这种复杂的相互连接的细胞信号网络是对人体变化做出反应而产生的，它提供了大量有趣和有价值的信息，可以为开发更有效的医疗方法提供信息。在外周免疫细胞中，这些信号可以用多种工具观察和量化，包括细胞分析技术。

单细胞分析技术，如多色流和质量细胞术在过去几年里有了很大的改进，现在理论上可以用来获得有许多症状的患者的详细免疫状况。尽管如此，过去研究的样本量有限，以及迄今为止收集到的患者数据的高维性，增加了假阳性发现的机会，进而导致不可靠的免疫状况。

对更多的患者群体进行研究可以提高这些细胞分析技术的有效性，使医学研究人员能够更好地了解与医疗条件相关的模式。然而，从许多病人那里收集数据既昂贵又耗时。

斯坦福大学医学院的研究人员最近开发出了免疫弹性网（iEN），这是一种基于机器免疫学知识预测细胞反应的机器学习模型。在《自然机器智能》（Nature Machine Intelligence）上发表的一篇论文中，他们证明，将这些免疫学知识纳入他们模型的预测过程中，可以提高其对小型和大型患者数据集的预测能力。

“我们的方法允许我们利用以前的研究来提高我们模型的准确性，而不需要额外的病人，”领导这项研究的研究人员之一尼玛·阿格海埃普尔（Nima Aghaeepour）说，“我们方法的一个主要优点是它不限制模型的数据驱动性质。在收集到的数据与先验知识不一致的情况下，我们的算法可以降低先验知识的重要性，而将重点放在原始数据上。”

在医学研究人员必须考虑大量维度的情况下，对于各种特征做出预测同样有价值。因此，由Aghaeepour和他的同事开发的机器学习算法没有丢弃与先前免疫数据不一致的变量，而是选择所有它发现具有很强预测价值和相关性的免疫特征。

到目前为止，研究人员已经在三个独立的研究中评估了他们的机器学习算法的性能。在所有这些研究中，他们发现他们的模型可以根据模拟数据和从患者血液中产生的质量细胞仪数据来预测临床相关结果。

“在我们的论文中，我们包括了两个真实的临床实例，其中iEN管道提高了我们对妊娠和牙周疾病建模的准确性，”Aghaeepour说我们还有其他几个激动人心的用例，我们迫不及待地想看到它们的发布，包括老年痴呆症和帕金森氏症通过手术恢复过来。”

将来，阿盖普和他的同事们开发的机器学习平台可以帮助研究许多疾病、医疗条件和神经系统疾病。研究人员使用的数据和iEN算法可以在网上获得，因此他们很快就可以被世界各地的其他研究团队访问和使用。

“我们现在也在努力开发适用于其他类型生物数据集的算法版本，”Aghaeepour说这方面的一个主要例子是多组学研究，其中多种组学技术同时用于免疫系统的分析。我们相信这些数据集为将先验知识编码到机器学习算法中提供了独特的机会。”

参考文献：Integration of mechanistic immunological knowledge into a machine learning pipeline improves predictions. Nature Machine Intelligence（2020）。 DOI: 10.1038/s42256-020-00232-8。