免疫系统随年龄衰退的现象（免疫衰老）与癌症、心血管疾病等密切相关，但传统评估方法存在明显局限：基于血常规检测无法反映免疫细胞亚型特征，流式细胞术仅关注特定免疫细胞，而血清蛋白研究又受限于疾病覆盖范围。更关键的是，现有年龄预测模型难以捕捉免疫功能的非线性变化，随机森林等二分类方法会丢失免疫状态的连续性信息。这些缺陷使得全面评估免疫健康面临巨大挑战。

哈尔滨工程大学智能系统科学与工程学院联合华东师范大学化学与分子工程学院的研究团队在《BMC Genomics》发表创新研究，开发了整合元学习图卷积网络(Meta-GCN)的ProMetaGCN框架。该研究通过分析171名健康人血浆样本的1,305种蛋白质数据，结合STRING数据库82,828条蛋白互作信息，构建了半监督学习模型。关键技术包括：基于PPI网络构建标准化邻接矩阵$\hat{A}$A^的图卷积运算（公式1-3）、交叉熵损失函数优化（公式4）、元学习任务构建（公式5-6）等训练流程，最终从1,305个蛋白中筛选出309个免疫相关蛋白（预测概率>0.95）。

在"Identifying potential immune-related proteins"部分，研究通过GO/KEGG富集分析证实高预测分值蛋白显著富集于细胞因子信号通路（如JAK-STAT）和补体激活等免疫相关通路，而低分值蛋白则与神经轴突发育相关。关键免疫调控蛋白如IL6、TNF等被验证在老年组（≥60岁）表达显著改变，揭示了年龄相关的免疫调控网络重构。

"Prediction of immune status score"章节显示，Lasso等四种机器学习算法（r>0.9）构建的集成模型性能最优。特征重要性分析发现ADAMTS13（年轻组高表达）、GDF15（老年组高表达）和SERPINF2共同参与补体级联反应（hsa04610）和急性期应答（GO:0006953），与网络分析鉴定的核心蛋白（如IL1B、CXCL8）存在功能关联。

外部验证结果令人振奋：在COVID-19队列中，模型计算的免疫状态评分与年龄呈显著负相关（r=-0.608,p<0.0001），并能区分急性感染期与恢复期的免疫状态差异（p<0.0001）。最具创新性的是提出的"ImmuneAgeGap"指标，在NSCLC患者中，免疫年轻化组（差值<0）比免疫衰老组生存率显著提高（p<0.05），且肿瘤发病年龄推迟。

讨论部分强调该研究突破了传统免疫评估的三大局限：Meta-GCN解决了小样本学习难题，多算法集成捕捉了免疫状态的连续变化，而ImmuneAgeGap首次实现了免疫年龄的量化评估。尽管存在样本量限制，但研究为癌症免疫治疗提供了新思路——GDF15被揭示可能通过调控Treg细胞（调节性T细胞）和树突细胞功能参与肿瘤免疫逃逸，这为靶向免疫衰老的治疗策略开辟了新途径。未来研究可整合单细胞测序等技术，进一步验证这些生物标志物在精准医学中的应用价值。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》