《Cells》：Immune Ageing Clocks: A Methods-Oriented Review of Tasks, Modalities, Models, and Recalibration
Gengchen Yu,
Zeyu Shao,
Jingyu Zhuo and
Zixuan Chen
编辑推荐：
这篇综述系统性地梳理了免疫衰老时钟（Immune Ageing Clock）这一新兴生物标志物研究领域。文章提出了一个任务-模态-模型（task-modality-model）的三轴分析框架，用以整合当前分散的研究。它深入探讨了免疫衰老时钟的构建全流程，包括从队列设计、标准化检测、到数据处理、模型开发和评估验证的各个环节，并指出了当前该领域在方法学、生物学、以及证据标准化方面面临的挑战。最后，作者展望了通过多模态整合、组织特异性时钟和因果通路导向等方向，推动其从研究工具向临床实用工具发展的未来路径。
免疫衰老时钟：解码免疫系统的“年龄”图谱
- 1.
引言
人口老龄化和免疫介导疾病负担的日益加重，推动研究者们寻找能够量化免疫衰老（immunosenescence）的临床可用生物标志物。免疫衰老时钟正是这样一种工具，它通过整合多维度的免疫特征（如免疫表型、转录组、蛋白质组、表观基因组和适应性免疫受体库数据），将其映射为一个与衰老相关的分数，从而估算“免疫年龄”及其与个体实际年龄（即日历年龄）的偏差（ΔImmuneAge）。然而，当前研究在任务定义、检测方案和评估标准上存在高度异质性，这限制了不同时钟模型间的可比性与临床转化潜力。本综述旨在通过一个整合性的框架，梳理并规划免疫衰老时钟研究的方法学路径。
- 2.
免疫衰老时钟的构建与评估方法
构建一个稳健的免疫衰老时钟，其核心在于建立一套端到端的分析流程，而不仅仅是选择一个“最佳”算法。该流程覆盖了从队列设计、数据测量、到建模评估的全链条。
首先，数据来源可根据分析层级分为细胞层面和分子层面。细胞层面数据保留了单细胞或细胞亚群的谱系/状态信息，包括流式/质谱细胞术、单细胞多组学（如scRNA-seq、CITE-seq）以及适应性免疫受体库（AIRR）测序。分子层面数据则在个体或组织水平捕获组学特征，如外周血转录组、DNA甲基化、蛋白质组和代谢组等。这两个层面并非互斥，通过“伪批量”聚合或去卷积等方法可以实现跨层面对齐与融合建模。
在建模方法上，统计模型（如线性/正则化回归、Cox比例风险模型）提供了可解释的基准，而更灵活的机器学习方法（如随机森林、梯度提升树XGBoost/LightGBM、支持向量机SVM）和深度学习方法，则能捕捉复杂的非线性关系并促进多模态整合。例如，著名的炎症风险时钟iAge就是通过深度学习模型从炎症蛋白组数据中推导出来的。
工作流的标准化至关重要，这包括任务定义与队列设计、数据预处理与特征工程、以及验证、重新校准与可复现性发布。预处理必须最大限度地抑制技术变异（如批次效应），特征工程则致力于将原始高维数据转化为稳健的生物信号摘要。模型的评估不应仅关注区分度（如C指数、时间依赖性AUC、平均绝对误差MAE），还必须评估其校准度（预测风险与实际风险的一致性）和临床效用（如决策曲线分析）。外部验证和针对新人群/平台的重新校准，是确保模型可迁移性的关键步骤。
- 3.
免疫衰老时钟的任务分类学
根据预测目标的不同，现有的免疫衰老时钟可归为三大类，这为理解和比较不同研究提供了清晰的框架。
第一类是日历年龄驱动的年龄时钟。这类模型以个体的实际年龄为监督信号进行训练，其输出的ΔImmuneAge被解释为相对于同龄人的免疫加速或减速衰老。它们又可分为两个主要方向：基于免疫表型和外周血单个核细胞（PBMC）转录组的系统水平时钟，以及基于血浆蛋白质组和IgG糖基化组的体液分子时钟。例如，IMM-AGE研究从高维免疫表型数据中定义了稳定的免疫年龄轨迹，而基于PBMC转录组的模块化方法则能构建误差约3-5年的免疫转录年龄时钟。
第二类是以死亡率和多病共患等临床结局为终点的风险时钟。这类模型直接以临床风险事件为监督信号进行训练，其输出应被解释为风险评分，而非“年龄差距”。iAge就是一个典型例子，它是一个基于炎症蛋白网络的深度学习风险评分，与衰弱、多病共存和血管老化显著相关。
第三类是基于细胞状态和适应性免疫受体库的细胞/谱系时钟。这类时钟关注“时间”信息在免疫系统内的编码位置，即哪些谱系/克隆携带了衰老相关信号，以及这些信号如何存储在表观遗传状态或受体库结构中。它们有助于将系统水平的读数分解为可解释的细胞组分，例如特定CD8+记忆T细胞亚群或T细胞受体（TCR）库的多样性变化。
- 4.
当前挑战
尽管前景广阔，免疫衰老时钟的临床转化仍面临多重障碍。
在方法学上，批次效应、平台间差异以及细胞组成混杂是主要挑战。高维组学数据极易受到不同实验室、检测平台和样本处理流程引入的系统性偏差影响。此外，基于外周血混合样本的组学时钟，其信号可能混杂了细胞比例变化和细胞内在变化，而基于非线性模型的复杂方法对数据划分和特征选择又非常敏感，容易导致过拟合和较差的外部有效性。
在生物学上，免疫衰老具有高度异质性，受遗传、性别、慢性感染（如巨细胞病毒CMV）、生活方式等多种因素影响。意义未明的克隆性造血（CHIP）现象会随着年龄增长而出现，改变血细胞组成并促进慢性低度炎症，若在建模时未被识别或区分，则可能使时钟信号产生偏差。此外，炎症、内分泌调节和代谢在衰老过程中紧密耦合，使得区分特异的免疫衰老信号与更广泛的系统衰弱及代谢失调变得困难。
在证据与标准方面，多数现有证据源于回顾性分析或二次数据建模，关联性研究多，而前瞻性干预研究少。报告质量参差不齐，数据分割、特征选择、超参数调优的细节常被忽视，模型校准状态和临床净获益评估也经常缺失。如何向非专业人士准确、负责任地解读和传达“免疫年龄”加速的风险，避免引起不必要的焦虑，也是一个亟待解决的问题。
- 5.
未来展望
未来的发展重点可能从单纯追求预测准确性，转向提升临床和转化效用。
多模态整合与深度模型是重要方向。通过联合嵌入方法或基础模型策略，整合细胞表型、分子谱和临床背景数据，甚至连续的数字表型（如来自可穿戴设备的心率变异性HRV），有望构建出更通用、更能捕捉谱系特异性衰老状态的时钟。在此基础上，“免疫数字孪生”概念提供了一个整合多维度信息、模拟干预效果的框架。
发展组织和细胞类型特异性时钟有助于定位衰老信号的起源。目前大多数时钟基于外周血，但免疫衰老在不同谱系和组织（如骨髓、淋巴结）中可能存在差异。构建涵盖细胞、组织和个体水平的分层框架，能将泛泛的“免疫年龄差距”转化为更具体、可操作的发现，例如特定T细胞谱系或骨髓微环境显示出更早的衰老信号。
将时钟与可干预的因果通路和干预措施联系起来，是推动其超越相关性标记的关键。未来的时钟应优先选择稳定的、生物学意义明确的特征（如模块、通路），并将其与遗传变异、纵向设计和扰动数据集（疫苗接种、药物试验）整合，以识别因果驱动因素。最终，一个真正有用的临床时钟应能指导行动：确定干预对象、靶向通路，并验证干预措施是否真正改变了潜在的免疫衰老轨迹。
为实现这一目标，领域需要建立一个可验证、可重新校准、且在不同人群和环境中具有可比性的“免疫年龄”标尺。这要求研究方法严谨、报告透明，并联合报告区分度、校准度和临床净获益。推动大规模、多族裔队列的合作，在统一的元数据和报告标准下共享特征定义、模型实现和重新校准脚本，将是迈向这一目标的重要步骤。
