《Frontiers in Immunology》：A comprehensive mechanistic multicellular model of the human immune system spanning 11 diseases
编辑推荐：
摘要：免疫系统是由相互作用的细胞、分子和信号组成的动态复杂网络，对健康至关重要。免疫数字孪生（immune digital twins）——即与其生物对应体同步演化的虚拟免疫系统表征——为实现预测性、患者特异性的模拟提供了途径，但其实现依赖于能够跨多种细胞类型
摘要：免疫系统是由相互作用的细胞、分子和信号组成的动态复杂网络，对健康至关重要。免疫数字孪生（immune digital twins）——即与其生物对应体同步演化的虚拟免疫系统表征——为实现预测性、患者特异性的模拟提供了途径，但其实现依赖于能够跨多种细胞类型和疾病背景进行泛化的机制性框架。研究人员构建了一个基于逻辑的人类免疫系统机制性模型，该模型完全基于从449篇出版物中提取的人类实验数据。该模型整合了51种先天免疫细胞（例如自然杀伤细胞[NK cells]、巨噬细胞[macrophages]）和37种适应性免疫细胞（例如辅助性T细胞[Th1/2/17]、B细胞）及其亚型，连同37种分泌因子（secretory factors）和横跨11种疾病条件（包括9种病原体、1型糖尿病[T1D]和肺移植[LTx]）的1450个调控相互作用。模型预测结果与构建过程中未使用的独立体外、离体和临床观察结果进行了验证。在38项验证实验中，针对各病原体的预测与已发表文献的一致性介于75%至90%之间。该模型重现了九种感染的病原体特异性细胞因子特征，捕捉了四种共感染情景（结核分枝杆菌[MTB]–人类免疫缺陷病毒[HIV]、MTB–蠕虫[Helminth]、严重急性呼吸综合征冠状病毒2型[SARS?CoV?2]–爱泼斯坦?巴尔病毒[EBV]以及恶性疟原虫[Plasmodium falciparum]–蠕虫）中的协同和拮抗效应，并解析了面临巨细胞病毒[CMV]、EBV和SARS?CoV?2挑战的肺移植中相互竞争的排斥与耐受信号。该参考模型将多种免疫背景统一在一个可模拟的模型中，并生成了一个用于实验后续跟进的结构化可证伪预测目录。该模型在Cell Collective上公开可用，并以SBML文件形式提供，代表了迈向临床整合的免疫数字孪生以用于患者特异性应用的一步。
这篇发表于《Frontiers in Immunology》的研究论文，针对当前免疫学研究及临床转化中存在的关键瓶颈，构建了一个前所未有的大规模机制性模型。免疫系统作为维护健康的基石，其动态复杂性使得传统的单一疾病或细胞类型研究难以全面揭示其在多种病理环境下的整体行为。尽管免疫治疗（immunotherapy）已成为重要的临床手段，但免疫响应的非线性与多尺度特性，尤其是在面对新型或复合扰动（如共感染）时，使得精准预测变得极为困难。现有的高通量数据往往缺乏时间维度的动态捕捉，而既往的计算模型多局限于特定细胞系或单一疾病，无法支撑“免疫数字孪生”（immune digital twin）这一旨在实现个性化医疗的宏伟目标。为了填补这一空白，研究人员开发了一个跨越11种疾病背景的综合机制性多细胞模型，旨在统一模拟先天免疫与适应性免疫的动态串扰，并为临床复杂的免疫场景提供计算推演平台。
为实现上述目标，研究人员采用了基于逻辑的建模框架（logical modeling framework），系统性地挖掘了449篇仅包含人类实验数据的文献，排除了小鼠模型和临床试验数据，以确保模型的生物学基础完全源于人体证据。他们利用Cell Collective这一在线平台构建并整理模型，采用布尔函数（Boolean functions）定义组件间的激活、抑制和反馈回路，将每个免疫细胞、细胞因子、免疫球蛋白及疾病实体化为具有活性（1）或非活性（0）状态的节点。模型涵盖了126个组件，包括88种免疫细胞亚型、37种分泌因子及9种病原体环境。在验证阶段，研究人员通过设定不同的外部组件活性水平（67%?100%代表重度感染），运行了实时模拟（real?time simulations）和剂量?反应分析（dose?response analyses），并将模拟结果与独立的体外、离体及临床观察数据进行定性比对，统计一致性。
研究结果部分详细阐述了模型的表现力与预测能力。在“Integrative model of the immune system”（免疫系统整合模型）中，研究人员展示了包含细胞?细胞相互作用和分泌因子的网络架构，定义了从静息态到活化态的转化规则，例如嗜酸性粒细胞可由IL?5或IL?33激活，但可被蠕虫感染细胞抑制，这些规则均基于已验证的实验发现。
在“Model validation: immune response to pathogens”（模型验证：对病原体的免疫反应）部分，通过对38项独立实验的验证，模型显示出较高的保真度，对巨细胞病毒（CMV）、EBV、HIV和恶性疟原虫（PF）的一致性为75%，对埃博拉病毒（EBOV）、流感病毒（IAV）、MTB和蠕虫为83.3%，对SARS?CoV?2高达90%。模拟重现了IAV感染期间NK细胞表型的变化（NK bright减少，NK dim增加）以及重症流感中IL?6和IL?8升高的趋势。此外，通过热图分析，模型成功区分了不同病原体的细胞因子特征，如CMV的促炎/Th1偏向特征，EBV诱导的I型干扰素释放，以及蠕虫感染特有的Th2型免疫球蛋白G（IgG）低活性特征。
在“Case study 1: immune response to various coinfections”（案例研究1：对多种共感染的免疫反应）中，模型揭示了复杂的病原体间相互作用。在MTB?HIV共感染中，模拟证实了HIV导致CD4+Th1活性下降，增加了MTB易感性。在MTB?蠕虫共感染中，模型预测了IL?6和肿瘤坏死因子?α（TNF?α）的增加，这与特定蠕虫种类（如钩虫）的临床数据存在差异，提示了模型细化方向。针对SARS?CoV?2?EBV共感染，模型预测中性粒细胞显著减少，与临床观察部分吻合。在恶性疟原虫?蠕虫共感染中，模型成功复现了IL?10、干扰素?γ（IFN?γ）和转化生长因子?β（TGF?β）水平升高的现象。
在“Case study 2: immune response in LTx associated with CMV, EBV, and SARS?CoV?2”（案例研究2：与CMV、EBV和SARS?CoV?2相关的肺移植免疫反应）中，模型解析了移植受者在病毒感染下的免疫平衡。研究发现，与单纯肺移植（LTx）相比，LTx?CMV和LTx?EBV条件下细胞毒性CD8+T细胞（CTL）活性降低，而LTx?SARS?CoV?2条件下则显著降低。在体液免疫方面，LTx?CMV显示出IgG升高，而LTx?SARS?CoV?2则显示IgG下降。最重要的是，模型量化了排斥（rejection）与耐受（tolerance）表型，发现在三种病毒感染背景下，移植排斥的可能性均显著增加，尤其是EBV和SARS?CoV?2严重损害了移植耐受，这为临床管理提供了机制性解释。
讨论部分指出，该研究代表了构建免疫数字孪生的关键一步，其核心价值在于将多种疾病背景统一于单一可模拟框架内，克服了以往模型局限于单病种的缺陷。模型不仅能够剖析细胞因子风暴（cytokine storm）等过度炎症反应的机制，还能通过模拟未知的复合扰动生成大量可证伪的预测，为实验优先级的确定提供路线图。尽管模型在数据完整性（如缺乏对趋化因子梯度的空间模拟）和逻辑模型固有的定性属性（无法精确量化浓度）上存在局限，但它为整合机器学习、融入患者特异性数据以及构建多尺度（从基因代谢到生理药动学）模型奠定了坚实基础。结论强调，该逻辑机制模型通过涵盖从单一病原体到共感染及移植免疫学的广泛疾病谱系，准确模拟了促炎动态和细胞因子风暴，作为迈向临床整合的免疫数字孪生的垫脚石，未来的工作将致力于整合多尺度建模方法以实现个性化医疗。
