数据收集与预处理
整合多个单细胞PBMC数据集，并统一处理以构建训练和测试队列。
收集AIDA、OneK1K、siAge、SC2018、HCA、Sound Life和CIMA共七个公开单细胞RNA测序数据集，并进行供体水平元数据标准化。对单细胞数据进行基因选择（5012个基因）、z-score归一化，并对超过M=1000细胞的供体进行随机下采样。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
IDEAL-Age：用于单细胞分辨率免疫衰老分析的可解释深度学习框架
IDEAL-Age: an interpretable deep learning framework for single-cell resolution profiling of immunological aging
实验完整度
中主要基于多队列单细胞转录组数据训练与验证模型，包含基准测试、消融实验、基因贡献轨迹分析和SLE样本验证，但缺少湿实验功能验证。
主要模型
人类PBMC单细胞转录组数据队列（AIDA、OneK1K、HCA、Sound Life、CIMA、siAge、SC2018） SLE患者PBMC队列（156例SLE患者和99例健康对照）
重点核对
模型训练与测试集划分：80%健康供体用于训练（500例AIDA、784例OneK1K），其余20%作为内部测试集，另有3个外部测试集 特征选择：使用5012个基因面板，包含细胞类型标志基因、互信息筛选的年龄相关基因及已知衰老相关基因集 单细胞预处理：每个供体最大细胞数为1000，进行z-score归一化 多任务损失函数权重：λ_cls=0.5，λ_cons=0.1 SLE队列：比较156例SLE患者与99例健康对照的预测年龄残差
摘要
免疫衰老会增加感染易感性并降低疫苗反应性，然而批量转录组时钟掩盖了该过程背后的细胞异质性。在此，我们提出了IDEAL-Age，一个直接作用于单细胞PBMC转录组的可解释深度学习框架。在独立队列中对35种方法的基准测试显示其具有优越的预测性能。该框架的可解释性揭示了线性和非线性的基因贡献轨迹，这些轨迹揭示了阶段特异性的生理转变，并识别出与青年相关或与衰老相关的细胞角色。应用于系统性红斑狼疮揭示了由干扰素相关单核细胞转变驱动的免疫衰老加速。IDEAL-Age建立了一个高分辨率的计算框架，用于解析系统性免疫衰老。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用单细胞转录组数据构建可解释的免疫衰老时钟，以解析免疫衰老的细胞和分子异质性？
- 核心机制
- 免疫衰老涉及适应性免疫衰退和先天免疫炎症增强的阶段性转变，并通过干扰素相关单核细胞转变在SLE中加速。
- 主要证据
- 在多个独立PBMC队列中，IDEAL-Age预测年龄与实足年龄的PCC达0.819-0.95，MAE在6.91-7.81年之间；基因贡献轨迹分析揭示线性与非线性趋势，非单调轨迹与已知蛋白组衰老波峰一致；细胞层面分析鉴定出衰老相关和青年相关的细胞亚群。
- 研究意义
- IDEAL-Age为免疫衰老的精确量化和机制解析提供了高分辨率计算框架，并可能应用于研究与免疫衰老相关的疾病，如SLE，但需进一步临床验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型构建与训练
开发并训练一个可解释的深度学习框架，用于预测供体水平的免疫年龄。
构建DeepSets-Attention模型，包含细胞编码器、多头注意力池化和供体预测头。结合多任务损失（回归、分类和一致性）进行训练。使用AutoGluon集成框架，整合DeepSets-Attention模型与伪批量基线的模型。
模型性能评估
评估模型在内部和外部测试集上的预测准确性和泛化能力。
在训练集、内部测试集（AIDA和OneK1K的20%数据）和外部测试集（HCA、Sound Life、CIMA）上计算预测年龄与实足年龄的Pearson相关系数和平均绝对误差。与35种现有衰老标志物、基因集、评分方法和衰老时钟进行比较。
模型消融实验
验证模型架构、特征选择和损失函数各组成部分对预测性能的贡献。
比较伪批量模型、DeepSets-Attention模型和集成模型的性能；比较使用5012基因面板与全局基因集的性能；比较仅回归损失、回归+分类损失和完整多任务损失的性能。
基因贡献分析
利用模型可解释性鉴定与年龄相关的关键基因及其非线性贡献轨迹。
使用集成梯度方法计算每个基因对每个供体预测年龄的贡献。对基因贡献进行功能富集分析，并基于贡献轨迹模式将其分类为年龄上调、年龄下调、倒U型、U型和复杂。使用k-means聚类定义非单调轨迹的亚组，并鉴定拐点年龄。
细胞贡献分析
鉴定在免疫年龄预测中高贡献的细胞亚群及其内部异质性。
基于注意力权重和其他方法计算每个细胞的贡献分数。将细胞映射到统一UMAP嵌入，比较不同年龄组和衰老表型（加速、正常、减缓）中细胞亚群的比例和富集。对高贡献和低贡献细胞进行DEG分析和功能富集。
SLE队列应用
评估IDEAL-Age在系统性红斑狼疮患者中的表现，并解析其加速免疫衰老的细胞机制。
将IDEAL-Age应用于156例SLE患者和99例健康对照的PBMC单细胞转录组。计算预测年龄残差以评估衰老加速。分析细胞贡献，特别关注髓系细胞。对单核细胞进行亚型分析（CD14+ cMo-1至cMo-4, CD16+ ncMo-1和ncMo-2, cDCs, pDCs），并进行伪时间轨迹分析（Monocle2）。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据预处理 | 数据集版本和可用性；细胞类型注释方法；基因面板选择标准；下采样至1000细胞的操作 阅读提示：Methods: Data collection, Feature selection, Data preprocessing |
| 模型训练 | 超参数设置：学习率、批量大小、epoch数、隐藏维度、注意力头数、损失权重；训练集与测试集的划分比例 阅读提示：Methods: Model architecture, Ensemble training strategy, Hyperparameter configuration |
| 模型评估 | 内部测试集和外部测试集的样本量及年龄范围；使用的性能指标（PCC、MAE） 阅读提示：Results: IDEAL-Age robustly predicts..., Methods: Evaluation framework |
| SLE分析 | SLE队列样本量（156例患者和99例对照）；单核细胞亚群定义（CD14+ cMo-1至cMo-4, CD16+ ncMo-1/2）；轨迹分析参数 阅读提示：Methods: Analysis of the SLE cohort, Results: Application of the IDEAL-Age model to systemic lupus erythematosus cohort |