生物数据工具箱：从入门到精通的数据库攻略（六）| ImmPort资源库介绍

ImmPort对自身已有的研究项目按照不同研究方向和研究计划进行了整合分类，老师们可根据自己的研究目的选择合适的Program，精准筛选目标项目及其数据集（表1）。

表1 ImmPort Resources中各Program介绍

一个标准化的免疫细胞类型分类系统，旨在解决免疫学和单细胞研究中细胞类型命名混乱、定义模糊的问题，从而实现数据的规范化整合和跨研究比较。该模块提供了多种淋巴细胞的名称及功能描述，以网络图形式展现细胞类型间的分化与从属关系（图1）。

图1 Cell ontology网络图

一个基于文本挖掘的免疫细胞互作分析引擎，从海量文献提取和标准化免疫细胞与细胞因子间的相互作用关系。该模块目前处于关闭状态，但我们可以下载该模块过去已从文献中收集的互作关系列表文件。

从Reactome和GO两个数据库精选出免疫学相关基因列表，涉及免疫系统（Immune System）和免疫系统过程（Immune System Process）。老师们可重点关注这些基因集功能及其中基因表达模式。

一个专门收录细胞因子、趋化因子及其受体信息的列表。它通过汇集多种权威数据库中的相关条目，建立统一的命名规范和同义词映射系统。其核心价值在于解决不同数据库间的命名差异问题，实现基因和蛋白质标识符的精准转换，为免疫学与生物医学研究提供可靠的术语参照基础。

可识别目标免疫系统基因的调控因子。输入目标基因及对应的研究项目，即可查找在该研究中该基因的调控因子信息（图2）。

图2 ImmuneRegulation数据库主界面

ImmPort提供应用程序接口（API），用于查询和下载ImmPort数据库中的共享数据。

适应性免疫受体组库（AIRR）因其显著的胚系多样性和复杂的体细胞突变特征，为深入解析其生物学意义带来了巨大挑战，Immcantation框架为AIRR-Seq数据提供了一套端到端的分析生态系统。该框架是基于Python和R语言开发的工具包，完整覆盖了数据预处理、群体结构解析以及组库深度分析等全流程环节。

ImmPort提供一份教程，指导用户使用Keras和TensorFlow构建一个基于CyTOF数据的定制化深度学习模型。教程代码构建了一个深度卷积神经网络（CNN）模型，能够高精度诊断潜伏性CMV感染。此外，采用基于置换的方法对深度学习模型进行可解释性分析，发现CD3+CD8+CD27-CD94+细胞亚群对模型预测结果具有最重要的影响（图3）。

图3 Deep learning for Cytometry Data构建CNN模型的输出结果