污水里的耐药基因，现在能在浏览器里 60 分钟跑出一份带 AI 解读的监测报告了。

ARGwatch 是 biodu 家族新上线的污水耐药基因（ARG）监测分析平台，面向疾控、医院感控、环境监测和第三方检测团队。

工作流程极简：

浏览器上传 fastq → 选样本 → 选 panel → 一键启动

60 分钟后，一份 8 节结构化报告 + 4 处 AI 实时解读 就生成好了。

不需要 Linux、不需要命令行、不需要等生信师傅排队。

一、为什么是污水？

WHO 这两年在力推 GLASS-EAR（环境耐药基因监测）框架。逻辑很朴素：

一座城、一个区、一所医院的污水，浓缩了所有人的肠道、皮肤、尿液样本——污水里的耐药基因排出量，直接反映社区层面的耐药菌负荷。

比起去医院翻患者送检数据、或挨个采样人群，污水监测是最经济、也最干净的视角。

但分析门槛太高。一份污水 fastq 5–10 GB，传统路径需要：

接头处理 → 比对 ARG 参考库 → EM 解多映射歧义 → 解读亚型流行病学意义 → 写专业报告

整套 两三天起步——对非生信团队是 deal-breaker。

ARGwatch 把这套压到 60 分钟。

二、产品核心能力

1）多 panel 体系，curated ARG 数据库

前端选择 panel，后端跑的是同一套标准化分析链路。新增 panel 走标准化命令上线（约 5 分钟），主流程零改动——这是 ARGwatch 能快速扩展到不同耐药基因家族的基础。

2）兼容 Nextera tagmented 库

很多团队为了省试剂费会用 Nextera 二次建库——但 reads 不从 PCR 引物起始，经典 ampliseq / DADA2 流程会把 99% 的数据当噪音过滤掉。

ARGwatch 走 mapping + EM 路线：

• minimap2 把全部 reads 直接比对到 panel 全亚型（允许多映射，不丢信息）
• EM 算法按当前丰度估计，把多映射 reads 概率分配到具体亚型
• 数据利用率：0.04% → 91%+

这是行业里被低估的细节：花了钱测的数据，能不能跑出结果，差别就在这里。

3）SaaS 工程基础

对疾控、医院感控和第三方检测团队来说，长期管理样本、任务和历史报告才是真正高频的需求，而不是跑一次 demo。

• 浏览器直传华为云 OBS
  ：分片上传应对 GB 级 fastq，不经 Django 中转避免内存爆掉
• 多租户数据隔离
  ：项目级权限 + 订阅制管理
• biodu 家族同款专业视觉系统
  ：深邃青蓝主色 + AI 紫色 accent

三、AI 解读——不是噱头，是核心模块

报告里每一个紫色框都是 LLM 实时生成（Claude / Gemini / GPT），不是预先写死的话术。

紫色模块把同一批数据转译成可以直接给业务团队讨论的语言：哪些结果可靠、哪些点位异常、下一步应该核查什么。

报告内置 4 处 AI 实时解读：

① AI 监测核心发现（顶部紫色卡片）

方法层 / 结果层 / 推荐层 三段叙事，全部基于本批数据的实际数字写成。

② QC 解读

根据命中率、引物特异性、EM 收敛度给 context-aware 评估——不是"≥99% 视为优良"这种死阈值话术。

③ 流行病学补充视角

数据上 CTX-M-14 丰度最高（数据归数据），AI 会主动提示：

④ 异常点位解读

基于 Top-5 亚型偏移 + Bray-Curtis 距离 + 主导亚型变化，给出 具体可执行 的核查建议。

我们坚持的一个原则：数据归数据，解读归解读

行业里很多 "AI 套壳工具" 的做法是：让 LLM 直接生成图表、生成数字、甚至生成结论——这是错的。

AI 的角色不是"替代统计图表"，而是在图表旁边补充流行病学专家视角。它可以告诉你"丰度最高的不一定是临床优先级最高的"，但不会替你改图。

Augment data, don't override data.

四、一份报告长什么样

完整报告 = 8 节结构化排版 + 4 处紫色 AI 解读：

• 数据质量 QC（5 项 KPI + AI 评估）
• 区域间 marker 占比对比（横条图 + AI 流行病学侧栏）
• 同区域 vs 跨区域 Bray-Curtis 异质性
• N 点位 × Top robust alleles 热图
• 异常点位提示（Top-5 数据 + AI 核查建议）
• 点位相似度 Top-5 配对
• 每点位 Top-5 allele 明细卡片（按区域分组）
• 方法学与重要 Caveats

附带 html 下载（与页面同款排版，AI 解读一同导出）。

下面这些截图按报告阅读顺序展开：

QC 放在最前面，是为了避免读者直接跳到丰度排序。只有先确认测序质量和 panel 命中，后面的比较才有意义。

柱状图给出可复现的丰度，紫色侧栏补充临床和传播背景，解释为什么某些亚型虽然不是最高丰度，却值得被优先关注。

适合排查区域性输入差异：医院污水、社区污水、不同管网点位是否出现了明显的 ARG 组成偏移。

快速发现两类信息：全局普遍存在的主导亚型，和只在少数点位显著抬高的异常信号。

对监测团队来说，这一页最接近行动清单：哪些点位需要复测、哪些点位可能共享来源、哪些变化值得结合采样背景解释。

作为前面综合结论的追溯依据，方便把结论拆给不同区域负责人。

五、谁适合用 ARGwatch

具体来说，三类团队最合适：

• 疾控与公共卫生团队
  ：需要城市或院区级耐药趋势监测
• 医院与园区感控
  ：希望把污水数据纳入院感预警
• 检测机构 / CRO / 科研平台
  ：需要批量交付报告

想试一下？

✅ 直接体验：浏览器打开 biodu.top，找到 ARGwatch 污水耐药基因监测平台；输入用户名密码（找我私聊获取），demo 数据已经准备好。

✅ 私有化部署 / 合作咨询：后台留言加 V。

✅ 行业方案沟通：科研机构 / CRO / 医院 / 检测中心，提供定制化方案。

—— biodu 家族 ｜ 让测序仪带上大脑

ps: 原文链接是飞书版的可以在电脑端大屏显示内容