免疫組學的研究進展

唐康 侯永利 王亞珍 陳麗華

（中國人民解放軍空軍軍醫大學基礎醫學院免疫學教研室，西安 710032）

免疫組（immunome）是宿主免疫系統與抗原的互作關系以及宿主免疫系統應答機制的全景圖譜，包括免疫系統的識別對象、識別受體以及參與免疫應答過程的其他分子［1-3］。免疫組學（immunomics）是研究免疫組的學科，通過基因組學、蛋白組學和免疫信息學等手段解析宿主免疫系統識別的抗原、生理或病理條件下宿主免疫系統的組成特點，研究抗原刺激后宿主免疫細胞和分子的變化及其變化機制，進而揭示宿主免疫系統與抗原的互作關系及應答機制［2，4-5］。免疫組學解析免疫系統識別的抗原表位，對疫苗研發具有重要指導作用；同時，免疫組學揭示免疫系統成員在疾病發生、發展中的作用，為疾病預防、診斷或治療提供新靶點或新策略，促進精準醫療發展［6-9］。

1 免疫組學的研究歷史

免疫組和免疫組學的概念最早在1999年由PEDERSON［1］在奧斯陸舉行的第六屆自身抗體和自身免疫國際研討會中提出。當時認為免疫組是人體內所有重排后的抗體、B細胞受體（B cell receptor，BCR）、T細胞受體（T cell receptor，TCR）的基因序列，而免疫組學是解讀BCR、TCR DNA或mRNA序列而形成的學科。隨著免疫學和其他生物學技術的發展，免疫組、免疫組學的概念也在不斷補充和完善。2002年、2003年，陸續有學者將免疫系統識別的蛋白質肽段等抗原納入免疫組［10-11］。而針對免疫系統本身，免疫組不再局限于BCR、TCR基因序列，其他免疫受體基因序列也被納入了免疫組［12］。此時，免疫組學擴展為對免疫系統識別對象的研究，對TCR、BCR和其他免疫受體基因序列和分子功能的研究。

2004年，美國國家過敏和傳染病研究所（National Institutes of Allergy and Infectious Diseases，NIAID）牽頭啟動“大型表位探索項目”，并建立了免疫表位數據庫（Immune Epitope Database，IEDB），將已知的抗原表位及其識別受體納入數據庫［3］。隨后，參與免疫應答過程的關鍵分子，如主要組織相容性抗原等，也陸續被納入免疫組學研究。這一階段，免疫組學研究不再局限于對某一抗原對象、某一受體序列的研究，而是深入對宿主免疫系統與抗原識別關系以及識別后應答機制的探索［4-5］。

2010年，NIAID建立的“人類免疫學項目聯盟（Human Immunology Project Consortium，HIPC）”計劃是更為全面的免疫組學研究計劃，旨在生成大量跨中心和跨檢測數據以描述不同人群在生理、病理或其他特定抗原刺激下的免疫系統組成。利用轉錄組學、蛋白質組學、代謝組學和免疫信息學等揭示新的免疫系統組成與其他生物系統的聯系，解析新的免疫分子和應答途徑，并建立不同人群疫苗安全性的預測體系和快速的疫苗生產及接種方案，提供全面的人類免疫系統組成及其識別的抗原和應答以及調控機制［2，13］。

2015年，WAYNE KOFF等牽頭啟動了人類疫苗計劃（Human Vaccines Project，HVP），旨在解碼人類免疫基因組，包括異質人群中的固有和適應性免疫受體庫，以及相關的人類抗原組（感染細胞或腫瘤細胞中的抗原），并闡明抗原具備免疫原性的內在機制，如抗原如何誘導持久且具有臨床療效的免疫應答，最終確定可刺激產生和維持效應性T細胞應答的免疫接種策略等［14-16］。后來HVP更名為人類免疫組計劃（Human Immunome Project，HIP）。2022年，HIP召開了人類免疫組學人工智能（artificial intelligence，AI）峰會，旨在繪制人類健康的下一個前沿：開發人類免疫組學的首個AI模型。峰會后，還將在全球范圍內舉辦一系列會議以完善戰略計劃，AI將加速免疫組學發展。我國吳玉章教授帶領團隊建立了病毒表位數據庫、超型數據庫，截至2022年3月，已發明11種基于大數據的AI新方法，實現了在表位水平對病毒抗原的快拆、能裝、可調，推動了免疫組學發展。

2 免疫組的組成

免疫組包括免疫系統的識別對象，如非己抗原、自身抗原、病原體相關分子模式（pathogen-associated molecular pattern，PAMP）和損傷相關分子模式（damage-associated molecular pattern，DAMP）等，免疫系統的識別受體，如BCR、TCR和模式識別受體（pattern recognition receptor，PRR）等，以及參與免疫應答過程的其他分子，如MHC編碼的分子等［1-3］。免疫組是宿主免疫系統和抗原的互作關系以及宿主免疫系統應答機制的全景圖譜，目前較為完善的是PAMP、DAMP與PRR的互作圖譜，如PAMP中肽聚糖（peptidoglycan，PGN）被PRR中的Toll樣受體2（Toll-like receptor 2，TLR2）識別，脂多糖（lipopolysaccharide，LPS）被TLR4識別等，DAMP中高遷移率族蛋白B1（high mobility group box1 protein，HMGB1）和熱休克蛋白60（heat shock protein 60，HSP60）均被TLR2識別等［17-18］。TLR等PRR下游信號轉導機制已得到較為深入的研究［19-20］。巨細胞病毒和新型冠狀病毒感染等感染性疾病、1型糖尿病和自身免疫性肝病等自身免疫性疾病中，被識別的病原體表位和自身反應性的TCR、BCR（或抗體）已陸續被發現［21-24］。

3 免疫組學的研究內容

3.1 抗原表位組學 抗原表位組學是利用肽庫、四聚體染色、抗體庫等鑒定TCR或抗體識別的抗原表位，并研究抗原表位功能，繪制功能性抗原表位圖譜。基于對抗原表位結構和功能的研究，設計和研發免疫治療藥物或疫苗用于治療或預防相關疾病。同時，研究抗原表位與抗體的互作機制對治療性抗體的人源化改造、親和力提高、穩定性改造等具有重要意義［25-27］。腫瘤免疫組學研究中，利用重組cDNA表達文庫血清學分析（serological analysis of recombinant cDNA expression libraries，SEREX）、血清學蛋白質組分析（serological proteome analysis，SERPA）等技術對腫瘤抗原表位進行篩選和鑒定，為腫瘤疫苗研發奠定基礎［28-30］。

3.2 免疫基因組學 免疫基因組學是通過高通量測序技術，解析人類免疫系統的基因序列，揭示免疫系統的遺傳多樣性和個體差異。免疫基因組學的研究內容包括免疫相關基因鑒定及功能注釋、免疫相關基因多態性與疾病易感性的關聯、免疫相關基因表達的調控機制等。免疫基因組學研究對理解免疫系統進化和功能、揭示免疫相關疾病遺傳機制以及實現個體化醫療具有重要意義［31-34］。免疫基因組學為免疫學、遺傳學和生物信息學等學科交叉應用提供了新的研究方向和機會，將促進人類免疫健康和疾病治療。

3.3 免疫蛋白質組學 免疫蛋白質組學主要研究免疫系統中的蛋白組成、結構和功能等，利用高通量技術和生物信息學分析方法系統性研究免疫系統中的蛋白表達、修飾、相互作用及其在免疫應答和疾病發展中的作用。通過分析免疫系統中蛋白表達和修飾變化揭示免疫應答和調控機制，發現免疫相關疾病的特異性標志物，為預防和治療免疫相關性疾病提供理論基礎，為疾病早期診斷、預后評估和治療等提供依據［35-38］。

3.4 免疫細胞組學 免疫細胞組學基于單細胞測序技術、流式細胞術和功能實驗等解析生理或病理條件下個體免疫細胞組成，并分析各類免疫細胞表型特征和功能特點以及細胞間相互作用［39-43］。免疫細胞在疾病發展和治療過程中會發生動態變化，利用免疫細胞組學相關技術監測免疫細胞變化，找到疾病預后相關免疫細胞亞群，可為疾病診斷和治療提供重要依據，促進個性化免疫治療發展［7，9，44］。

3.5 抗體組學 抗體組學是通過基因工程抗體技術體外建立大規模抗體庫（如噬菌體抗體庫、酵母細胞抗體庫、核糖體抗體庫等），結合生物信息學等高通量篩選，優化可用于研究、診斷或治療的抗體［45-50］。近年來高通量單細胞BCR測序技術發展迅猛，結合單細胞BCR測序技術可對分選的每個抗原特異性B細胞功能狀態進行評估，獲取單個B細胞VDJ序列，得到抗體輕重鏈的天然配對信息，提高高親和力中和抗體的篩選效率和成功率，加快全人源抗體藥物研發［24，51-52］。

3.6 免疫信息學 將計算機科學和生物學中的信息學方法用于免疫學研究，利用計算機算法、統計學和數學模型分析和解釋免疫系統中的大量數據，以揭示免疫系統的結構、功能和調控機制［53-55］。免疫組學研究產生了大量數據，為了更好地利用已有數據資源，研究人員基于免疫信息學建立了免疫組學相關數據庫。這些數據庫整合了來自不同研究團隊的數據，包括抗原表位組學、免疫基因組學和抗體組學等數據，為其他研究人員提供了數據資源和分析工具，進一步促進了免疫組學發展［56-58］。免疫信息學既是免疫組學研究的重要內容，也是進行免疫組學研究的重要手段。

4 免疫信息學相關數據庫

4.1 ImmPort數據庫 ImmPort（https：//www.immport.org/home）由美國國立衛生研究院資助，北卡羅來納州立大學和密歇根大學等合作機構共同建立和維護，包括人類和動物免疫學研究的大規模數據集、臨床試驗數據、基因表達數據、免疫細胞表型數據以及免疫學相關生物標志物等。除數據存儲和共享外，ImmPort還提供了一系列分析工具和資源，包括免疫學數據標準化和注釋、數據挖掘和分析工具、統計學方法和模型等，這些工具和資源有助于研究人員從大規模免疫學數據中提取有意義的信息，并進行更深入的研究和分析［59］。

4.2 VDJdb數據庫 VDJdb（https：//vdjdb.cdr3.net/）收集了TCR和BCR的CDR3序列、MHC及其對應的抗原表位信息，涵蓋了多個物種數據，包括人、鼠和其他哺乳動物，用于解析免疫系統中抗原-受體相互作用位點。同時提供了一些在線分析工具，如免疫表位預測工具和CDR3序列聚類分析工具，幫助研究者更好地理解和解析數據［60］。

4.3 IEDB數據庫 IEDB（https：//www.iedb.org/）收集整理了抗原表位、免疫應答相關數據，包括抗原表位、抗原-抗體相互作用，免疫識別等信息。其在線分析工具可用于抗原表位預測、評估表位與受體的結合強度等。其他抗原表位數據庫BIMAS、YFPEITHI、NetMHC-4.0、NetMHCpan-4.1等也可用于抗原表位預測［61］。

4.4 InnateDB數據庫 InnateDB（https：//www.innatedb.ca/index.jsp）用于存儲、檢索和分析與先天免疫系統相關的基因、蛋白、信號通路和相互作用信息，提供了豐富的注釋、交互信息和可視化的互作網絡圖，幫助研究人員鑒定和分析先天免疫系統中的重要調控因子和信號通路［62-63］。

4.5 ImmGen數據庫 ImmGen（https：//www.immgen.org/）收集整理了大量免疫系統相關基因表達數據，包括多個免疫細胞類型和亞群，如T細胞、B細胞、巨噬細胞和樹突狀細胞等，并提供了多種數據分析和可視化工具（包括差異表達分析、聚類分析、基因共表達網絡和基因調控網絡等），有助于研究人員了解不同免疫細胞類型的功能和調控網絡［57，64］。

4.6 Allele Frequency Net數據庫 Allele Frequency Net Database（http：//www.alle-lefrequencies.net/）匯集了來自不同族群和地理區域人群的樣本遺傳數據，包括基因型頻率、等位基因頻率和遺傳多樣性等信息，有助于研究人員了解人類種群遺傳變異的地理分布和演化歷史，在人類遺傳和生物醫學研究領域發揮重要作用［65］。不同疾病人群MHC等位基因頻率等信息有助于解析疾病易感MHC等位基因，并發現誘發疾病的抗原表位［66］。

5 免疫組學的研究意義

5.1 揭示免疫系統與疾病的關聯 免疫組學研究可深入了解個體間和種群間免疫應答和疾病易感性差異，揭示免疫系統與疾病的關聯。通過免疫組學研究可發現導致疾病易感性和發展的遺傳因素、免疫應答異常等，為疾病的預防、早期診斷和治療提供依據［36，66-67］。

5.2 促進新型疫苗和免疫治療策略開發 通過鑒定免疫系統識別的抗原表位和解析抗原表位發揮作用的結構基礎，可針對性地設計和研發具有更強保護效應的疫苗，為疾病預防提供新的可能性［25，53，55］。免疫治療通過調節免疫系統治療疾病，包括免疫抑制劑、免疫增強劑和免疫細胞治療等。免疫組學通過檢測和分析免疫細胞、細胞因子和免疫相關基因變化，幫助優化免疫治療策略。通過了解免疫細胞的功能和調節機制可設計更精準的免疫治療方案，提高治療有效性和安全性［44，68］。

5.3 推動個體化醫療和精準藥物治療 通過免疫組學檢測和分析免疫細胞表型、功能和分布等特征評估個體免疫系統狀態，包括免疫細胞功能狀態及免疫調節的平衡狀態等。這些信息能夠幫助醫生更好地預測個體對疾病的易感性以及個體對特定藥物的反應性，為每位患者提供個體化診斷、治療和預防策略，從而實現精準藥物治療［8，69-71］。如在癌癥治療中，免疫組學可分析免疫細胞的抗腫瘤活性和可能存在的免疫逃逸機制，從而指導免疫治療方法的選擇和監測免疫治療效果［72-74］。

6 免疫組學未來的發展趨勢

6.1 多組學整合分析 多組學整合是免疫組學未來發展的必經之路。免疫組學與其他組學領域，如暴露組學（exposome）、表觀遺傳組學（epigenome）和代謝組學（metabonomics）等的整合分析將有助于全面理解免疫系統對環境因素的響應和調節機制，進一步探索疾病發生和發展的分子機制［67-68，73-74］。

免疫組學研究了免疫系統在正常和疾病狀態下的組成、結構和功能，而暴露組學揭示了個體暴露的多種環境因素，如接觸不同化學物質、不同病原微生物等。將這兩個領域結合可深入研究環境因素對免疫系統的影響及其與疾病的關系。通過整合個體的免疫組學和暴露組學數據建立預測模型可識別出與特定環境暴露相關的免疫特征和生物標志物，從而預測個體的免疫狀態和潛在的健康風險，并為個體提供定制的免疫調節和治療策略。表觀遺傳學研究了基因表達和表觀修飾變化，將其與免疫組學結合能夠找到與免疫相關的表觀遺傳標記和調控因子，如DNA甲基化、組蛋白修飾和非編碼RNA等，從而深入了解免疫系統的表觀遺傳調控網絡，揭示表觀修飾在免疫應答和疾病發生中的作用。而免疫組學、暴露組學和表觀遺傳學聯合分析可實現對免疫系統、環境因素和表觀調控的全面分析，為理解疾病發生和發展的分子機制提供更深入的視角。

2020年比利時魯汶大學環境與健康中心牽頭制定了“EXIMIOUS”計劃［68］。“EXIMIOUS”計劃利用系統生物學和機器學習等綜合分析暴露組學、免疫組學和其他組學數據（表觀遺傳組學等）與個體疾病的關聯，探索從暴露組學到免疫組學再到疾病的整個過程，解析導致不同階段人群暴露相關免疫效應的因素，進而確定最關鍵的暴露類型以及承擔最高風險的個體/群體，以便在個體和群體層面采取正確的疾病預防措施。

6.2 免疫組學與AI結合 AI的應用能夠極大地推動免疫組學的研究。免疫組學數據獲取和分析通常是復雜且耗時的，包括大規模的基因表達數據、蛋白質組學數據以及細胞代謝數據等。AI技術可幫助處理和解讀這些大規模數據，提供更準確、高效的結果。如基于機器學習算法的分類模型可幫助識別免疫應答的關鍵因素和特征，從而更好地理解和預測免疫系統的功能和異常［75-77］。

另一方面，免疫組學和AI結合也可在疾病診斷和治療方面發揮重要作用。通過整合臨床數據、基因組數據、免疫組學數據和其他相關數據，AI可幫助建立更準確的疾病模型和風險評估模型，有助于早期發現和預測免疫相關疾病風險，為個體化治療方案提供指導［71-72，78-80］。

此外，免疫組學和AI結合還可以在流行病學研究和公共衛生領域發揮重要作用。通過整合大規模的流行病學數據和環境因素數據，AI可幫助揭示疾病傳播和發生規律，提供更精確的預測和干預策略。如結合免疫組學和AI的方法可幫助識別特定人群在疾病暴發時的易感性，從而采取針對性的預防和控制措施等［81-84］。

2023年7月，國際電信聯盟（International Telecommunications Union，ITU）在日內瓦召開了“AI for Good全球峰會”。HIP董事長JANE METCALFE和首席執行官HANS KEIRSTEAD在峰會上發表講話，詳細介紹了如何通過解碼和構建免疫系統的AI模型革新我們應對疾病的方式，并使每個人都能夠活得更長、更健康。峰會上指出，免疫系統是人體對抗疾病和改善健康的關鍵，但其復雜性限制了人類對免疫系統的充分利用，AI為人類提供了能夠處理數萬億數據的工具用以建立免疫組學模型。可以通過生成反映人類多樣性的免疫學基線和功能性數據集解析免疫系統在不同年齡、種族、性別、社會經濟階層和健康狀況下的變化，開發針對癌癥、阿爾茨海默病、心臟病和自身免疫病等疾病的特異性診斷和治療方法，并通過預防疾病和提高治療效果大幅減少全球醫療保健成本。

7 總結

免疫系統成員廣泛分布于機體內各器官組織，維持生理穩態或參與組織損傷。因其成員和功能的復雜性，單一的技術手段難以全面、深入地探究免疫系統在疾病中發揮的作用及機制。而免疫組學發展為全面、深入解析免疫系統識別受體與抗原的互作關系、免疫細胞和分子在疾病發生發展的作用機制等提供了可能。多組學與AI的深度融合將進一步推動免疫組學發展，加速新型疫苗研發和疾病精準治療，為全人類健康事業貢獻力量。