匹兹堡大学：虚拟免疫学
摘要
本文探讨了图机器学习如何引领新一代系统免疫学的研究发现。免疫系统具有多尺度复杂性，十分适配图模型的应用场景；该类模型可整合各类异质高分辨率数据集，同时保障生物学结果的可解释性。图机器学习能够独特地模拟局部扰动如何跨生物尺度逐级引发系统性紊乱。将图机器学习与知识图谱、大语言模型的前沿技术相结合，可助力构建虚拟细胞、验证治疗策略，并加速转化医学研究进程。
jishnu@pitt.edu
#图机器学习 #系统免疫学 #虚拟免疫学 #免疫网络 #知识图谱 #生物先验知识 #可解释人工智能 #扰动分析 #虚拟细胞
引言
框1 建模分析生物体系的构建框架
系统免疫学中「体系」的定义
系统免疫学将免疫系统视作具备灵活性的分析体系，并可划定专属研究边界。若要深入解析免疫学机制，模型需具备场景适配性、灵活性、多尺度特征与多模态特性。通过整合不同尺度信息构建高阶图模型，该体系可捕捉非线性涌现现象，同时兼顾生物学简约性与计算可行性。此方法突破传统孤立的还原论研究思路，构建具备机制可解释性的模型，打通局部扰动与机体整体应答之间的关联。
何为系统免疫学中的「体系」？
体系由各类生物实体构成，包括基因、蛋白质、细胞、组织、器官乃至完整生命体，可依据不同研究目标灵活划定分析边界。借助层级化研究视角，能够解析免疫相关涌现现象，所得结果兼具机制可解释性与实验可验证性。
体系边界与免疫学还原论的局限性
划定体系边界是系统免疫学的关键环节。研究范围既要足以捕捉全身性炎症、免疫耐受等涌现现象，又需保证计算可实现。层级结构使从基因到器官的各生物尺度，均能为整体免疫应答提供有效信息。
还原论研究成果虽有价值，但单独使用存在局限。若要解析复杂免疫表型，必须将各尺度特征融入多尺度图模型。因此，系统性建模可阐释慢性炎症等复杂免疫行为，这类行为由局部细胞因子动态变化与全身器官反馈共同作用引发。综上，数据与信息的整合而非孤立分析，才能赋予模型完善的机制解析与预测能力。
有效体系的构建原则
具备科学价值的分析体系需遵循４项原则：
场景适配：明确界定体系所处环境中的生物实体及相互作用；
范围灵活：根据研究目标划定分析边界，兼顾研究深度与计算可行性；
多尺度：衔接小分子、蛋白质、细胞、组织、器官及生命体等不同层级的作用机制；
多模态：整合组学、影像、文本等各类数据，形成统一模型，并弥补数据模态缺失问题。
简约化体系的构建原则
实用的模型需在信息完整性与可解释性之间取得平衡，仅纳入与研究问题直接相关的组分。模型冗余会引入噪声、掩盖作用机制，过度简化则会遗漏关键免疫过程。
体系边界与互作规则必须清晰明确，模型需遵循生物学原理。若规则设定脱离实际，模型便无法反映生物规律。所有模型都应保证计算可行。优质模型优先考量生物学关联性、规则清晰度与计算效率，而非采用穷尽式暴力模拟。
融合生物先验的混合计算范式——结合生物先验知识的图机器学习
图1图机器学习的应用价值
本图展示图机器学习如何推动下一代免疫学研究。依次阐释4大核心维度：
1. 尺度层面：图机器学习适配各层级生物系统；
2. 可解释性：强调模型可解释性的必要性；
3. 数据整合：依托图机器学习实现多尺度数据融合；
4. 虚拟免疫学：为虚拟免疫学研究开辟新方向。
图机器学习可成为驱动免疫学领域新一轮创新的核心工具。
图机器学习解析可解释扰动效应：从局部事件到系统性紊乱
框2 可解释机器学习的建模框架与技术进展
计算免疫学借助图神经网络与变换器模型解析复杂细胞互作与多组学数据。检索增强生成、稀疏自编码器等前沿可解释性技术，结合现有文献验证模型结果。上述工具打破黑箱建模模式，透明呈现免疫系统动态变化，结论均有实验依据支撑。
核心建模框架
为解析复杂的免疫互作网络，主流建模方法已不再局限于基础统计分析：
图模型：将免疫系统以节点和边表示，细胞、细胞因子、病原体等实体通过信号传导、抗原呈递等作用建立关联，揭示疫苗应答、炎症反应等过程背后的网络结构。
图神经网络：融合节点特征与网络拓扑结构，识别关键调控因子与作用瓶颈，助力挖掘转录调控靶点与潜在治疗靶点。
异构图神经网络：针对不同类型生物实体设置差异化作用规则，可真实模拟肿瘤等复杂微环境中免疫细胞、基质细胞与癌细胞的多样互作模式。
知识图谱：将已验证的生物互作关系整理为结构化网络，保障模型推理符合免疫学规律，实现场景化分析。
Transformer：依靠注意力机制捕捉长距离、场景依赖性互作，无需预设作用关系，灵活模拟抗原-受体配对等免疫过程。
大语言模型：整合科研文献与生物数据库，用于假说构建、知识梳理及免疫动态解析。
智能体人工智能：实现自主多步推理，适用于治疗方案设计，可依次评估靶点、风险与干预手段，并根据预测结果优化策略。
基础模型：基于海量生物数据预训练，习得通用免疫规律，可经微调后应用于变异效应预测、抗体结构推导、细胞分型等下游任务。
可解释性技术进展
随着模型复杂度提升，可解释性成为技术落地与结果可信的核心。现有技术针对性解决黑箱问题：
检索增强生成：模型运行时检索文献与数据库获取最新证据，而非仅依赖预训练知识，使预测结论可对应实验数据与已发表研究。
稀疏自编码器：对显微影像、多组学等高维数据进行降维，提取具有实际意义的特征，快速识别并解读关键细胞表型。
电路追踪：追溯模型从输入到输出的完整转化路径，解析细胞因子、基因突变等特征对预测结果的因果作用，区分真实生物信号与虚假关联。
图检索增强生成：依托生物知识图谱开展信息检索，按照基因、蛋白、通路、表型间的已知关系筛选内容，匹配特定细胞类型、组织或疾病场景。
面向查询摘要：根据研究需求定制信息检索与内容整合，优先提取与目标生物场景、实验条件高度相关的信息。
可视性图：将免疫时序数据转化为网络结构，呈现常规分析难以发现的时间规律，识别免疫动态过程中的关键节点、周期性变化与时序依赖关系。
迈向虚拟细胞与虚拟生物学
图2基于层级知识图谱的多尺度免疫功能模拟框架
图机器学习是解析免疫系统多尺度变化的重要工具。生物网络中的信息可逐层传递：
A层为基于基因调控网络构建的细胞类型/细胞状态特异性互作网络，
B层为蛋白质互作网络；
A'、B'分别为对应的知识图谱。不同网络层的节点相互连通，实现跨层信息流转，是模拟和解析扰动在各层级产生影响的核心部分。
详细总结
思维导图（mindmap脑图）
参考
Cell Syst. 2026 Jun 5:101618. doi: 10.1016/j.cels.2026.101618.
Immune BioGraphy: A tale of graphical approaches in systems and virtual immunology
注：AI辅助创作，如有不当欢迎指出。内容仅供参考，不构成任何建议。