《Frontiers in Aging》：Longitudinal immune trajectories following SARS-CoV-2 vaccination in long-term care facility residents: an unsupervised analysis approach
编辑推荐：
背景：长期护理机构（LTCF）居民是一个高度脆弱的人群，其特征是免疫衰老（immunosenescence）、多重共病（multimorbidity），以及对重复SARS-CoV-2疫苗接种和感染的异质性免疫应答。基于单一临床变量的传统分析往往无法捕捉这种复杂
背景：长期护理机构（LTCF）居民是一个高度脆弱的人群，其特征是免疫衰老（immunosenescence）、多重共病（multimorbidity），以及对重复SARS-CoV-2疫苗接种和感染的异质性免疫应答。基于单一临床变量的传统分析往往无法捕捉这种复杂性。研究人员评估了机构化老年人中的纵向体液免疫应答，以识别数据驱动的抗体谱型（antibody profiles），并表征聚类特异性的抗体衰减动力学。方法：在一项前瞻性多中心队列研究中，对388名意大利LTCF居民在四个时间点（T0–T3，共12个月）进行随访，检测纵向抗刺突蛋白（anti-S）和抗核衣壳蛋白（anti-N）IgG水平，同时收集人口统计学和疫苗接种数据。采用主成分分析（Principal Component Analysis, PCA）进行降维，随后进行K-means聚类。通过内部验证指标（轮廓系数Silhouette、Calinski-Harabasz指数和Davies-Bouldin指数）及bootstrap稳定性分析确定最优聚类数。应用线性混合效应模型（Linear Mixed-Effects Models）描述聚类特异性的抗体衰减轨迹。结果：对388名LTCF居民进行了纵向分析。共识别出三种抗体轨迹谱型：（i）疫苗驱动型（Vaccine-Driven profile，n=130），其特征为中等水平的anti-S滴度和进行性抗体下降；（ii）混合免疫型（Hybrid Immunity profile，n=125），其特征为既往感染的证据，且在随访期间抗体浓度 remarkably 稳定，尽管2023/2024年度加强针接种率有限；（iii）高峰值混合应答型（High-Peak Hybrid Responder profile，n=133），其基线anti-S滴度最高，随后抗体衰减速率最陡峭。在整个队列中，388名居民中有12名（3.1%）在随访期间出现有记录的 SARS-CoV-2 症状性感染，无COVID-19相关死亡，各谱型间感染发生率无显著差异。Bootstrap稳定性分析显示平均调整兰德指数（Adjusted Rand Index, ARI）为0.74（标准差0.20）。结论：无监督机器学习有效地将LTCF居民中SARS-CoV-2体液应答的复杂异质性解析为数据驱动的轨迹模式。这些发现阐明了数据驱动方法在描述体液动力学方面的实用性，同时将观察性抗体动力学与临床保护效应的直接估计区分开来。
**长期护理机构老年人SARS-CoV-2疫苗体液免疫轨迹的异质性：一项基于无监督学习的纵向队列研究解读**
**一、研究背景与问题提出**
新型冠状病毒病（COVID-19）大流行期间，老年人群承受了沉重的发病率和死亡率负担，其中75岁及以上人群和长期护理机构（Long-Term Care Facilities, LTCF）居民的病死率最高。尽管mRNA疫苗显著降低了重症结局，但由于免疫衰老（immunosenescence）和多重共病的影响， frail 老年人群的体液免疫原性较低且持久性较差，导致疫苗接种后抗体持久性下降。随着加强针接种运动的反复推行以及自然感染史的多样叠加，混合免疫（hybrid immunity）进一步增加了免疫应答的复杂性。既往研究已表明，在老年人群中，既往SARS-CoV-2感染可显著增强疫苗接种后的体液应答并减缓抗体衰减。然而，在复杂的临床队列中，抗体应答表现出显著的异质性：部分个体产生强劲而持久的应答，而另一些个体则快速衰减，仅通过单独评估单一人口学或临床变量难以厘清其驱动因素。传统的基于单一临床变量的分析方法往往无法充分捕捉这种多维复杂性。因此，采用无监督机器学习技术，如主成分分析（Principal Component Analysis, PCA）和K-means聚类，为整合重叠的暴露史和纵向血清学测量提供了实用框架，能够在无需预设临床假设的情况下识别数据驱动的重复应答谱型。在此背景下，本研究依托意大利多中心GeroCovid Vax研究的早期发现，旨在通过无监督学习方法，识别LTCF居民中数据驱动的抗体轨迹谱型，并表征12个月内聚类特异性的衰减动力学，同时描述与这些轨迹谱型相关的临床和免疫学特征。
**二、研究设计与主要结论**
研究人员在意大利5个大区的13所LTCF中开展了一项前瞻性、多中心、纵向队列研究（COVAC-3项目），纳入了388名65岁及以上居民，在基线（T0）、3个月（T1）、6个月（T2）和12个月（T3）四个时间点进行随访。定量检测了抗刺突蛋白（anti-S）IgG抗体和抗核衣壳蛋白（anti-N）IgG抗体水平，并收集了人口统计学、共病、疫苗接种史等基线数据以及随访期间的感染、住院和死亡等临床事件。通过PCA降维、K-means聚类和线性混合效应模型（Linear Mixed-Effects Models, LMM），研究识别出三种 distinct 的纵向抗体轨迹谱型：疫苗驱动型（Vaccine-Driven, VD，n=130）、混合免疫型（Hybrid Immunity, HI，n=125）和高峰值混合应答型（High-Peak Hybrid Responder, HPHR，n=133）。研究发现，不同谱型在抗体水平、衰减速率、年龄、共病负担、疫苗接种状态和认知障碍患病率等方面存在显著差异。该研究的意义在于，通过无监督学习方法有效解析了LTCF居民中SARS-CoV-2体液应答的复杂异质性，为理解该脆弱人群的抗体持久性动态提供了数据驱动的新视角，并有助于识别可能从优化加强针接种策略中获益的亚群。
**三、主要关键技术方法**
本研究采用了以下几种关键技术方法。第一，主成分分析（PCA）用于降低多维数据集的维度，通过Kaiser-Meyer-Olkin（KMO）指数和Bartlett球形检验评估数据适宜性，根据特征值>1和累积解释方差确定保留主成分数量。第二，K-means聚类应用于保留的主成分得分，通过内部验证指标（Silhouette、Calinski-Harabasz、Davies-Bouldin、Dunn指数）和bootstrap稳定性分析确定最优聚类数。第三，线性混合效应模型（LMM）用于描述聚类特异性的抗体衰减轨迹，包含聚类分配、时间和聚类-时间交互项作为固定效应，并纳入受试者随机截距。第四，采用平均边际效应（Average Marginal Effects, AMEs）量化各聚类内抗体衰减的平均速率，并通过调整兰德指数（Adjusted Rand Index, ARI）评估聚类稳定性。此外，数据清洗、PCA和K-means聚类使用Python（v3.11.13）完成，LMM和边际效应分析使用Stata（v18）实现。
**四、研究结果**
**4.1 纵向抗体动力学**
在总体水平上，抗S抗体浓度随时间逐渐下降，几何平均滴度在基线（加强接种后时期）最高，随后在T1、T2和T3依次降低（p<0.001）。按是否接种加强针分层后，2023/2024年度接种疫苗的参与者基线抗S水平较高，随后下降更陡峭；而未接种加强针者基线滴度较低。PCA分析中，前三个主成分（PC）解释了总方差的66.4%（PC1：28.8%，PC2：21.4%，PC3：16.2%），Bartlett球形检验确认了数据集适合降维（p<0.0001）。PC1主要由各时间点的抗S滴度驱动，反映疫苗诱导的体液应答的整体幅度和持久性；PC2由抗N滴度主导，描述性关联于自然感染相关的变异性；PC3主要受疫苗接种时机影响。K-means聚类应用于PC1–PC3得分，结合内部验证指标、简约性和可解释性，最终确定k=3的聚类方案。Bootstrap稳定性分析显示平均ARI=0.74（SD=0.20），支持聚类的可重复性。三个聚类的规模均衡（Cluster 0：n=130；Cluster 1：n=125；Cluster 2：n=133），且基线特征在各聚类间存在显著差异。
**4.2 各谱型抗体持久性和衰减的决定因素**
纵向分析以Cluster 0为参考聚类，显示抗体轨迹在各数据驱动分组间存在异质性。参考聚类随时间呈现适度但显著的下降（β=?0.031，p=0.042），Cluster 2与时间的交互项为负且显著（β=?0.057，p=0.009）。平均边际效应显示，Cluster 2的衰减速率最陡峭（AME=?0.088，p<0.001），而参考聚类为?0.031（p=0.042），Cluster 1的轨迹平坦，无显著变化（AME=?0.012，p=0.43）。图2展示了三个数据驱动组群的估计纵向抗S抗体轨迹：Cluster 0呈显著下降；Cluster 1呈相对稳定轨迹；Cluster 2尽管在整个观察期内维持较高绝对抗体水平，但纵向下降幅度显著大于Cluster 0。随访期间，仅12名居民（3.1%）发生有记录的症状性SARS-CoV-2感染，无COVID-19相关死亡，且各聚类间感染发生率无显著差异。由于事件数量极少，该分析检测聚类间临床结局差异的统计效能有限。
**4.3 各聚类的临床和人口统计学特征**
三个聚类的基线特征比较显示，年龄在各聚类间差异显著（p<0.001），Cluster 0居民最年轻（81.9±9.4岁），Cluster 1和Cluster 2年龄较大（85.9±8.2和84.8±8.0岁）。慢性病数量亦存在差异（p=0.0037），Cluster 1的中位数较低（中位数3，IQR 2–4）。疫苗接种状态在各聚类间差异显著（p<0.001），Cluster 2中100%接种了2023/2024年度加强针，而Cluster 0和Cluster 1分别为42.3%和2.4%。基线抗S IgG滴度在各聚类间差异显著（p<0.001），Cluster 2最高。抗N IgG滴度亦差异显著（p<0.001），Cluster 0低于Cluster 1和2。在临床特征中，认知衰退/痴呆在Cluster 2中更为常见（69.7%，对比Cluster 0的53.2%和Cluster 1的48.5%，p=0.0023）。其他基线共病无显著聚类间差异。
**五、讨论总结与研究结论**
讨论部分指出，本研究通过无监督多维方法在LTCF居民中识别出三种纵向抗体应答谱型，揭示了该人群体液免疫轨迹的显著异质性。总体抗S水平随时间的下降主要由接种加强针的居民驱动，而未接种加强针者维持了较为稳定的轨迹。VD聚类以中等抗S滴度和有限的自然感染证据为特征，符合以疫苗驱动的免疫应答；HI聚类具有明确的SARS-CoV-2近期感染血清学证据但2023/2024年度加强针接种极少，代表了与相对较低但持续稳定抗体水平相关的混合免疫形式；HPHR聚类包含接种加强针且具有混合免疫的个体，基线抗S抗体浓度最高，且衰减速率最陡。研究强调，尽管抗体滴度仅是免疫保护的一个维度，但这些数据驱动的谱型可能有助于识别在纵向轨迹估计上存在差异并可能从优化加强针策略中最大获益的亚群。研究局限性包括：抗体滴度未涵盖功能性中和能力或细胞免疫应答；观察性设计导致加强针时机无法严格标准化；随访期间28名参与者接受了额外疫苗剂量、12名发生症状性感染，这些事件未作为时变协变量纳入主要模型，可能造成聚类内异质性；由于纵向抗S测量参与了聚类构建，后续LMM分析应被视为数据驱动组群内轨迹的描述性表征而非独立验证；临床结局事件极为稀少，限制了将特定抗体衰减斜率与临床突破性感染风险直接关联的统计效能。
研究结论：本研究表明，LTCF居民对SARS-CoV-2的体液免疫具有显著的个体间异质性，而这种异质性可通过纵向谱型分析得到有效组织。数据表明，较高的初始抗体滴度随后伴随更明显的绝对下降，这凸显了疫苗接种时机、既往感染史与老年人纵向抗体轨迹之间的复杂相互作用。在本无监督分析中，虽然抗体水平在近期加强接种后出现下降，但所识别的数据驱动谱型以基线抗体幅度、既往感染史和加强接种状态的组合为特征，强调了该人群体液轨迹的异质性。这些发现凸显了许多LTCF居民抗体轨迹的异质性，其中部分数据驱动组群在随访期间表现出相对稳定的抗体浓度。
