

。附件

II

包含

了制定

SARS-CoV-2

测序规划时需要考虑到的各种考量核对表。图

2

为

SARS-CoV-2

全基因组测序工作流

程。所有参与测序规划的工作人员都应接受适当的培训和指导，以遵守所规定的任务。应在早期阶段便识 别出重要的利益攸关方、征求他们的意见并邀请其参与规划。在发展测序规划时，需要参与工作的利益攸 关方包括公共卫生机构、诊断实验室、测序设施、分析小组，以及视环境而定的感染预防和控制小组或职 业卫生服务机构、患者权益倡导团体和其他合适的参与人类

-

动物关系研究的机构。在整个项目过程中，

应发展和维护与规划目标相一致的沟通渠道和路径，以确保测序数据得到最大程度的利用。定期评价项目 进展和开展最终评价是确保吸取经验教训并在需要时进行改进的关键。要成功地实现以新发现的病原体为 重点的测序规划的各项目标，需要不同领域专家的参与：

(i)

湿性实验室测序和安全处理病毒样本；

(ii)

从原 始数据生成准确的基因组；

(iii)

分析基因组，以生成有助于疫情应对的有意义的结果；

(iv)

病原体。大多数 专家将只精通其中的一个或两个领域。对于

(ii)

和

(iii)

，需要强大的计算机资源来实现快速的结果。因此，

具有不同技能的专家之间的协作和资源的集中往往是生成能够真正影响公共卫生的及时、准确和有效结果 的关键。

图

2. SARS-CoV-2

全基因组测序工作流程。注：成功地实施这一工作流程将涉及在不同阶段参与其中的专

家之间的双边沟通; 例如，理想情况下，进行数据解读的专家将与参与样本选择和制备的专家直接讨论从 测序中选择哪些样本。

样本收集 样本制备 测序 生物信息学 分析

数据管理/

共享 数据解读 公共卫生 行动

COVID-19疫情应对人员

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

5-

3.2

伦理考量

在设计测序规划时，审查伦理影响是很重要的。应识别出可能对研究参与者造成社会危害的风险，并 确定缓解战略。任何拟议的调查都应由伦理审查委员会考虑社会价值、科学有效性、参与者选择、风险收 益比、知情同意和对参与者的持续尊重，进行评价和批准

(44–46) 。如果研究人员在识别围绕 SARS-CoV-2

等疫情病原体的测序可能存在的伦理问题方面缺乏经验，则强烈鼓励此类专业特长的国际协作和参与

(44)

。世界各地研究人员之间的协作应确保公平和互利的合作研究伙伴关系。应该鼓励当地的研究人员在 整个研究过程中发挥主导和积极的作用，因为他们更有可能了解他们的卫生保健和研究系统，并能够将结 果转化为政策

(44, 45)

。基因组序列和元数据共享的伦理考量在第

3.7

节讨论。

3.3

采样策略和样本制备考量

一旦确定了目标，就需要与相关利益攸关方一起制定适当的采样策略。有关采样的详细信息可参见

SARS-CoV-2

测序实施指引

(17)

。理想情况下，选择标本进行测序的原因应被记录在元数据中，因为将样

本的非随机子集包括在内会影响某些基因分析（例如，系统发育和系统动力分析）的可靠性。关于如何采 集临床样本的务实建议包含在

SARS-CoV-2

诊断指导文件中

(47)

。在测序前，建议相对于其他遗传材料，

对

SARS-CoV-2

遗传材料样本进行富集。在这一步骤中，注意不要污染样本

(17, 48, 49)

。由

ARTIC

网络设 计的方法等基于

PCR

的方法是一种平价、快速和方便的方法，可在测序之前增加样本中可用的病毒遗传材

料的数量

(51–53)

。更多的技术细节以及如何在不同的情况下选择最优方法，请参考

SARS-CoV-2

测序实施

指引

(17)

。在初步制备样本、富集

SARS-CoV-2

遗传材料之后，通常可以使用适用于任何病毒的标准测序 方案来制备文库。

3.4

实验室考量

SARS-CoV-2

的测序策略包括依赖基因组知识的靶向法，以及不需要事先掌握基因组序列知识的宏基

因组方法

(54, 55)

。附件

III

总结了每种常用测序技术的主要优缺点。在对测序能力进行投资之前，应考虑

各种技术对于人力资源、人员能力、实验室基础设施、运行时间、成本、易用性、后续数据处理、通量

（数据生产速率）和测序准确性的要求。需要分析的样本数量将取决于测序的目标。在计算成本时，不仅 要考虑测序设备的采购，还要考虑试剂、维护和服务合同的经常性成本。本指导文件未包括成本，但可在

(8)

中找到一份最近的广泛概述。基础设施应到位，以支持可靠的测序，包括可靠的互联网连接和电力供应、

适当的环境（例如，无振动和无尘，一些平台要求记录和调节温度和湿度），以及对于样本存储的记录。

应实施适当的生物安全和生物安全保障措施。评估成本和基本的基础设施需求可有助于决定实际的测序是 应该内部完成还是进行外包更好。技术的变化非常迅速；因此，某些技术将会过时或生产商将转向不同的 机器和

/

或试剂。在进行大规模投资之前，建议确定生产商承诺在多长的时间内提供试剂和支持所选相关平 台的维护和故障排除。在规划方案时，还应考虑支持测序工作的辅助试剂和附加设备的可获得性（例如，

提取方法

[

自动或手动

]

、量化遗传材料的仪器、扩增和孵化仪器、样品纯化以及样本和试剂存储）。开展 基因组测序的实验室应具备高质量的、获得内部和外部质量保证体系确认的

SARS-CoV-2 PCR

能力。此 外，对于工艺过程中的每一步，都应建立和监测各项质量指标。

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

6-

3.5

生物信息和计算考量

硬件需求因所采用的方法而不同（详细信息请参考实施指引

(17)

）。产生的原始数据量取决于测序方 法（见附件

III

）和测序样本的数量

(56)

。数据分析所需的计算能力也因测序目标和方法的不同而不同。例 如，基因组系统发育和比对可能需要高性能的计算能力，特别是在数据集很大的情况下。在开发测序在研 项目时，应考虑存储和处理这些数据所需的计算体系架构的成本。生物信息在研项目将取决于测序前的实 验室阶段、测序平台和使用的试剂。关于生物信息在研项目的详细描述，请参考实施指导文件

(17)

。

3.6

关于病毒命名和命名法的考量

SARS-CoV-2

尚未建立一致的命名法。在缺乏商定一致的命名法的情况下，通常使用三种主要的命名

策略。世系或分支可根据病毒共同的、根据系统发育学决定的共同祖先来定义。

GISAID

和

Nextstrain

都旨 在通过命名不同的系统发育分支，为全球传播的多样性提供一个宽泛的分类。

Rambaut

等人为

SARS-CoV-2

世系提出了一种动态命名法，重点关注传播活跃的病毒世系和那些传播到新地点的病毒世系

(57)

。可获得 软件自动为一个世系和

/

或分支分配新的序列

(58–60)

。随着

SARS-CoV-2

基因组的多样性不断增加，对统一 命名法的需求也日渐增加

(57, 61, 62)

。由于尚不存在一致的命名法，最好的办法是列出使用所有三种常用 系统得到的具体世系和

/

或分支，或至少明确说明正在使用的命名法。

3.7

基因组序列和元数据共享

快速共享病原体

GSD

，以及相关的匿名流行病学和临床元数据，将最大限度地发挥基因组测序在公共 卫生应对中的影响

(63–65)

。广泛共享

SARS-CoV-2

序列，以及诊断方案、测序方案和样本，已经有利于在 全球实现分子诊断能力

(66–68)

。在

SARS-CoV-2

和未来新出现的疫情期间，科学

/

医学界应继续加强全球 合作和及时的数据共享。

SARS-CoV-2

基因组序列数据共享有两种截然不同的选择：“公共域”和“公共 检索”

(69)

。公共域数据库提供对数据的访问，不需要访问和使用数据的人的身份，例如由

DDBJ

、

EMBL-EBI

和

NCBI

运营的

INSDC

。在

GISAID

等公共检索数据库中，用户必须明确自己的身份，以确保

数据的透明使用、允许有效监督、保护数据贡献者的权利、尽最大努力与数据提供者合作，并承认他们在 已公布结果中做出的贡献。上述举例均为免费向公众开放的数据库。当开展病原体测序项目时，必须确定 在这两种选择中，哪一种是最合适的，以及是否需要其他方法来获取和共享

GSD (44)

。确保继续共享基因 数据的关键因素之一是对收集临床样本和生成病毒基因组序列的人给予应有的肯定。在使用公开可及的数 据时，应始终承认数据来源，并在可能时，引用相关出版物和预印文章。

序列数据（包括一致性序列、部分一致性序列和原始序列数据）可以多种格式进行宝贵的共享。在共 享之前，应仔细评价序列数据的质量，包括通过

PCR

产生的扩增子的潜在污染。如果识别和纠正了一个错 误，各实验室应联系序列共享平台，更新之前提交的部分序列。共享原始病毒测序读长（即在组装成一个 一致性基因组之前，病毒基因组的所有单个测序片段）很重要，因为这有助于直接比较不同生物信息方法 对生成一致性基因组所产生的影响，并在必要时协助纠正错误。由于测序文库的数据量很大，在互联网上 传速度有限或连接时断时续的情况下，共享读长级别的数据可能更具挑战性。任何共享的数据都应保护患 者的匿名性。为确保患者匿名性，必须在共享之前过滤包含人员读长的原始数据，只保留非人类（即病 毒）的

GSD (43)

。共享样本采集日期或大致的采样地点等链接的元数据，是序列数据得以在许多系统发育 应用中被使用的必要条件。然而，应该仔细考虑哪些元数据可以在不损害患者匿名性的情况下合理共享。

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

7-

GSD

的初步分析常常通过论坛、平台和预印服务器共享

(70–72)

。和对待所有的科学报告一样，科学家 应通过其出版物考虑其分析的优缺点，以及这些分析可能会如何在同行审查之前，被不同的受众解读或介 绍。鼓励科学家为其发现提供一个清晰的解读，最大程度的减少对结果的误解或误用。

4. SARS-CoV-2 基因组测序的公共卫生目标

下文总结了

SARS-CoV-2

测序的重要公共卫生目标举例；详细描述请参见

SARS-CoV-2

测序实施指引

(17)

。

4.1 SARS-CoV-2

的识别、表征及对策制定

2020

年

1

月初新病毒完整基因序列的共享对表征

SARS-CoV-2

至关重要，这有助于快速开发诊断工具 和支持开发治疗方法和疫苗

(73–80)

。基因组测序增进了我们对新病毒的起源和传播的理解。通过研究最初 从中华人民共和国武汉及周边地区获得的

SARS-CoV-2

基因组，可确定人类中出现该病毒的最晚可能日期 为

2019

年

11

月

-12

月

(74, 75, 81, 82)

。广泛的动物采样支持了围绕着识别最初的动物来源和

/

或潜在中间宿 主所开展的研究

(81, 83, 84)

。

4.2

监测传播和地理传播

系统发育学是利用不同生物体的基因序列来调查它们之间进化关系的一种方法。它几乎应用于生物学 的每个分支，并在告知公众健康应对措施方面有很多重要的应用

(17, 85–87)

。与病毒基因组序列采样相关 的流行病学或临床数据（通常被称为元数据，例如采样日期、患者所处地点、临床参数

)

的可获得性增进 了对系统发育分析的解读。根据基因组测序的目的，需要哪些元数据是不同的。在

SARS-CoV-2

测序实施 指引中可以找到系统发育学和系统动力学分析、元数据和常见误读风险的技术方面的内容

(17)

。

4.2.1

调查种群间的地理传播和再度引入

使用病毒基因组序列和采样地点信息的系统地理学分析正被用于跟踪

SARS-CoV-2

在全球的传播

(13,

47, 88–90)

。系统地理重构通常需要进行大量计算，而二次采样策略可有助于减少这种计算负担。推断病毒

的迁徙或特定分支

/

世系的起源国可能是有价值的，但应该谨慎行事，因为有一些因素可能会造成系统地理 重构中的偏倚。例如，由于无法获得来自某些地区的

SARS-CoV-2

基因组，这些地区就不太可能被重构为 一个世系

/

分支的地理起源。在某些数据库中，基因组序列可能与病毒采样地点有关，而不是与患者感染的 可疑地点有关。当这些地点由于患者在感染时和病毒采样时进行了旅行而有所不同时，系统地理学分析可 能导致对特定分支

/

世系起源的重构并不准确

(91)

。这些结果应该得到谨慎的解读，并且不能假设系统地理 的结果代表真实的时空（时间和空间）病毒传播模式。

推断疫情时空传播的各种方法也可被用于调查驱动病毒传播的因素

(92)

。识别传播的驱动因素可能有 助于制定预防传播的新战略。例如，在西非爆发的埃博拉病毒疾病疫情中就使用了这一方法

(93, 94)

。对于

SARS-CoV-2

，一些国家已经使用基因组测序来确定本地传播相比输入性病例造成的疫情影响，并使用这

一信息协助做出政策决定

(89, 90, 95–100)

。通过系统动力学识别出对理解传播很重要的因素通常需要进行 大量计算，并需要对潜在解释因素（如人口密度、人员流动）的大量数据进行管理。因此，分析通常在病 毒基因组测序数周或数月后完成。然而，即使是回顾性分析也有助于指导针对

SARS-CoV-2

或潜在新发病 原体的干预措施。

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

8-

4.2.2

评价有关传播途径或聚集性病例的证据

已使用系统发育聚类分析来支持

SARS-CoV-2

的聚集性病例和疫情调查。对聚集性病例传播的分析可 指导当地决定是否需要采取控制措施，以防止在已识别的疫情暴发环境中发生未来的传播

(101)

。鉴于

SARS-CoV-2

的进化速度相对较慢（即每两周一次核苷酸替换），预计许多单个传播事件将无法根据基因

组序列数据进行追踪

(35)

。来自相同假设暴露源的患者序列的系统发育聚类将与该暴露相一致（尽管不是 该暴露强有力的证据）。相比之下，具有相同假设暴露源的患者中出现的病毒序列系统发育分化将强烈表 明，对于该共同感染源的识别是错误的。

4.2.3

量化传播周期并跟踪随着时间发生变化的再生数量

分子钟系统发育方法有助于估计采样病毒基因世系在特定人群中的传播时间的上限和下限

(74, 90, 102–

106).

与临床病例识别相比，这种方法可以提供关于病毒传播时期的更准确信息，特别是在监测有限的疫情

暴发早期或晚期阶段。研究已发现的基因组序列变异，可以确定是否存在临床上未发现的本地传播。在这 些环境下，在怀疑存在未被发现的病毒传播的地方，就需要实施经改进的诊断监测方案。

基因组序列分析还可以估计在某个特定人群中有多少个体被一个个体所感染（再生数

[R0]

），并支持 评估随着时间的推移暴发规模的相对变化。这一信息可用于评价具体控制措施的影响。

4.2.4

废水和污泥的环境监测

对于脊髓灰质炎病毒等病原体，废水监测是追踪病毒在社区中悄然传播的重要工具。这个方法提供了 各种机会来发现病毒传播（在最初的患者被临床发现之前），估计流行率，了解基因联系和多样性

(107, 108)

。一些国家已经证明了在废水中通过分子检测发现

SARS-CoV-2 RNA (109–115)

。因此，环境监测是一 种很有前景的方法，特别是在低流行率的环境中，可以发现未被识别的携带者，并作为

SARS-CoV-2

传入 或流行率变化的“早期预警”系统

(109, 116, 117)

。

4.2.5

调查潜在的再度感染

季节性冠状病毒可以再次感染人类

(118)

。对于

SARS-CoV-2

，已有有关再度感染病例的记录

(119–

124)

。在此情况下，可将首次和后续感染中采集的

SARS-CoV-2

基因组序列进行比较，以确定在个体中重

新发现的

SARS-CoV-2

是再度感染还是病毒脱落时间延长的结果

(125, 126)

。如果每次患病的序列有很大的

基因差异，例如发生在不同的、证据充分支持的世系

/

分支中，则随后的患病可被认为是再度感染。有必要 同时进行血清学调查，以了解再度感染是否与抗原性不同的毒株有关，或缺乏来自初始感染的保护性免疫 反应。因此，测序可以帮助人们更好地了解再度感染的频率和潜在的风险因素

(125, 126)

。

4.3

监测

SARS-CoV-2

的进化

4.3.1

对可能相关突变的结构化评价

基因组测序可用于识别可能改变传播性或毒性等病毒感染特征（表型变化）的基因替换。所有病毒在 传播过程中都会发生获得性基因变化，但绝大多数的获得性基因变化不会对病毒行为产生实质性影响。尽

管如此，

SARS-CoV-2

罕见的基因变化可能导致相关的表型变化，对公共卫生具有重要意义。识别和展示

这些变化的影响是具有挑战性的。一般来说，要很有信心的确定，随着时间的推移，特定突变的相对流行

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

9-

率增加是否是由于某个表型差异而造成是很困难的。例如，某一特定病毒分支

/

世系在某一人群中的优势地 位可能更多是由于受感染人群的行为，而不是病毒本身的行为所造成的。大多数时候，这样的模式很可能 是随机的。然而，如果系统发育分析暗示了特定突变

/

变异体的潜在流行病学或临床影响，则需要进行适当 的临床基因组研究，以评价可能给病毒带来临床上观察到的表型变化的候选变异体。应使用标准化方法评 价所提出的导致表型变化的基因变化，包括评估潜在影响的蛋白质建模研究，以及对引起关注的特定突变 的突变病毒（克隆）进行体外或体内实验，以确认或驳回候选变异体的具体特性。已经基于世卫组织

SARS-CoV-2

参考实验室网络成立了一个专门的世卫组织工作组。该

SARS-CoV-2

进化工作组（

SEWG

）

专注于

SARS-CoV-2

进化，为世卫组织提供可能相关突变的及时识别和评价，以及缓解风险的建议

(16, 40,

127)

。

4.3.2

监测

SARS-CoV-2

进化对于对策的影响

对

SARS-CoV-2

基因组的全球监测至少应很好的发现新出现的

SARS-CoV-2

世系，这些世系具有会影

响对策有效性的基因变异体。在推广

SARS-CoV-2

疫苗接种运动时，应同时监测可能降低疫苗有效性的

SARS-CoV-2

基因组变化。对疫苗失败可能原因的监测和调查应包括基因组评价，以评估潜在的病毒逃逸

突变体。此外，测序可以帮助识别单克隆抗体的逃逸突变体

(128)

和未来的治疗方法。通过基因组监测来识 别耐药性的做法已用于其他病原体，包括流感、

HIV

和结核分枝杆菌

(9, 129)

。

基因组测序也可被用于监测影响分子诊断的病毒基因变化。使用多个靶点检测

SARS-CoV-2

，如针对 病毒基因组的两个或多个区域的多重

PCR

，是一种具有成本效益的方法，可减少由于病毒进化而导致检出 假阴性的机率

(47,127)

。如果始终未能发现靶标，或新观察到针对不同区域的分析灵敏度存在差异，为明 确可能的原因，可对病毒基因组或靶标基因进行测序。更多信息请参见

SARS-CoV-2

感染诊断临时指导文 件

(47)

。病毒突变也会影响抗原或血清学分析，基因组测序可有助于在早期阶段就发现此类分析法的潜在 失败

(130–132)

。

4.3.3 SARS-CoV-2

在人类

-

动物关系中的进化

当病毒从一个物种传播到另一个物种时，病毒可能会适应它的新宿主。

SARS-CoV-2

靶向的

ACE-2

受 体在人类和各种各样的动物（主要为哺乳动物）中是相似的

(133, 134)

。因此也存在从人向动物传播的可能 性（人类传染病）。虽然

ACE-2

的同源性提示其他动物可能对

SARS-CoV-2

易感，但其他对病毒复制至关 重要的蛋白质可能有所不同，并能预防在这些候选动物中的感染。因此，需要适当的真实世界或实验感染 数据来确定特定动物的易感性。许多动物已被证明对

SARS-CoV-2

易感

(15, 127, 135–151)

，而且已知

SARS-CoV-2

可在某些动物物种中传播（如水貂和仓鼠）。一些动物物种也已经证明了能够抵抗

SARS-

CoV-2

感染。可能会出现与

ACE-2

受体结合的病毒刺突蛋白编码序列的基因变化，并促进向新的宿主物种

的跳转。

SARS-CoV-2

刺突蛋白，尤其是

RBD

，是自然免疫和疫苗诱导免疫的关键靶点

(28–32)

。在

SARS-

CoV-2

感染者感染水貂的病例中，已经观察到编码刺突蛋白的基因组区域多样化，并已出现继发性人畜共

患病传播回人类的情况

(149)

。因此，在人类与动物交换

SARS-CoV-2

后，刺突蛋白基因的多样化可能会增 加出现毒株的风险，这些毒株会很容易再次感染人类，并可能与疫苗有效性降低或单克隆抗体治疗效果减 弱有关

(33)

。为防止这些事件的发生，鼓励各国对可能传播到其他物种的风险开展评价，这些物种在人类 家中、农村、农业或其他动物环境中与人类一起生活或是接近人类生活

(127, 152–154)

。要制定缓解风险的 策略，并要进行充分监测，确保及时发现这些事件。监测需要资源，并应在可能的情况下采取有针对性的 策略。这需要一个“卫生一体化”的战略，在这个战略中，包括公共、临床和职业卫生、兽医和野生动物

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

10-

当局以及林业和自然资源管理在内的不同学科共同合作

(127, 152, 155–157)

。这种合作还应侧重于制定联合 疫情暴发调查和感染预防和控制方案，检测潜在感染的人和动物，以及共享序列数据。在观察到源自人类 的传染病感染或继发的人畜共患感染的地方，病毒基因组测序有助于评价与这些事件相关的可能的新风险。

方法

本临时指导文件是与《

SARS-CoV-2

基因组测序：对公共卫生产生最大影响的实施指引》文件相结合 制定的。该实施指引经由在基因组测序各个领域具有经验的专家协商制定，这些专家来自高威胁病原体全 球实验室联盟（

GLAD-HP

）、

COVID-19

确认检测参考网络和全球疫情警报和反应网络（

GOARN

）。在 由一名临时顾问和世卫组织

COVID-19

实验室小组成员领导的技术写作小组进行初步讨论后，向世卫组织 内外的其他专家征求意见，并举行了两场在线会议来解决悬而未决的问题。随后，为国家级利益攸关方起 草了本临时指导文件，其中载有本临时指导文件的相关信息摘要和针对这一目标受众的其他相关信息。本 临时指导文件随后分发给了如致谢中所列的、为实施指引的起草提供了支持的专家、

COVID-19

确认检测 参考网络、区域实验室联络点和其他利益攸关方，以征求他们的意见。

更新计划

世卫组织继续密切监测可能影响本临时指导文件的任何变化。如果任何因素发生变化，世卫组织将发 布进一步的更新。否则，本临时指导文件将在发布日期一年后失效。

贡献者

世卫组织指导小组：

Celine Barnadas; Sebastian Cognat; Roger Evans; Bruce Allan Gordon; Varja Grabovac;

Rebecca Grant; Francis Inbanathan; Frank Konings; Karen Nahapetyan; Marco Marklewitz; Marie-jo Medina; Kate Olive Medlicott; Mick Mulders; Mark D Perkins; Magdi Samaan; Oliver Schmoll, Maria Van Kerkhove; Karin von Eije; Joanna Zwetyenga

。

外部贡献者：

Kim Benschop

，荷兰国家公共卫生和环境研究所（

RIVM

），

Bilthoven

，荷兰；

Antonino di Caro, Instituto Nazionale per le Malattie Infettive Lazzaro Spallanzani,

意大利；

Nuno Rodrigues Faria,

帝国理 工学院，伦敦，牛津大学，牛津，英国；

Tanya Golubchik

，牛津大学，牛津，英国；

Keith Hamilton

，世界 动物健康组织（

OIE

）

Edward Holmes

，悉尼大学，悉尼，澳大利亚；

Sarah C Hill

，皇家兽医学院，伦敦，

牛津大学，牛津，英国；

Erik Karlsson, Institut Pasteur de Cambodge

，柬埔寨；

Meng Ling Moi

，长崎大学，

长崎，日本；

Leo Poon

，香港大学，香港特别行政区（

SAR

），中国；

James Shepherd

，格拉斯哥大学，格 拉斯哥，英国；

Etienne Simon-Loriere

，巴斯德研究所，巴黎，法国。以及为作为本文件基础的

SARS-

CoV-2

测序实施指导文件做出贡献的其他专家：

Kristian Andersen

，斯克里普斯研究所，拉荷亚，加州，美

国；

Julio Croda

，卫生部，里约热内卢，巴西；

Túlio de Oliveira

，夸祖鲁纳塔尔大学，德班，南非；

Simon Dellicour

，布鲁塞尔自由大学，布鲁塞尔，比利时；

Nathan Grubaugh

，耶鲁大学，纽黑文，康涅狄格州，

美国；

Liana Kafetzopoulou

，

KU

鲁汶

–

鲁汶大学，比利时；

Marion Koopmans, Erasmus MC

，鹿特丹，荷 兰；

Tommy Lam

，香港大学，香港特别行政区，中国；

Philippe Lemey

，

KU

鲁汶

–

鲁汶大学，比利时；

Tze Minn Mak

，国家传染病中心，新加坡；

Marcio Roberto Nunes, Evandro Chagas Institute, Ananindeua

，帕 拉州，巴西；

Bas Oude Munnink, Erasmus MC

，鹿特丹，荷兰；

Gustavo Palacios

，美国国际开发署，华盛顿 特区，美国；

Steven Pullan

，英国公共卫生署，伦敦，英国；

Timothy Vaughan, Eidgenössische Technische

Hochschule Zurich (ETH Zurich)

，苏黎世，瑞士；

Josh Quick

，伯明翰大学，伯明翰，英国；

Andrew

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

11-

Rambaut

， 爱 丁 堡 大 学 ， 爱 丁 堡 ， 英 国 ；

Chantal Reusken, RIVM, Bilthoven

， 荷 兰 ，

Tanja Stadler, Eidgenössische Technische Hochschule Zurich (ETH Zurich)

，瑞士；

Marc Suchard

，加州大学洛杉矶分校，洛 杉矶，加州，美国；

Huaiyu Tian

，北京师范大学，北京，中国；

Lia van der Hoek

，阿姆斯特丹医学中心，

阿姆斯特丹，荷兰；

Erik Volz

，帝国理工学院，伦敦，英国。

利益声明

所有贡献者已提交利益声明书供审阅。被认定对特定产品有潜在利益冲突或偏见的贡献者已被排除在 平台选择的建议之外。

资助者

由世卫组织出资。

参考文献

1. Fraser C, Donnelly CA, Cauchemez S, Hanage WP, Van Kerkhove MD, Hollingsworth TD, et al. Pandemic potential of a strain of influenza A (H1N1): early findings. Science. 2009;324:1557–61. doi: 10.1126/science.1176062.

2. Rambaut A, Holmes E. The early molecular epidemiology of the swine-origin A/H1N1 human influenza pandemic. PLoS Curr.

2009;1:RRN1003. doi: 10.1371/currents.rrn1003.

3. Smith GJD, Vijaykrishna D, Bahl J, Lycett SJ, Worobey M, Pybus OG, et al. Origins and evolutionary genomics of the 2009 swine- origin H1N1 influenza A epidemic. Nature. 2009;459:1122–5. doi: 10.1038/nature08182.

4. Mena I, Nelson MI, Quezada-Monroy F, Dutta J, Cortes-Fernández R, Lara-Puente JH, et al. Origins of the 2009 H1N1 influenza pandemic in swine in Mexico. eLife. 2016;5:e16777. doi: 10.7554/eLife.16777.

5. Ladner JT, Wiley MR, Mate S, Dudas G, Prieto K, Lovett S, et al. Evolution and spread of Ebola virus in Liberia, 2014–2015. Cell Host Microbe. 2015;18:659–69. doi: 10.1016/j.chom.2015.11.008.

6. Stadler T, Kühnert D, Rasmussen DA, Plessis dL. Insights into the early epidemic spread of Ebola in Sierra Leone provided by viral sequence data. PLoS Curr. 2014;6. doi: 10.1371/currents.outbreaks.02bc6d927ecee7bbd33532ec8ba6a25f.

7. Smits SL, Pas SD, Reusken CB, Haagmans BL, Pertile P, Cancedda C, et al. Genotypic anomaly in Ebola virus strains circulating in Magazine Wharf area, Freetown, Sierra Leone, 2015. Euro Surveill. 2015;20. doi: 10.2807/1560-7917.ES.2015.20.40.30035.

8. 用于监测抗微生物药物耐药性的GLASS全基因组测序。日内瓦：世界卫生组织；2020 (https://apps.who.int/iris/handle/10665/334354, 2020年11月20日访问)。

9. 使用下一代测序技术检测结核分枝杆菌复合体中与耐药性相关的突变：技术指导。日内瓦：世界卫生组织；2018 (https://apps.who.int/iris/handle/10665/274443, 2020年11月15日访问)。

10. 用于食源性疾病监测的全基因组测序：状况文件。日内瓦：世界卫生组织；2018 (https://apps.who.int/iris/handle/10665/272430, 2020年11月25日访问)。

11. 下一代流感病毒测序：面向国家级流感中心的一般信息。日内瓦：世界卫生组织；2020

(https://www.who.int/influenza/gisrs_laboratory/national_influenza_centres/NGS_guidance_for_NICs.pdf?ua=1, 2020年11月20日 访问)。

12. GISAID (https://www.gisaid.org/, accessed 5 January 2021).

13. Genomic epidemiology of novel coronavirus: global subsampling [website]. Nextstrain; 2020 (https://nextstrain.org/ncov/global, accessed 4 December 2020).

14. Volz E, Baguelin M, Bhatia S, Boonyasiri A, Cori A, Cucunuba Z, et al. Report 5 - phylogenetic analysis of SARS-CoV-2. London:

Imperial College London; 2020 (http://www.imperial.ac.uk/medicine/departments/school-public-health/infectious-disease- epidemiology/mrc-global-infectious-disease-analysis/covid-19/report-5-phylogenetics-of-sars-cov-2/, accessed 26 June 2020).

15. Oude Munnink BB, Sikkema RS, Nieuwenhuijse DF, Molenaar RJ, Munger E, Molenkamp R, et al. Transmission of SARS-CoV-2 on mink farms between humans and mink and back to humans. Science. 2020. doi: 10.1126/science.abe5901.

16. 冠状病毒病(COVID-19)：情况报告—185。日内瓦：世界卫生组织；2020 (https://www.who.int/docs/default- source/coronaviruse/situation-reports/20200723-covid-19-sitrep-185.pdf?sfvrsn=9395b7bf_2, 2020年11月15日访问)。

17. SARS-CoV-2基因组测序：对公共卫生产生最大影响的实施指引。日内瓦：世界卫生组织；2020。

(https://apps.who.int/iris/bitstream/handle/10665/338480/9789240018440-eng.pdf?sequence=1&isAllowed=y, 2021年1月8日访 问)。

18. International Committee on Taxonomy of Viruses (ICTV); 2020 (https://talk.ictvonline.org/, accessed 27 July 2020).

19. Gorbalenya ABS, Baric R, de Groot R, Drosten C, Gulyaeva A, Haagmans B, et al. The species Severe acute respiratory syndrome-related coronavirus: classifying 2019-nCoV and naming it SARS-CoV-2. Nat Microbiol. 2020;5:536–44. doi: 10.1038/s41564-020-0695-z.

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

12-

20. Zhu N, Zhang D, Wang W, Li X, Yang B, Song J, et al. A novel coronavirus from patients with pneumonia in China, 2019. N Engl J Med. 2020;382:727–33. doi: 10.1056/NEJMoa2001017.

21. Naqvi AAT, Fatima K, Mohammad T, Fatima U, Singh IK, Singh A, et al. Insights into SARS-CoV-2 genome, structure, evolution, pathogenesis and therapies: structural genomics approach. Biochim Biophys Acta Mol Basis Dis. 2020;1866:165878. doi:

10.1016/j.bbadis.2020.165878.

22. Yoshimoto FK. The proteins of severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2 or n-CoV19), the cause of COVID-19.

Protein J. 2020;39:198–216. doi: 10.1007/s10930-020-09901-4.

23. Kim D, Lee JY, Yang JS, Kim JW, Kim VN, Chang H. The architecture of SARS-CoV-2 transcriptome. Cell. 2020;181:914–21 e10.

doi: 10.1016/j.cell.2020.04.011.

24. Lu R, Zhao X, Li J, Niu P, Yang B, Wu H, et al. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding. Lancet. 2020;395:565–74. doi: 10.1016/S0140-6736(20)30251-8.

25. Yan R, Zhang Y, Li Y, Xia L, Guo Y, Zhou Q. Structural basis for the recognition of SARS-CoV-2 by full-length human ACE2.

Science. 2020;367:1444–8. doi: 10.1126/science.abb2762.

26. Ni W, Yang X, Yang D, Bao J, Li R, Xiao Y, et al. Role of angiotensin-converting enzyme 2 (ACE2) in COVID-19. Crit Care.

2020;24:422. doi: 10.1186/s13054-020-03120-0.

27. Hoffmann M, Kleine-Weber H, Schroeder S, Kruger N, Herrler T, Erichsen S, et al. SARS-CoV-2 cell entry depends on ACE2 and TMPRSS2 and is blocked by a clinically proven protease inhibitor. Cell. 2020;181:271–80 e8. doi: 10.1016/j.cell.2020.02.052.

28. Amanat F, Krammer F. SARS-CoV-2 vaccines: status report. Immunity. 2020;52:583–9. doi: 10.1016/j.immuni.2020.03.007.

29. Brouwer PJM, Caniels TG, van der Straten K, Snitselaar JL, Aldon Y, Bangaru S, et al. Potent neutralizing antibodies from COVID-19 patients define multiple targets of vulnerability. Science. 2020;369:643–50. doi: 10.1126/science.abc5902.

30. Tai W, He L, Zhang X, Pu J, Voronin D, Jiang S, et al. Characterization of the receptor-binding domain (RBD) of 2019 novel coronavirus: implication for development of RBD protein as a viral attachment inhibitor and vaccine. Cell Mol Immunol.

2020;17:613–20. doi: 10.1038/s41423-020-0400-4.

31. Shi R, Shan C, Duan X, Chen Z, Liu P, Song J, et al. A human neutralizing antibody targets the receptor-binding site of SARS-CoV-2.

Nature. 2020;584:120–4. doi: 10.1038/s41586-020-2381-y.

32. Rogers TF, Zhao F, Huang D, Beutler N, Burns A, He WT, et al. Isolation of potent SARS-CoV-2 neutralizing antibodies and protection from disease in a small animal model. Science. 2020;369:956–63. doi: 10.1126/science.abc7520.

33. Li Q, Wu J, Nie J, Zhang L, Hao H, Liu S, et al. The impact of mutations in SARS-CoV-2 spike on viral infectivity and antigenicity.

Cell. 2020;182:1284–94 e9. doi: 10.1016/j.cell.2020.07.012.

34. Candido DS, Claro IM, de Jesus JG, Souza WM, Moreira FRR, Dellicour S, et al. Evolution and epidemic spread of SARS-CoV-2 in Brazil. Science. 2020;369:1255–60. doi: 10.1126/science.abd2161.

35. van Dorp L, Acman M, Richard D, Shaw LP, Ford CE, Ormond L, et al. Emergence of genomic diversity and recurrent mutations in SARS-CoV-2. Infect Genet Evol. 2020;83:104351. doi: 10.1016/j.meegid.2020.104351.

36. Xu W, Zhang Y, Wang H, Zhu Z, Mao N, Mulders MN, et al. Global and national laboratory networks support high quality surveillance for measles and rubella. Int Health. 2017;9:184–9. doi: 10.1093/inthealth/ihx017.

37. Mulders MN, Serhan F, Goodson JL, Icenogle J, Johnson BW, Rota PA. Expansion of surveillance for vaccine-preventable diseases:

building on the global polio laboratory network and the global measles and rubella laboratory network platforms. J Infect Dis.

2017;216:S324–S30. doi: 10.1093/infdis/jix077.

38. Diop OM, Kew OM, de Gourville EM, Pallansch MA. The global polio laboratory network as a platform for the viral vaccine- preventable and emerging diseases laboratory networks. J Infect Dis. 2017;216:S299–S307. doi: 10.1093/infdis/jix092.

39. Hay AJ, McCauley JW. The WHO Global Influenza Surveillance and Response System (GISRS): a future perspective. Influenza Other Respir Viruses. 2018;12:551–7. doi: 10.1111/irv.12565.

40. 为COVID-19提供确认检测的世卫组织参考实验室职权范围。日内瓦：世界卫生组织；2020

(https://www.who.int/publications/m/item/terms-of-reference-for-who-reference-laboratories-providing-confirmatory-testing-for- covid-19, 2020年6月26日访问)。

41. RubeNS database for rubella sequences (http://www.who-rubella.org/, accessed 26 June 2020).

42. MeaNS: Measles nucleotide surveillance (http://www.who-measles.org, accessed 26 June 2020).

43. Roy S, LaFramboise WA, Nikiforov YE, Nikiforova MN, Routbort MJ, Pfeifer J, et al. Next-generation sequencing informatics:

challenges and strategies for implementation in a clinical environment. Arch Pathol Lab Med. 2016;140:958–75. doi:

10.5858/arpa.2015-0507-RA.

44. Mutenherwa F, Wassenaar DR, de Oliveira T. Experts' perspectives on key ethical issues associated with HIV phylogenetics as applied in HIV transmission dynamics research. J Empir Res Hum Res Ethics. 2019;14:61–77. doi: 10.1177/1556264618809608.

45. Emanuel EJ, Wendler D, Grady C. What makes clinical research ethical? JAMA. 2000;283:2701–11. doi: 10.1001/jama.283.20.2701.

46. 世卫组织公共卫生监测伦理问题指南。日内瓦：世界卫生组织；2017 (https://www.who.int/ethics/publications/public-health- surveillance/en/, 2020年11月15日访问)。

47. SARS-CoV-2诊断检测：临时指导。2020年9月11日。日内瓦：世界卫生组织；2020

(https://www.who.int/publications/i/item/diagnostic-testing-for-sars-cov-2, 2020年12月6日访问)。

48. MacCannell D. SARS-CoV-2 sequencing (https://github.com/CDCgov/SARS-CoV-2_Sequencing, accessed 1 November 2020).

49. Cesare MD. Probe-based target enrichment of SARS-CoV-2 [Protocol]. Univeristy of Oxford; 2020. doi:

10.17504/protocols.io.bd5di826.

50. Vogels CBF, Brito AF, Wyllie AL, Fauver JR, Ott IM, Kalinich CC, et al. Analytical sensitivity and efficiency comparisons of SARS- CoV-2 RT–qPCR primer–probe sets. Nat Microbiol. 2020:5:1299–1305. doi: 10.1038/s41564-020-0761-6.

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

13-

51. Quick J, Grubaugh ND, Pullan ST, Claro IM, Smith AD, Gangavarapu K, et al. Multiplex PCR method for minION and Illumina sequencing of Zika and other virus genomes directly from clinical samples. Nat Protoc. 2017;12:1261–76. doi:

10.1038/nprot.2017.066.

52. Grubaugh ND, Gangavarapu K, Quick J, Matteson NL, De Jesus JG, Main BJ, et al. An amplicon-based sequencing framework for accurately measuring intrahost virus diversity using PrimalSeq and iVar. Genome Biol. 2019;20:8. doi: 10.1186/s13059-018-1618-7.

53. Matteson N, Grubaugh N, Gangavarapu K, Quick J, Loman N, Andersen K. PrimalSeq: Generation of tiled virus amplicons for MiSeq sequencing [Protocol]. 2020. doi: 10.17504/protocols.io.bez7jf9n.

54. Quince C, Walker AW, Simpson JT, Loman NJ, Segata N. Shotgun metagenomics, from sampling to analysis. Nat Biotechnol.

2017;35:833–44. doi: 10.1038/nbt.3935.

55. Bragg L, Tyson GW. Metagenomics using next-generation sequencing. Methods Mol Biol. 2014;1096:183–201. doi: 10.1007/978-1- 62703-712-9_15.

56. Xiao M, Liu X, Ji J, Li M, Li J, Yang L, et al. Multiple approaches for massively parallel sequencing of SARS-CoV-2 genomes directly from clinical samples. Genome Med. 2020;12:57. doi: 10.1186/s13073-020-00751-4.

57. Rambaut A, Holmes EC, O’Toole Á, Hill V, McCrone JT, Ruis C, et al. A dynamic nomenclature proposal for SARS-CoV-2 lineages to assist genomic epidemiology. Nat Microbiol. 2020;5:1403–7. doi: 10.1038/s41564-020-0770-5.

58. Singer J, Gifford R, Cotten M, Robertson D. CoV-GLUE: A web application for tracking SARS-CoV-2 genomic variation. Preprints.

2020:2020060225. doi: 10.20944/preprints202006.0225.v1.

59. CoVsurver: mutation analysis of hCoV-19. GISAID (https://www.gisaid.org/epiflu-applications/covsurver-mutations-app/, accessed 11 December 2020).

60. Pangolin COVID-19 lineage assigner (https://pangolin.cog-uk.io/, accessed 11 December 2020).

61. Fauquet CM, Fargette D. International Committee on Taxonomy of Viruses and the 3,142 unassigned species. Virol J. 2005;2:64. doi:

10.1186/1743-422X-2-64.

62. Alm E, Broberg EK, Connor T, Hodcroft EB, Komissarov AB, Maurer-Stroh S, et al. Geographical and temporal distribution of SARS-CoV-2 clades in the WHO European Region, January to June 2020. Euro Surveill. 2020;25. doi: 10.2807/1560-

7917.ES.2020.25.32.2001410.

63. 世卫组织关于在突发公共卫生事件背景下共享数据的政策声明(截至2016年4月13日)。日内瓦：世界卫生组织 日内瓦；

2016 (https://apps.who.int/iris/handle/10665/254440, 2020年11月25日访问)。

64. 大流行性流感防范框架，用于共享流感病毒和获得疫苗及其他利益。日内瓦：世界卫生组织；2011 (https://apps.who.int/gb/pip/pdf_files/pandemic-influenza-preparedness-en.pdf, 2020年11月20日访问)。

65. 执行委员会，第140届会议，临时议程项目7.5审查大流行性流感防范框架，总干事的报告。日内瓦：世界卫生组织；2016 (https://apps.who.int/gb/ebwha/pdf_files/EB140/B140_16-en.pdf?ua=1, 2020年11月15日访问)。

66. COVID-19实验室检测策略建议。日内瓦：世界卫生组织；2020 (https://apps.who.int/iris/handle/10665/331509, 2020年12月6 日访问)。

67. 实验室向世卫组织提供COVID-19病毒确认检测的参考实验室运送标本指导。日内瓦：世界卫生组织；2020 (https://apps.who.int/iris/handle/10665/331639, 2020年12月4日访问)。

68. COVID-19的分子诊断检测：可用方案汇总表。日内瓦：世界卫生组织；2020 (https://www.who.int/who-documents- detail/molecular-assays-to-diagnose-covid-19-summary-table-of-available-protocols, 2020年12月4日访问)。

69. 实况报道：基因序列数据和数据库。日内瓦：世界卫生组织；2018

(https://www.who.int/influenza/pip/GSD_EN_V2_10Sep2018.pdf?ua=1, 2020年12月11日访问)。

70. medRxiv: The Preprint Server for Health Sciences (https://www.medrxiv.org/, accessed 1 November 2020).

71. bioRxiv: The Preprint Server for Biology (https://www.biorxiv.org/, accessed 1 November 2020).

72. Virological (https://virological.org/, accessed 1 November 2020).

73. Wu F, Zhao S, Yu B, Chen Y-M, Wang W, Song Z-G, et al. A new coronavirus associated with human respiratory disease in China.

Nature. 2020;579:265–9. doi: 10.1038/s41586-020-2008-3.

74. Lu J, du Plessis L, Liu Z, Hill V, Kang M, Lin H, et al. Genomic epidemiology of SARS-CoV-2 in Guangdong Province, China. Cell.

2020;181:997–1003.e9. doi: 10.1016/j.cell.2020.04.023.

75. Zhou P, Yang XL, Wang XG, Hu B, Zhang L, Zhang W, et al. A pneumonia outbreak associated with a new coronavirus of probable bat origin. Nature. 2020;579:270–3. doi: 10.1038/s41586-020-2012-7.

76. Corman VM, Landt O, Kaiser M, Molenkamp R, Meijer A, Chu DK, et al. Detection of 2019 novel coronavirus (2019-nCoV) by real- time RT-PCR. Euro Surveill. 2020;25. doi: 10.2807/1560-7917.ES.2020.25.3.2000045.

77. Detection of 2019 novel coronavirus (2019-nCoV) in suspected human cases by RT-PCR. Hong Kong University Medical School;

2020 (https://www.who.int/docs/default-source/coronaviruse/peiris-protocol-16-1-20.pdf?sfvrsn=af1aac73_4, accessed 1 December 2020).

78. Melén K, Kakkola L, He F, Airenne K, Vapalahti O, Karlberg H, et al. Production, purification and immunogenicity of recombinant Ebola virus proteins: a comparison of Freund's adjuvant and adjuvant system 03. J Virol Methods. 2017;242:35–45. doi:

10.1016/j.jviromet.2016.12.014.

79. COVID-19候选疫苗概况草案。日内瓦：世界卫生组织 (https://www.who.int/publications/m/item/draft-landscape-of-covid-19- candidate-vaccines, 2020年6月26日访问)。

80. Ren Y, Zhou Z, Liu J, Lin L, Li S, Wang H, et al. A strategy for searching antigenic regions in the SARS-CoV spike protein.

Genomics Proteomics Bioinformatics. 2003;1:207–15. doi: 10.1016/s1672-0229(03)01026-x.

服务于公共卫生目标的SARS-CoV-2基因组测序：临时指导

-

14-

81. Li Q, Guan X, Wu P, Wang X, Zhou L, Tong Y, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus-infected pneumonia. N Engl J Med. 2020;382:1199–207. doi: 10.1056/NEJMoa2001316.

82. Andersen K. Clock and TMRCA based on 27 genomes. Scripps Research; 2020 (https://virological.org/t/clock-and-tmrca-based-on- 27-genomes/347, accessed 26 June 2020).

83. 世卫组织-中国2019冠状病毒病（COVID-19）联合考察团报告。日内瓦：世界卫生组织；2020

(https://www.who.int/publications-detail-redirect/report-of-the-who-china-joint-mission-on-coronavirus-disease-2019-(covid-19), 2020年7月15日访问)。

84. Cui J, Li F, Shi Z-L. Origin and evolution of pathogenic coronaviruses. Nat Rev Microbiol. 2019;17:181–92. doi: 10.1038/s41579- 018-0118-9.

85. Grenfell BT, Pybus OG, Gog JR, Wood JLN, Daly JM, Mumford JA, et al. Unifying the epidemiological and evolutionary dynamics of pathogens. Science. 2004;303:327–32. doi: 10.1126/science.1090727.

86. Volz EM, Koelle K, Bedford T. Viral phylodynamics. PLoS Comput Biol. 2013;9. doi: 10.1371/journal.pcbi.1002947.

87. Pybus OG, Rambaut A. Evolutionary analysis of the dynamics of viral infectious disease. Nat Rev Genet. 2009;10:540–50. doi:

10.1038/nrg2583.

88. Lai A, Bergna A, Caucci S, Clementi N, Vicenti I, Dragoni F, et al. Molecular tracing of SARS-CoV-2 in Italy in the first three months of the epidemic. Viruses. 2020;12. doi: 10.3390/v12080798.

89. Fauver JR, Petrone ME, Hodcroft EB, Shioda K, Ehrlich HY, Watts AG, et al. Coast-to-coast spread of SARS-CoV-2 during the early epidemic in the United States. Cell. 2020;181:990–6.e5. doi: 10.1016/j.cell.2020.04.021.

90. Candido DdS, Claro IM, Jesus dJG, Souza dWM, Moreira FRR, Dellicour S, et al. Evolution and epidemic spread of SARS-CoV-2 in Brazil. Science. 2020;369:1255–60. doi: 10.1101/2020.06.11.20128249.

91. Lemey P, Hong S, Hill V, Baele G, Poletto C, Colizza V, et al. Accommodating individual travel history, global mobility, and unsampled diversity in phylogeography: a SARS-CoV-2 case study. bioRxiv. 2020. doi: 10.1101/2020.06.22.165464.

92. Lemey P, Rambaut A, Bedford T, Faria N, Bielejec F, Baele G, et al. Unifying viral genetics and human transportation data to predict the global transmission dynamics of human influenza H3N2. PLoS Pathog. 2014;10:e1003932. doi: 10.1371/journal.ppat.1003932.

93. Dudas G, Carvalho LM, Bedford T, Tatem AJ, Baele G, Faria NR, et al. Virus genomes reveal factors that spread and sustained the Ebola epidemic. Nature. 2017;544:309–15. doi: 10.1038/nature22040.

94. Dellicour S, Baele G, Dudas G, Faria NR, Pybus OG, Suchard MA, et al. Phylodynamic assessment of intervention strategies for the West African Ebola virus outbreak. Nat Commun. 2018;9:1–9. doi: 10.1038/s41467-018-03763-2.

95. Lemey P, Rambaut A, Drummond AJ, Suchard MA. Bayesian phylogeography finds its roots. PLoS Comput Biol. 2009;5:e1000520.

doi: 10.1371/journal.pcbi.1000520.

96. Lemey P, Rambaut A, Welch JJ, Suchard MA. Phylogeography takes a relaxed random walk in continuous space and time. Mol Biol Evol. 2010;27:1877–85. doi: 10.1093/molbev/msq067.

97. Bloomquist EW, Lemey P, Suchard MA. Three roads diverged? Routes to phylogeographic inference. Trends Ecol Evol. 2010;25:626–

32. doi: 10.1016/j.tree.2010.08.010.

98. Faria NR, Suchard MA, Rambaut A, Lemey P. Towards a quantitative understanding of viral phylogeography. Curr Opin Virol.

2011;1:423–9. doi: 10.1016/j.coviro.2011.10.003.

99. Lemey P, Hong S, Hill V, Baele G, Poletto C, Colizza V, et al. Accommodating individual travel history, global mobility, and unsampled diversity in phylogeography: A SARS-CoV-2 case study. bioRxiv. 2020:165464. doi: 10.1101/2020.06.22.165464.

100. Reusken CB, Buiting A, Bleeker-Rovers C, Diederen B, Hooiveld M, Friesema I, et al. Rapid assessment of regional SARS-CoV-2 community transmission through a convenience sample of healthcare workers, the Netherlands, March 2020. Euro Surveill. 2020;25.

doi: 10.2807/1560-7917.ES.2020.25.12.2000334.

101. Worby CJ, Lipsitch M, Hanage WP. Shared genomic variants: identification of transmission routes using pathogen deep-sequence data. Am J Epidemiol. 2017;186:1209–16. doi: 10.1093/aje/kwx182.

102. Duchene S, Featherstone L, Haritopoulou-Sinanidou M, Rambaut A, Lemey P, Baele G. Temporal signal and the phylodynamic threshold of SARS-CoV-2. bioRxiv. 2020:077735. doi: 10.1101/2020.05.04.077735.

103. Volz E, Fu H, Wang H, Xi X, Chen W, Liu D, et al. Genomic epidemiology of a densely sampled COVID19 outbreak in China.

medRxiv. 2020:20033365. doi: 10.1101/2020.03.09.20033365.

104. Bedford T, Greninger AL, Roychoudhury P, Starita LM, Famulare M, Huang M-L, et al. Cryptic transmission of SARS-CoV-2 in Washington State. Science. 2020;370:571–5. doi: 10.1101/2020.04.02.20051417.

105. Zehender G, Lai A, Bergna A, Meroni L, Riva A, Balotta C, et al. Genomic characterization and phylogenetic analysis of SARS-CoV- 2 in Italy. J Med Virol. 2020;92:1637–40. doi: 10.1002/jmv.25794.

106. Worobey MA-O, Pekar JA-O, Larsen BA-O, Nelson MA-O, Hill V, Joy JB, et al. The emergence of SARS-CoV-2 in Europe and North America. Science. 2020;370:564–70. doi: 10.1126/science.abc8169.

107. Asghar H, Diop OM, Weldegebriel G, Malik F, Shetty S, El Bassioni L, et al. Environmental surveillance for polioviruses in the Global Polio Eradication Initiative. J Infect Dis. 2014;210 Suppl 1:S294–303. doi: 10.1093/infdis/jiu384.

108. Paul JR, Trask JD, Gard S. Ii. Poliomyelitic virus in urban sewage. J Exp Med. 1940;71:765–77. doi: 10.1084/jem.71.6.765.

109. Nemudryi A, Nemudraia A, Wiegand T, Surya K, Buyukyoruk M, Cicha C, et al. Temporal detection and phylogenetic assessment of SARS-CoV-2 in municipal wastewater. Cell Rep Med. 2020;1:100098. doi: 10.1016/j.xcrm.2020.100098.

110. Wu F, Zhang J, Xiao A, Gu X, Lee WL, Armas F, et al. SARS-CoV-2 titers in wastewater are higher than expected from clinically confirmed cases. mSystems. 2020;5. doi: 10.1128/mSystems.00614-20.

111. Ahmed W, Angel N, Edson J, Bibby K, Bivins A, O'Brien JW, et al. First confirmed detection of SARS-CoV-2 in untreated wastewater in Australia: a proof of concept for the wastewater surveillance of COVID-19 in the community. Sci Total Environ.

2020;728:138764. doi: 10.1016/j.scitotenv.2020.138764.