CN114121162A - 一种关于免疫力评估的方法 - Google Patents
一种关于免疫力评估的方法 Download PDFInfo
- Publication number
- CN114121162A CN114121162A CN202111403687.XA CN202111403687A CN114121162A CN 114121162 A CN114121162 A CN 114121162A CN 202111403687 A CN202111403687 A CN 202111403687A CN 114121162 A CN114121162 A CN 114121162A
- Authority
- CN
- China
- Prior art keywords
- data
- immune
- lymphocytes
- age
- immunodetection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种关于免疫力评估的方法,首先采集不同年龄人群的外周血的免疫检测数据,提取年轻组和老年组数据,使用包含3个主成分的偏最小二乘分类分析模型来描述年轻人和老年人之间的免疫检测数据差异,利用构建的模型对每个个体的分类归属进行预测,即通过免疫检测数据作为特征计算分类指数也即免疫力指数,再基于训练集使用线性回归模型基于免疫力指数计算免疫年龄,构建得到免疫年龄测算模型,最后将待检个体的免疫检测数据代入模型计算得到该个体的免疫力指数和免疫年龄。本发明还提供了一种人体免疫年龄确定系统。本发明对亚健康状态干预、疾病诊断、发病机制研究、治疗方案制定以及治疗效果评估具有指导作用。
Description
技术领域
本发明涉及医学领域,具体地说,涉及一种关于免疫力评估的方法。
背景技术
免疫是指机体的一种生理性保护功能。它包括机体对异物(病原生物性或非病原生物性的)的识别、排除或消灭等一系列过程。人体免疫系统是由免疫器官、免疫细胞和免疫活性物质组成的。免疫系统的功能主要表现为三方面,即防御功能、稳定功能及免疫监视作用,这些功能一旦失调,即产生免疫病理反应,加大感染、自身免疫病、癌症、心脑血管及神经性疾病等疾病的患病风险。
年龄的增长往往伴随着免疫系统的减弱,导致患病风险增加。因此对免疫系统衰老程度的评估有助于了解个体的患病风险,指导个体健康方面的干预措施。
专利文献CN110957038A,公开日20200403,公开了一种免疫年龄确定系统、方法、装置及存储介质,该系统包括:包括存储器、处理器及存储在该存储器上并可在处理器上运行的计算机程序,处理器在执行计算机程序时实现以下步骤:接收受检者的时间年龄和至少三个预设免疫细胞亚群的预设指标数据;将所接收的时间年龄和预设指标数据输入免疫年龄模块以得到受检者的免疫年龄;其中,所述免疫年龄模块用于根据时间年龄与各个预设免疫细胞亚群的预设指标数据之间的对应关系确定每个细胞亚群的评价指标数据,以及基于所述每个细胞亚群的评价指标数据和免疫年龄模型确定受检者的免疫年龄。该专利解决了现有技术的免疫状态检测技术存在无法获得受检者免疫系统健康程度的问题。
专利文献CN113241177A,公开日20210810,公开了一种评估免疫力水平的方法、装置、设备及存储介质。所述方法包括如下步骤:(1)收集淋巴细胞样本的B细胞抗原受体可变区和/或T细胞抗原受体可变区的测序数据,并与公共数据库中的数据进行比对,计算D值;(2)根据所述D值的分布图区分健康样本和亚健康样本,并采用多重高斯分布拟合健康样本的D值,确定标准D值;(3)采用高斯分布函数拟合亚健康样本和疾病样本的D值,得到高斯分布函数A和高斯分布函数B;(4)根据标准D值、高斯分布函数A和高斯分布函数B评估未知样本的免疫力水平。
专利文献CN113433308A,公开日20210924,公开了一种基于离体血液样品的免疫力评估装置,其特征在于,其包括检测单元和数据分析单元;所述检测单元用于对离体血液样品中分离的淋巴细胞中单个淋巴细胞表面的特异性表面蛋白进行检测,根据不同特异性表面蛋白显示阳性或阴性的结果,检测并计算出各类细胞的数量和所占比例;所述淋巴细胞为经过细胞刺激的淋巴细胞;所述数据分析单元用于对检测单元的检测结果进行分析处理,所述分析处理包括将检测结果进行标准化评分,根据分值对应的细胞种类所表征的功能归为T细胞储备、固有免疫系统、NK细胞杀伤功能、T细胞平衡、T细胞活化和T细胞功能6大类;将各类中包含的指标项目的评分汇总,得到该类的分值;对受试者的所述六类的分值求和,用求和值与预设值进行比对,根据比对结果评估受试者的免疫力状况。
而目前未见如本申请所述的免疫力评估的方法和系统。
发明内容
本发明的目的是针对现有技术中的不足,提供一种非疾病诊断目的的人体免疫年龄确定方法。
本发明的再一的目的是,提供一种人体免疫年龄确定系统。
本发明的另一的目的是,提供一种人体免疫年龄所处阶段确定系统。
为实现上述第一个目的,本发明采取的技术方案是:
一种非疾病诊断目的的人体免疫年龄确定方法,包括:
S1,采集不同年龄人群的外周血的免疫检测数据,按实际年龄提取年轻组免疫检测数据和老年组免疫检测数据;其中,所述免疫检测数据包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平;;
S2,使用所述年轻组的年轻人的免疫检测数据和所述老年组的老年人免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1、a2和a3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为待检个体的免疫检测数据;
S5,基于免疫指数Ind,使用线性回归模型确定待检个体的免疫年龄y=a*Ind+b,其中a和b是基于训练集获得的线性相关模型系数。
作为本发明的一个优选例,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
作为本发明的另一优选例,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
作为本发明的另一优选例,进一步将待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。
为实现上述第二个目的,本发明采取的技术方案是:
一种人体免疫年龄确定系统,包括:
免疫检测数据采集模块:用于采集待检个体的免疫检测数据,所述免疫检测数据包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平;
免疫年龄计算模块:用于将所述免疫检测数据采集模块采集的待检个体的免疫检测数据代入免疫年龄测算模型:免疫年龄y=a*Ind+b,计算得到所述待检个体的免疫年龄,其中所述免疫年龄测算模型的构建方法为:
S1,采集不同年龄人群的外周血的免疫检测数据,按实际年龄提取年轻组免疫检测数据和老年组免疫检测数据;
S2,使用所述年轻组的年轻人的免疫检测数据和所述老年组的老年人免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1,a2和a3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为训练集中的个体的免疫检测数据;
S5,基于训练集中每个个体的免疫指数Ind和实际年龄,通过线性回归确定免疫年龄y=a*Ind+b公式中的线性相关模型系数a和b。
作为本发明的一个优选例,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
作为本发明的另一优选例,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
作为本发明的另一优选例,所述人体免疫年龄确定系统还包括免疫年龄阶段划分模块,用于将所述免疫年龄计算模块得到的待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。
作为本发明的另一优选例,所述免疫检测数据采集模块包括流式细胞仪。
为实现上述第三个目的,本发明采取的技术方案是:
一种人体免疫年龄所处阶段确定系统,包括:
数据采集模块:用于采集待检个体的免疫检测数据;
数据比对模块:用于将所述数据采集模块采集的待检个体的免疫检测数据,按照性别与表1-表4进行比对,确定待检个体的各个免疫检测数据落入<45周岁、45-65周岁和>65周岁的哪一个数据范围内;
结果输出模块:如待检个体的所有免疫检测数据都落入同一个免疫力生理年龄阶段的数据范围内,则输出待检个体的免疫年龄处于该免疫力生理年龄阶段的结果。
本发明优点在于:
1、本发明首先采集不同年龄人群的外周血的免疫检测数据,包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平,提取年轻组和老年组数据,使用包含3个主成分的偏最小二乘分类分析模型来描述年轻人和老年人之间的免疫细胞构成特征差异,利用构建的模型对每个个体的分类归属进行预测,即通过免疫细胞构成比例作为特征计算分类指数也即免疫力指数,再基于训练集使用线性回归模型基于免疫力指数计算免疫年龄,构建得到免疫年龄测算模型。按照此方法构建的免疫指数和免疫年龄模型科学合理,可实现免疫力的准确评估。
2、采用的免疫检测数据覆盖约20种免疫细胞类型,提高了模型的准确性。
3、本申请通过临床共2000例人群血液样本,建立了免疫指数和免疫年龄计算模型,并进一步将建立好的模型应用于2000例人群血液样本数据,根据线性回归计算模型得出,<45周岁的人群免疫力可以维持较稳定状态,46-65周岁人群免疫力出现线性下降情况,>65周岁人群免疫力又趋于一个稳定的状态,再将样本进行以上分组,对流式数据进行分组分析后,获得T淋巴细胞、B淋巴细胞、NK细胞以及细胞因子的检测参考范围。该检测参考范围体现了人体免疫水平在各年龄阶段的真实水平,为临床提供了科学的参照。此外,<45周岁、46-65周岁、>65周岁的免疫年龄分类方法符合人体免疫水平随年龄的真实变化规律,在计算得到待检个体的免疫年龄后,将其免疫年龄归入上述免疫年龄级别中的一个,有助于更直观地了解待检个体的免疫力状态。
附图说明
图1是B panel的分析流程。
图2是T panel的分析流程。
图3是细胞因子分析流程。
图4是免疫年龄计算模型的构建过程。
图5是模型应用于2000例数据的结果。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
实施例1
一、材料方法
1、收集临床样本
自2020年5月到2021年5月,我们从复旦大学金山医院收集样本共2000例人群血液样本。入组标准:①18至85岁;②排除患有肿瘤、感染以及免疫相关疾病的病人。
2、新鲜样本检测标志物样品的制备及检测
2.1检测细胞亚群样本制备
取新鲜抗凝全血于1.5毫升离心管,离心后分离出血清于低温冰箱保存。加入6倍细胞沉淀体积的红细胞裂解液,冰上裂解15min;裂解后用1×PBS清洗一次,1500rpm,5min,离心后获得细胞沉淀;向细胞沉淀中加入50μl抗体混合液(抗体:PBS=1:200),室温避光15min;染色后用1×PBS清洗一次,1500rpm,5min;离心获得细胞沉淀后加入500μl 1×PBS重悬细胞至流式上样管内。上机检测之前用300目至400目的滤网过滤,过滤后避光放置冰上等待检测。最后,用流式细胞仪分析检测细胞。
2.2检测细胞因子样本制备
预先准备标准品,混合以及重悬微球,取等量微球、血浆(或标准品)、荧光染料于同一1.5毫升离心管,混匀后室温避光孵育3h,孵育后加入500μl清洗液,300g离心5min,弃上清,加入400μl重悬液,避光放置冰上等待检测。
实验试剂列表:
3、具体检测内容
4、数据处理方法
获得数据后运用Flowjo V10分析软件、Excel以及Grphpad prism 8.0进行数据分析处理,采用t检验;以p<0.05为差异有统计学意义。
5、设计并构建计算模型
总体技术方案为:
1)使用流式技术采集不同年龄人群的外周血的关键免疫检测实验数据,包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平。
2)按实际年龄将所有受试者分为年轻组(<30),中年组(30-70)和老年组(>70)。
3)使用包含3个主成分的偏最小二乘分类分析模型来描述年轻组的年轻人(用0表示)和老年组的老年人(用1表示)之间的免疫检测数据的差异。
4)利用构建的模型来对每一个受试者的分类归属进行预测,即通过免疫检测数据作为特征计算分类指数。分类指数在0-1之间,0代表年轻人特征,1代表老年人特征。由于年轻人免疫力往往强于老年人,所以分类指数可以作为免疫力指数。
5)使用线性回归模型,基于免疫力指数计算免疫年龄。
计算过程具体如下:
步骤1.免疫检测数据(包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平)采集;
步骤2.使用年轻人和老年人的免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y。采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数。
步骤3.针对矩阵E1YT重复使用步骤2的方法计算更多的回归系数a2和a3,以及w2和w3。
步骤4.基于每一个受试者的免疫检测实验数据x和偏最小二乘回归系数a1,a2和a3,计算该受试者的免疫指数Ind=a1w1x+a2w2x+a3w3x。
步骤5.基于免疫指数,使用线性回归模型预测受试者的免疫年龄y=a*Ind+b,其中a和b是训练集中获得的线性相关模型系数。
6、结果
将建立好的模型应用于检测的2000例数据,根据线性回归计算模型得出,<45周岁的人群免疫力可以维持较稳定状态,46-65周岁人群免疫力出现线性下降情况,>65周岁人群免疫力又趋于一个稳定的状态(图5)。因此我们将样本进行以上年龄段分组,对流式数据进行分组分析后,获得T淋巴细胞、B淋巴细胞、NK细胞以及细胞因子的检测参考范围(表1-4)。
表1男性免疫细胞检测范围
表2女性免疫细胞检测范围
表3男性细胞因子检测范围
表4女性细胞因子检测范围
实施例2
本实施例提供一种非疾病诊断目的的人体免疫年龄确定方法,包括:
S1,采集不同年龄人群的外周血的免疫检测数据(包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平),按实际年龄提取年轻组免疫检测数据和老年组免疫检测数据;
S2,使用所述年轻组的年轻人的免疫检测数据和所述老年组的老年人免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1、a2和a3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为待检个体的免疫检测数据;
S5,基于免疫指数Ind,使用线性回归模型确定待检个体的免疫年龄y=a*Ind+b,其中a和b是基于训练集获得的线性相关模型系数。
在其中一个较优的方案中,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
在其中一个较优的方案中,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
在其中一个较优的方案中,进一步将待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。<45周岁免疫力生理年龄组表示免疫力维持较稳定状态,45-65免疫力生理年龄组表示免疫力线性下降状态,>65周岁免疫力生理年龄组表示免疫力维持较稳定状态。
实施例3
本实施例提供一种人体免疫年龄确定系统,包括:
免疫检测数据采集模块:用于采集待检个体的免疫检测数据;
免疫年龄计算模块:用于将所述免疫检测数据采集模块采集的待检个体的免疫检测数据代入免疫年龄测算模型:免疫年龄y=a*Ind+b,计算得到所述待检个体的免疫年龄,其中所述免疫年龄测算模型的构建方法为:
S1,采集不同年龄人群的外周血的免疫检测数据(包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平),按实际年龄提取年轻组免疫检测实验数据和老年组免疫检测数据;
S2,使用所述年轻组的年轻人的免疫检测数据和所述老年组的老年人免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1,a2和a3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为训练集中的个体的免疫检测数据;
S5,基于训练集中每个个体的免疫指数Ind和实际年龄,通过线性回归确定免疫年龄y=a*Ind+b公式中的线性相关模型系数a和b。
在其中一个较优的方案中,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
在其中一个较优的方案中,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
在其中一个较优的方案中,所述人体免疫年龄确定系统还包括免疫年龄阶段划分模块,用于将所述免疫年龄计算模块得到的待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。
在其中一个较优的方案中,所述免疫检测数据采集模块包括流式细胞仪。通过流式细胞仪检测得到免疫检测数据。
实施例4
本实施例提供一种人体免疫年龄所处阶段确定系统,包括:
数据采集模块:用于采集待检个体的免疫检测数据;
数据比对模块:用于将所述数据采集模块采集的待检个体的免疫检测数据,按照性别与表1-表4进行比对,确定待检个体的各个免疫检测数据落入<45周岁、45-65周岁和>65周岁的哪一个数据范围内;
结果输出模块:如待检个体的所有免疫检测数据都落入同一个免疫力生理年龄阶段的数据范围内,则输出待检个体的免疫年龄处于该免疫力生理年龄阶段的结果。
实施例5
使用本院血液科、肿瘤科的50名志愿者和20名其他人群(①18至85岁;②排除患有肿瘤、感染以及免疫相关疾病的病人)的数据对基于本申请实施例1的训练集和方法构建的免疫指数和免疫年龄计算模型进行了验证,结果显示患病志愿者的免疫年龄均大于其实际年龄,而其他人群的免疫年龄与其实际年龄阶段相符。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (10)
1.一种非疾病诊断目的的人体免疫年龄确定方法,其特征在于,包括:
S1,采集不同年龄人群的外周血的免疫检测数据,按实际年龄提取年轻组和老年组免疫检测数据;其中,所述免疫检测数据包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平;
S2,使用所述年轻组的年轻人和所述老年组的老年人的免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1、a2和a3是根据步骤S1所述的年轻组和老年组的免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为待检个体的免疫检测数据;
S5,基于免疫指数Ind,使用线性回归模型确定待检个体的免疫年龄y=a*Ind+b,其中a和b是基于训练集获得的线性相关模型系数。
2.根据权利要求1所述的非疾病诊断目的的人体免疫年龄确定方法,其特征在于,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
3.根据权利要求1所述的非疾病诊断目的的人体免疫年龄确定方法,其特征在于,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
4.根据权利要求1所述的非疾病诊断目的的人体免疫年龄确定方法,其特征在于,进一步将待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。
5.一种人体免疫年龄确定系统,其特征在于,包括:
免疫检测数据采集模块:用于采集待检个体的免疫检测数据,所述免疫检测数据包括免疫细胞比例数据、免疫细胞结合抗体的平均荧光强度以及细胞因子分泌水平;
免疫年龄计算模块:用于将所述免疫检测数据采集模块采集的待检个体的免疫检测数据代入免疫年龄测算模型:免疫年龄y=a*Ind+b,计算得到所述待检个体的免疫年龄,其中所述免疫年龄测算模型的构建方法为:
S1,采集不同年龄人群的外周血的免疫检测数据,按实际年龄提取年轻组免疫检测数据和老年组免疫检测数据;
S2,使用所述年轻组的年轻人的免疫检测数据和所述老年组的老年人免疫检测数据构建自变量矩阵X,并使用0代表年轻人,1代表老年人构建因变量矩阵Y;采用拉格朗日算法,求矩阵XYT的最大特征值所对应的特征向量w1,求得成分t1=w1 TX,计算成分得分量t1=Xw1,和残差矩阵E1=X-t1a1 T,其中a1=Xt1/||t1||为回归系数;
S3,针对矩阵E1YT,重复使用步骤S2的方法计算更多的回归系数a2和a3,以及w2和w3;
S4,根据免疫指数测算模型计算免疫指数,所述免疫指数测算模型为:免疫指数Ind=a1w1x+a2w2x+a3w3x,其中a1,a2和a3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的偏最小二乘回归系数,w1、w2和w3是根据步骤S1所述的年轻组免疫检测数据和老年组免疫检测数据经步骤S2和S3计算得到的特征向量,x为训练集中的个体的免疫检测数据;
S5,基于训练集中每个个体的免疫指数Ind和实际年龄,通过线性回归确定免疫年龄y=a*Ind+b公式中的线性相关模型系数a和b。
6.根据权利要求5所述的人体免疫年龄确定系统,其特征在于,所述免疫细胞比例数据包括:总T淋巴细胞(CD3+CD19-)、总B淋巴细胞(CD3-CD19+)、辅助/诱导性T淋巴细胞(CD3+CD4+)、调节性T淋巴细胞(CD3+CD4+CD25+CD127low+)、记忆调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO+)、幼稚调节性T淋巴细胞(CD3+CD4+CD25+CD127low+CD45RO-)、活化调节性T淋巴细胞(CD3+CD4+CD25+CD127low+HLA-DR+)、自然杀伤细胞(CD3-CD19-CD56+)、抑制/细胞毒性T淋巴细胞(CD3+CD8+)、幼稚辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA+)、中央记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197+CD45RA-)、效应辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA+)、效应记忆辅助/诱导性T淋巴细胞(CD3+CD4+CD197-CD45RA-)、幼稚抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197+CD45RA+)、中央记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197+CD45RA-)、效应抑制/细胞毒性T淋巴细胞(CD3+CD8+CD197-CD45RA+)、效应记忆抑制/细胞毒性T淋巴细(CD3+CD8+CD197-CD45RA-)、Th1细胞(CD3+CD4+CD183+CD196-)、Th17细胞(CD3+CD4+CD183-CD196+)和Th2细胞(CD3+CD4+CD183-CD196-)的比例数据;细胞因子包括IL-2、IL-4、IL-6、IL-10、IL-17A、IFN-γ、TNF。
7.根据权利要求5所述的人体免疫年龄确定系统,其特征在于,所述年轻组免疫检测数据是年龄<30岁的免疫检测数据,所述老年组免疫检测数据是年龄>70岁的免疫检测数据。
8.根据权利要求5所述的人体免疫年龄确定系统,其特征在于,所述人体免疫年龄确定系统还包括免疫年龄阶段划分模块,用于将所述免疫年龄计算模块得到的待检个体的免疫年龄划分到以下三组中的一组:<45周岁免疫力生理年龄组、45-65免疫力生理年龄组和>65周岁免疫力生理年龄组。
9.根据权利要求5所述的人体免疫年龄确定系统,其特征在于,所述免疫检测数据采集模块包括流式细胞仪。
10.一种人体免疫年龄所处阶段确定系统,其特征在于,包括:
数据采集模块:用于采集待检个体的免疫检测数据;
数据比对模块:用于将所述数据采集模块采集的待检个体的免疫检测数据,按照性别与表1-表4进行比对,确定待检个体的各个免疫检测数据落入<45周岁、45-65周岁和>65周岁的哪一个数据范围内;
结果输出模块:如待检个体的所有免疫检测数据都落入同一个免疫力生理年龄阶段的数据范围内,则输出待检个体的免疫年龄处于该免疫力生理年龄阶段的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403687.XA CN114121162A (zh) | 2021-11-24 | 2021-11-24 | 一种关于免疫力评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403687.XA CN114121162A (zh) | 2021-11-24 | 2021-11-24 | 一种关于免疫力评估的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114121162A true CN114121162A (zh) | 2022-03-01 |
Family
ID=80372008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111403687.XA Pending CN114121162A (zh) | 2021-11-24 | 2021-11-24 | 一种关于免疫力评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114121162A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184614A (zh) * | 2022-06-14 | 2022-10-14 | 北京大学 | 免疫效度或临床相对免疫效度在评价受试者的疫苗应答强度中的应用 |
-
2021
- 2021-11-24 CN CN202111403687.XA patent/CN114121162A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184614A (zh) * | 2022-06-14 | 2022-10-14 | 北京大学 | 免疫效度或临床相对免疫效度在评价受试者的疫苗应答强度中的应用 |
CN115184614B (zh) * | 2022-06-14 | 2023-11-03 | 北京大学 | 免疫效度或临床相对免疫效度在评价受试者的疫苗应答强度中的应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duffy et al. | Standardized whole blood stimulation improves immunomonitoring of induced immune responses in multi-center study | |
Silva et al. | A whole blood assay as a simple, broad assessment of cytokines and chemokines to evaluate human immune responses to Mycobacterium tuberculosis antigens | |
CN112331344B (zh) | 免疫状态评估方法及应用 | |
Hanevik et al. | Giardia-specific cellular immune responses in post-giardiasis chronic fatigue syndrome | |
US9891213B2 (en) | Granulocyte-based methods for detecting and monitoring immune system disorders | |
CN113125718A (zh) | 一种用于监测人体免疫状态的45抗体试剂盒及应用 | |
CN115524490A (zh) | Hla-dr+cd14+cd56+单核细胞在aa或hlh中诊断的应用 | |
Long et al. | Increased circulating PD-1hiCXCR5-peripheral helper T cells are associated with disease severity of active ulcerative colitis patients | |
CN114121162A (zh) | 一种关于免疫力评估的方法 | |
Udomkarnjananun et al. | Donor-specific ELISPOT assay for predicting acute rejection and allograft function after kidney transplantation: a systematic review and meta-analysis | |
Waller et al. | Single-cell phenotypes of peripheral blood immune cells in early and late stages of non-alcoholic fatty liver disease | |
Verde et al. | Comparison of circulating CD4+, CD8+ lymphocytes and cytokine profiles between dogs with atopic dermatitis and healthy dogs | |
CN113125755A (zh) | 一种用于监测人体免疫状态的9抗体试剂盒及应用 | |
CN113125754A (zh) | 一种用于监测人体免疫状态的23抗体试剂盒及应用 | |
CN113125733A (zh) | 一种用于监测人体免疫状态的42抗体试剂盒及应用 | |
Stelmaszczyk-Emmel et al. | Th1, Th2, Th17, and regulatory cytokines in children with different clinical forms of allergy | |
RU2523418C1 (ru) | Способ оценки нарушений клеточного иммунитета при воздействии фенола | |
EP4160183A1 (en) | Multi-purpose automated blood cell counting device | |
CN113109575A (zh) | 一种用于监测人体免疫状态的40抗体试剂盒及应用 | |
RU2289138C2 (ru) | Способ аллергодиагностики по показателям хемилюминесцентного свечения нейтрофилов | |
RU2807381C1 (ru) | Способ дифференциальной диагностики фенотипов бронхиальной астмы | |
RU2735738C1 (ru) | Способ ранней диагностики ревматоидного артрита | |
KR102576596B1 (ko) | 면역 노화 평가를 위한 정보의 제공 방법 및 시스템 | |
Mahjar et al. | Determination the Relationship of Interleukin IL-17 to Peanut Allergy in Basrah Governorate | |
RU2720411C1 (ru) | Способ определения значимости различий результатов измерения субпопуляции лимфоцитов методом проточной цитофлюориметрии |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |