基于机器学习与转录组学的疫苗佐剂免疫应答预测及机制解析

本综述系统阐述了机器学习（ML）在疫苗佐剂开发中的应用突破。研究利用非人灵长类动物（NHP）转录组数据，通过深度学习模型精准预测疫苗接种后的抗体水平（如HPV 9价疫苗），并解析佐剂特异性免疫机制（如TLRs、PRRs通路）。该工作为加速佐剂筛选、优化疫苗设计提供了计算生物学新范式。

　　

引言

佐剂作为增强疫苗免疫原性的关键成分，通过激活先天免疫和调节适应性免疫提升疫苗效能。然而，佐剂选择长期依赖经验性实验，存在耗时长、资源消耗大等挑战。本研究创新性地整合机器学习与RNA转录组数据，旨在构建佐剂免疫效能的预测模型，并深入解析其作用机制。

材料与方法

研究采用9价HPV病毒样颗粒（VLP）疫苗，配合8种不同佐剂（包括铝佐剂（alum）、单磷酰脂质A（MPL）、免疫刺激复合物（ISCOMs）等）对60只非人灵长类动物（NHP）进行免疫实验。血液样本采集时间点包括接种前（day 0）、接种后1天（day 1）及7天（day 7），通过PAXgene管保存并提取RNA，使用Illumina平台进行测序。抗体水平通过Meso Scale Discovery（MSD）电化学发光法检测。

数据处理中，RNA表达量经FPKM标准化及log₁₀转换，筛选出1,184个免疫相关基因（涉及TLRs、模式识别受体（PRRs）、C型凝集素受体等通路）用于后续分析。机器学习模型采用随机森林（RF）与深度学习（DL）对比，其中DL网络为全连接结构，输入层1,184节点，隐藏层100节点，输出层对应佐剂分类或抗体回归预测。通过10折交叉验证评估性能，并采用显着性分析（saliency analysis）解析基因权重。

结果

1. 1.
   佐剂特异性转录特征
   聚类热图显示不同佐剂诱导独特的基因表达模式，例如含MPL的组别（组6、7）呈现相似转录特征。主成分分析（PCA）进一步证实接种后1天与7天的转录谱存在显著差异，反映先天与适应性免疫的时序动态。
2. 2.
   通路富集与机制解析
   基因集富集分析（GSEA）显示所选基因集显著富集于抗原呈递、Th1/Th2激活、TLR及C型凝集素受体通路。佐剂通过调节IRF7、RIG-I等分子表达，影响炎症因子（如IL-6、IL-10）平衡，从而塑造免疫应答类型。
3. 3.
   机器学习模型性能
   深度学习模型在佐剂分类任务中准确率达96.9%，显著优于随机森林（71.1%）。显着性分析识别出高频权重基因（如抗炎信号、GPCR配体通路相关基因），这些基因在组间表达差异大，而低权重基因则呈现跨组相似性。
4. 4.
   抗体应答预测
   DL模型基于接种后1天的转录数据，成功预测12周及36周抗体滴度（如HPV 6、11、16型），预测值与实测值高度吻合（见箱线图对比）。模型捕获了二次接种后的抗体增强效应，佐证其时序预测能力。

结论

本研究首次实现通过深度学习解析佐剂特异性转录特征并精准预测抗体应答，突破了传统统计模型的局限性。显着性分析揭示了关键免疫基因及其通路（如TLR4、细胞因子信号），为佐剂机制研究提供新视角。该计算生物学框架有望加速疫苗研发，减少实验筛选成本，推动全球健康应对策略的创新。