解码免疫时钟：基于细胞蛋白表达模式的机器学习模型精准预测小鼠免疫年龄

《Nature Communications》：Reading the immune clock: a machine learning model predicts mouse immune age from cellular patterns

本研究针对免疫衰老缺乏蛋白层面量化工具的问题，通过质谱流式技术分析小鼠脾脏CD45+免疫细胞中30种蛋白标志物的表达，结合支持向量回归(SVR)机器学习算法，成功构建了能够通过103个分子特征精准预测免疫年龄的模型。该模型在独立测试集和肥胖模型中均表现出优异泛化能力，为定量评估年龄相关免疫衰退及代谢疾病相关的免疫衰老提供了新工具。

　　

随着全球人口老龄化进程加速，准确评估个体生物学年龄而非单纯依赖chronological age（时序年龄）已成为公共卫生和生物医学研究的核心挑战。免疫系统作为机体衰老过程中变化最为显著的体系之一，其功能衰退与年龄相关疾病（如癌症、心血管疾病、神经退行性病变）的发生发展密切相关。然而，当前对免疫衰老的理解多基于转录组数据，在蛋白层面对免疫细胞亚群随年龄变化的系统性研究仍存在空白，缺乏能够精准量化"免疫年龄"的预测工具。

为解决这一难题，韩国顺天乡大学Jong-Jin Kim团队在《Nature Communications》发表了题为"Reading the immune clock: a machine learning model predicts mouse immune age from cellular patterns"的研究。该研究创新性地结合高维质谱流式技术(CyTOF)和机器学习算法，通过对小鼠脾脏CD45⁺免疫细胞进行深度蛋白组学分析，成功构建了能够通过细胞分子表达模式精准预测免疫年龄的"免疫时钟"模型。

研究人员首先利用质谱流式技术分析了2、5、9、16和20月龄小鼠脾脏CD45⁺免疫细胞中30种蛋白标志物的表达变化。通过t-SNE降维可视化发现，老年小鼠(20月龄)相比年轻小鼠(2月龄)在免疫细胞组成上存在显著差异，其中15个免疫细胞群体（如CD28⁺、PD-1⁺、FoxP3⁺细胞）显著增加，7个群体（如CD26⁺、CD54⁺细胞）明显减少。这些变化揭示了年龄相关的免疫表型重塑特征。

在细胞亚群水平上，研究团队通过FlowSOM聚类将脾脏免疫细胞分为六大类：CD8⁺T细胞、CD4⁺T细胞、B细胞、常规树突状细胞1型(cDC1)、cDC2和巨噬细胞。定量分析显示，随着年龄增长，CD8⁺T细胞和CD4⁺T细胞比例显著下降，而B细胞则呈现渐进性增加。特别值得注意的是，通过SPADE分析在B细胞中鉴定出7个亚群，包括4个年龄相关B细胞(ABC)亚型，这些ABC细胞在不同月龄表现出异质性变化轨迹，提示其在免疫衰老过程中可能发挥不同功能。

基于这些发现，研究人员从六大免疫细胞群体中提取了103个分子特征，并采用支持向量回归(SVR)算法训练机器学习模型。该模型在预测免疫年龄方面表现出色，测试集上的预测年龄与实际年龄高度相关(R=0.93, R2=0.87)。通过5折交叉验证和外部数据集验证，模型展现了良好的泛化能力和鲁棒性。

为验证模型的实际应用价值，研究团队将其应用于肥胖小鼠模型。结果显示，高脂饮食(HFD)喂养的年轻(5月龄)和老年(17月龄)小鼠均表现出免疫年龄加速趋势，尽管统计学差异不显著，但这种趋势表明肥胖可能促进免疫系统早衰。进一步分析发现，PD-L1、CD44等与T细胞衰竭、活化相关的分子是驱动年龄预测的关键特征。

关键技术方法包括：使用质谱流式技术对小鼠脾脏CD45⁺免疫细胞进行30种蛋白标志物的同步检测；运用t-SNE、FlowSOM和SPADE等算法进行高维数据降维和细胞亚群鉴定；采用支持向量回归机器学习算法构建免疫年龄预测模型；通过主成分分析(PCA)和交叉验证评估模型性能。

年龄相关的脾脏免疫细胞表型和标志物表达重塑

研究人员通过对不同月龄小鼠脾脏CD45⁺免疫细胞的系统分析，发现年龄相关的免疫表型变化具有显著规律性。老年小鼠中免疫抑制性或衰竭相关细胞群体（如CD28⁺、PD-1⁺、FoxP3⁺）明显扩增，而与细胞活化和迁移相关的群体（如CD54⁺、CD26⁺）则显著减少。这些变化提示随着年龄增长，免疫系统可能同时经历功能衰竭和迁移能力下降。

衰老过程中脾脏免疫群体亚群水平重塑

在主要免疫细胞亚群分析中，CD8⁺T细胞表现出早期持续的CD26⁺细胞减少（已知可对抗T细胞衰竭）以及PD-1⁺和FoxP3⁺调节性T细胞(Treg)的扩增。CD4⁺T细胞中，PD-1⁺和FoxP3⁺细胞同样随年龄增加，表明辅助T细胞区室向免疫抑制状态转变。B细胞区室则显示出高度异质性，年龄相关B细胞(ABC)的不同亚群遵循独特的变化轨迹。

使用PCA和机器学习分析免疫细胞聚类和组成比例的年龄相关变化

通过主成分分析确认分子表达模式能够按年龄进行有效分层。支持向量回归算法因能有效建模高维非线性关系且过拟合风险低而被选为最优算法。训练得到的模型在测试集和完整数据集上均能准确预测免疫年龄，交叉验证均方误差≤2.25，相当于在18个月的生命跨度中预测误差小于约2.5个月。

聚类免疫细胞群内年龄相关表达模式的机器学习

研究进一步将机器学习方法扩展到各免疫细胞群体内的分子表达模式分析。模型能够准确学习并预测各细胞群体中与年龄相关的分子表达动态变化，在CD8⁺T细胞、CD4⁺T细胞、B细胞、cDC1、cDC2和巨噬细胞中均表现出良好性能。

预测和诊断免疫衰老的应用工具开发

基于103个分子特征开发的模型在外部数据集验证中表现出高预测精度(R2=0.87)和强泛化能力。即使使用模拟生成的数据集，模型仍保持93.43%的解释力，表明其作为免疫衰老定量评估工具具有实际应用潜力。

使用预测机器学习评估肥胖模型中的免疫衰老加速

在肥胖模型应用中，模型成功检测到高脂饮食引起的免疫年龄加速趋势。PCA分析显示，肥胖老年组的个体分布广泛，提示老年肥胖可能增加免疫系统的异质性。相关性分析确定了PD-L1、CD44等关键分子作为衰老和饮食诱导加速的共同驱动因子。

该研究通过整合高维蛋白质组数据和机器学习算法，建立了首个基于多维度蛋白表达模式的小鼠免疫年龄预测模型。这一"免疫时钟"不仅能够准确反映生理性免疫衰老过程，还能识别代谢应激（如肥胖）导致的免疫年龄加速。研究证实，即使将标记物面板从103个精简至10个关键分子，模型仍能保持优越性能，这为其向临床应用转化提供了可行性。

这项工作的重要意义在于它将免疫衰老研究从描述性分析推进到了定量预测阶段，为评估个体免疫健康状况、识别早期免疫衰老风险以及开发干预策略提供了强大工具。未来，这一框架有望扩展到人类队列研究，实现人群水平免疫年龄图谱绘制和个性化免疫健康评估，为应对老龄化社会的健康挑战提供新思路。