《Advanced Science》：A Deep Representation Learning Method for Quantitative Immune Defense Function Evaluation and Its Clinical Applications
编辑推荐：
本研究提出了一种名为ImmuDef的创新算法，通过RNA-seq数据构建变分自编码器（VAE）模型，将转录组数据转化为免疫防御功能相关特征，并建立二维潜在空间。基于此空间计算防御免疫评分（DImmuScore），实现了对免疫防御功能的定量评估。该评分在3202例样本中验证了其在四种免疫状态（免疫缺陷、免疫受损、免疫正常、免疫激活）中的高分类准确性（平均准确率71.75%-76.25%），并能有效预测脓毒症和COVID-19患者的预后分层。该研究建立了首个跨疾病免疫防御定量评估标准。
研究背景与意义
免疫防御功能是机体抵抗病原体入侵的关键指标，但长期以来缺乏定量评估方法。传统临床检测如白细胞计数、细胞因子水平等存在精度不足的局限性。本研究开发的ImmuDef框架通过整合转录组数据和深度学习技术，首次实现了免疫防御功能的精准定量评估。
ImmuDef算法框架
研究团队收集了3202例样本的转录组数据，涵盖四种免疫状态：免疫缺陷（艾滋病患者）、免疫受损（普通感染患者）、免疫正常（健康对照）和免疫激活（潜伏结核感染者）。通过基因集富集分析（ssGSEA）将RNA-seq数据转化为稳定特征，并采用三步筛选法从5219个免疫相关基因集中筛选出619个核心特征。
潜在空间构建与生物学验证
基于β-变分自编码器（VAE）构建的二维潜在空间显示出明确的生物学意义：y轴与CD4+T细胞计数（Spearman R=0.62）、淋巴细胞计数等免疫效应指标正相关，主要反映免疫防御能力；x轴则与IL-8等炎症因子相关，体现免疫调节状态。潜在空间分布准确反映了四种免疫状态的连续梯度变化。
DImmuScore的临床应用
DImmuScore通过计算样本与健康参考点在潜在空间中的改进曼哈顿距离实现量化：
- •
在结核病诊断中，DImmuScore（AUC=0.83）显著优于痰涂片法（AUC=0.63）
- •
在COVID-19和脓毒症预后预测中，能在SOFA评分无差异时提前识别死亡风险（p<0.0001）
- •
在艾滋病治疗中，延迟ART治疗组DImmuScore更高，与15%的生存率改善相符
方法学创新与验证
与传统机器学习方法相比，ImmuDef的潜在空间保持了免疫功能的连续梯度特征。在独立验证集（n=557）中表现出与训练集（n=2259）一致的效果。与IMM-AGE等需要多组学数据的方法相比，仅需单时间点RNA-seq数据，更具临床实用性。
局限性与展望
当前方法依赖ssGSEA转换可能引入偏差，且未能整合TCR-seq等多组学数据。未来可通过前瞻性队列验证其预测性能，并探索在其他免疫功能评估中的应用价值。
