1 Min Read What Are Immune Predictive Models?
7 月 23, 20261 Min Read What Are Immune Risk Scores?
7 月 23, 2026如果我们能在疾病发生之前，预测你的免疫系统会如何应对——医学将发生什么改变？
—— 免疫预测模型（Immune Predictive Models）：把免疫系统的未来状态，变成可以计算的答案
1. 为什么免疫预测这么难？
机制性计算免疫学（Mechanistic Computational Immunology），是用微分方程或基于主体的模型，把免疫细胞的互作规律，建模为可以数值求解的方程组。 这类模型的优势，在于它是基于已知的免疫生物学机制建立的，具有内在的可解释性——你能从模型的方程里，直接追踪某个预测结果是由哪个机制驱动的。这在临床决策里，比"黑箱AI"更有说服力。 代表性的机制性模型： 病毒感染的靶细胞模型（Target Cell Model）——描述病毒颗粒、易感细胞、感染细胞和免疫效应细胞之间的动力学关系。这类模型已经被用于HIV、流感、新冠感染的疾病进展预测，以及抗病毒治疗时机的优化 细胞因子风暴动力学模型——模拟细胞因子（IL-6、TNF-α等）在感染或CAR-T治疗后的浓度动态，预测哪些患者会进入失控的细胞因子风暴（CRS），以及干预时机对结果的影响 肿瘤-免疫互动模型——描述肿瘤细胞、效应T细胞、免疫抑制细胞（Treg、MDSC）和细胞因子之间的动态平衡，预测免疫治疗干预在特定"免疫均衡"状态下的效果 机制性模型的局限，在于它只能模拟已知的机制——当真实的生物学比模型更复杂（几乎总是如此），模型的预测会有系统性偏差。这也是为什么混合模型（机制+数据）成为当前最受关注的研究方向。
2. 机制性计算免疫学：把免疫系统建模为方程组
机制性计算免疫学（Mechanistic Computational Immunology），是用微分方程或基于主体的模型，把免疫细胞的互作规律，建模为可以数值求解的方程组。 这类模型的优势，在于它是基于已知的免疫生物学机制建立的，具有内在的可解释性——你能从模型的方程里，直接追踪某个预测结果是由哪个机制驱动的。这在临床决策里，比"黑箱AI"更有说服力。 代表性的机制性模型： 病毒感染的靶细胞模型（Target Cell Model）——描述病毒颗粒、易感细胞、感染细胞和免疫效应细胞之间的动力学关系。这类模型已经被用于HIV、流感、新冠感染的疾病进展预测，以及抗病毒治疗时机的优化 细胞因子风暴动力学模型——模拟细胞因子（IL-6、TNF-α等）在感染或CAR-T治疗后的浓度动态，预测哪些患者会进入失控的细胞因子风暴（CRS），以及干预时机对结果的影响 肿瘤-免疫互动模型——描述肿瘤细胞、效应T细胞、免疫抑制细胞（Treg、MDSC）和细胞因子之间的动态平衡，预测免疫治疗干预在特定"免疫均衡"状态下的效果 机制性模型的局限，在于它只能模拟已知的机制——当真实的生物学比模型更复杂（几乎总是如此），模型的预测会有系统性偏差。这也是为什么混合模型（机制+数据）成为当前最受关注的研究方向。
3. 机器学习在免疫响应预测里的应用
数据驱动的机器学习模型，不需要完整的机制理解，直接从大量观测数据里学习输入和输出之间的关联。 在肿瘤免疫治疗领域，机器学习预测模型已经开始接近临床应用： Tumor Report（MSK-IMPACT）——纪念斯隆凯特琳癌症中心（MSK）开发的基因组分析平台，结合了AI驱动的肿瘤突变谱分析和免疫表型推断，为每位患者生成"肿瘤免疫图谱报告"，直接指导免疫治疗决策。这是目前最接近常规临床使用的肿瘤免疫AI系统之一。TIDE（Tumor Immune Dysfunction and Exclusion）——MIT的刘小乐团队开发的模型，从肿瘤的基因表达谱，预测两种主要的免疫治疗失效机制（T细胞耗竭 vs T细胞排他），从而推荐更合适的治疗方案。已在多种癌症的回顾性数据里显示出比单一生物标志物更好的预测效果。
自身免疫病的发作预测——在系统性红斑狼疮（SLE）等自身免疫病里，AI模型通过整合患者的免疫标志物动态（如抗dsDNA抗体水平、补体C3/C4水平、IL-6），能在疾病活动发作（flare）前数周预警高风险患者，为预防性干预提供窗口。
|
临床预测模型，把"这位患者很可能响应" 或"这位患者CRS风险高"这样的信息，提前告知医生——而不是等结果发生了才知道 这种从"事后诊断"到"事前预测"的转变 是精准免疫医学最直接的临床价值 |
4. 系统免疫学：把免疫系统理解为一个整体
免疫预测模型最雄心勃勃的形态，是"系统免疫学"（Systems Immunology）——一个尝试从整体上建模和预测免疫系统行为的跨学科领域。 系统免疫学，把免疫学、数学、物理学、计算机科学整合在一起，目标是建立能同时捕捉细胞、分子、组织、个体多个层次的整合性免疫模型。 斯坦福大学Garry Nolan和Mark Davis团队的"血液图谱"（Blood Atlas）研究，是系统免疫学的代表性工作之一：他们对70多位健康个体进行了长达数月的连续密集采样（每周一次的血液多组学分析），建立了免疫系统在正常个体里的时间动态基线图，揭示了每个人的免疫系统都有独特的、稳定的个人"免疫特征"，同时也受到季节、感染、压力等外部事件的可预测性扰动。 这个工作，建立了免疫系统正常动态基线的参考数据集，是免疫预测模型的"校准标准"——只有知道正常状态下免疫系统如何波动，才能识别什么是疾病或治疗引起的真实变化，什么是正常的生理波动。
5. 预测模型的伦理维度：预测带来的责任
免疫预测模型，不只是技术问题，它带来了一系列值得认真对待的伦理问题。 当一个模型预测某位患者"大概率不会响应CAR-T治疗"，这个预测是否会成为拒绝患者获得治疗机会的理由？如果患者和家属强烈希望尝试，临床医生应该如何权衡模型预测和患者意愿？ 当一个模型预测"这位患者未来五年内患自身免疫病的风险是80%"，这个信息如何在不引起不必要焦虑的同时，指导预防性干预？谁有权接触这个预测结果？保险公司能用它来拒绝承保吗？ 这些问题，没有简单的技术答案。它们需要伦理学家、医生、患者、法律专家和政策制定者共同参与讨论，并在具体的临床和社会语境里做出有人性温度的判断。
技术的进步，不会自动带来使用这些技术的智慧——免疫预测模型的价值，最终取决于我们选择以什么样的方式使用它。免疫预测模型，在技术层面，是把免疫系统的未来状态变成可以计算的答案。在人文层面，它是一个关于"预测的力量应该如何负责任地使用"的持续对话。两个层面，同等重要。
问答专区