对ICU和非ICU COVID-19患者人类冠状病毒抗体反应的综合分析揭示针对SARS-CoV-2刺突蛋白的IgG3作为疾病严重程度的关键生物标志物

Comprehensive analysis of human coronavirus antibody responses in ICU and non-ICU COVID-19 patients reveals IgG3 against SARS-CoV-2 spike protein as a key biomarker of disease severity.

作者信息Fatma H Ali, Giusy Gentilcore, Hadeel T Al-Jighefee, Sara Ahmad Taleb, Ali Ait Hssain, Hamda A Qotba, Asmaa A Al Thani, Laith J Abu Raddad, Gheyath K Nasrallah, Jean-Charles Grivel, Hadi M Yassine
PMID40359129
发布时间2025-05
DOI10.1099/jmm.0.002012

实验完整度

包含患者血清样本的抗体检测、亚类分析、交叉反应评估及机器学习建模,多个证据层级且包含功能验证。

主要模型

ICU COVID-19患者血清样本 非ICU COVID-19患者血清样本 大流行前健康供者血清样本(对照组)

重点核对

患者分组:ICU(n=70)和非ICU(n=63) 样本采集时间:感染后1–2周(ICU) 检测抗体类型:总IgG、IgM、IgA及亚类IgG1、IgG2、IgG3、IgA1、IgA2 抗原:SARS-CoV-2的S三聚体、S1、RBD、E和N蛋白,以及季节性HCoV S1蛋白 机器学习模型:随机森林和梯度提升机,使用41–89个变量

摘要

引言。对人类冠状病毒(HCoVs)的预先存在免疫可能塑造COVID-19患者的免疫反应。越来越多的证据表明,SARS-CoV-2与其他冠状病毒之间的免疫交叉反应可能决定临床预后。假设。SARS-CoV-2疾病严重程度受对HCoVs的预先存在免疫影响,具有不同的抗体谱和交叉反应模式。目的。研究ICU和非ICU SARS-CoV-2患者针对不同HCoV蛋白的抗体反应,并评估预先存在免疫对SARS-CoV-2疾病结局的潜在影响。方法。本研究使用全面的HCoVs抗原微球阵列测量了70名ICU和63名非ICU COVID-19患者对致病性中东呼吸综合征冠状病毒(MERS-CoV)、SARS-CoV、SARS-CoV-2和四种季节性HCoVs的抗体反应。结果。我们的分析表明,ICU患者的抗体反应总体上高于非ICU COVID-19患者。有趣的是,抗S1 IgG和IgA在ICU患者中显著高于非ICU患者。同样,针对NL63的抗S1 IgG在ICU患者中显示出较低的反应。SARS-CoV-2与SARS-CoV抗体之间存在明显的交叉反应,但与MERS-CoV和季节性HCoVs无交叉反应。识别SARS-CoV-2的抗体的亚类分析显示,抗S1 IgG1、IgG3、IgA1和IgA2在ICU患者中显著高于非ICU患者。SARS-CoV-2患者中主要的IgA亚型是IgA1。我们应用机器学习算法对亚类血清学反应进行分类,以构建区分ICU患者和病情较轻的COVID-19患者的分类器。在两种不同类型模型中使用的90个变量中,决定ICU状态影响最大的变量是针对SARS-CoV-2 S的IgG3,排名前8的影响变量包括针对S三聚体的IgG3以及针对SARS-CoV-2 S的IgA。结论。了解不同患者体液免疫的复杂性对于早期医疗干预、疾病管理、选择性疫苗接种和被动免疫治疗至关重要。

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
ICU和非ICU COVID-19患者针对不同HCoV蛋白的抗体反应有何差异,预先存在的HCoV免疫是否影响SARS-CoV-2感染结局?
核心机制
针对SARS-CoV-2刺突蛋白的IgG3在ICU患者中显著升高,且机器学习模型确定其为区分ICU状态的最重要变量,提示IgG3可能参与COVID-19疾病严重程度的病理机制。
主要证据
通过抗原微球阵列测量133名患者(70 ICU,63非ICU)的抗体反应,发现ICU患者针对SARS-CoV-2 S1的IgG3显著高于非ICU,且随机森林和梯度提升机模型均显示IgG3是最重要的预测变量。
研究意义
作者提出抗S IgG3可作为COVID-19疾病严重程度的生物标志物,有助于早期医疗干预、疾病管理、疫苗接种和被动免疫治疗。

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。

1

样本收集

获取ICU和非ICU COVID-19患者及对照血清,用于抗体反应分析

从RT-PCR确诊的SARS-CoV-2患者中收集133份血清,包括ICU(n=70)和非ICU(n=63),另收集22份大流行前健康供者血清作为阴性对照。

2

抗原微球阵列构建

建立可同时检测多种抗体反应的实验体系

使用11种不同荧光强度的羧基化微球,分别偶联SARS-CoV-2的S三聚体、S1、RBD、E和N蛋白,以及HCoV-229E、HKU1、NL63、OC43和MERS的S1蛋白,形成11重抗原阵列。

3

血清学检测

测量患者血清中针对各抗原的抗体水平及亚类

将稀释的血清与微球阵列孵育,使用标记的二抗检测总IgG、IgM、IgA及亚类IgG1、IgG2、IgG3、IgA1、IgA2,通过流式细胞仪获取荧光强度并计算反应指数(RI)。

4

数据分析与统计

比较ICU和非ICU患者抗体反应差异,并构建分类模型识别疾病严重程度标志物

使用未配对t检验(Holm-Šidák校正)比较两组间RI差异;使用随机森林和梯度提升机模型基于抗体反应变量对患者进行分类,并评估变量重要性。

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

实验环节名称品牌货号
Spherotech羧基化微球Spherotech--
SARS-CoV-2 S1蛋白(His标签)AcroBiosystemsS1N-C52H4
SARS-CoV-2 RBD蛋白(His标签)AcroBiosystemsSPD-C52H3
SARS-CoV-2刺突三聚体(His标签)AcroBiosystemsSPD-C52H3
SARS-CoV-2包膜蛋白(His标签)ThermoFisherRP-87682
SARS-CoV-2核蛋白(His标签)AcroBiosystemsNUN-C5227
HCoV-229E S1蛋白(His标签)AcroBiosystemsSIN-V52H4
HCoV-HKU1 S1蛋白(His标签)AcroBiosystemsSIN-V52H6
HCoV-NL63 S1蛋白(His标签)AcroBiosystemsSIN-V52H3
HCoV-OC43 S1蛋白(His标签)Sino Biological40607-V08H1
Zeba脱盐柱Pierce--
硫代-NHSPierce24520
EDCPierce77149
His标签特异性PE标记单克隆抗体BioLegend362603
Multiscreen HV过滤板MilliporeMSHVN4510
AlexaFluor 488标记的山羊抗人IgGSouthernBiotech2040-30
PE标记的山羊抗人IgAJackson ImmunoResearch109-115-011
AlexaFluor 647标记的山羊抗人IgMSouthernBiotech2020-31
AlexaFluor 488标记的小鼠抗IgG1(克隆4E3)SouthernBiotech9052-30
PE标记的小鼠抗IgG3(克隆HP605)SouthernBiotech9210-09
小鼠抗IgG2(克隆HP602)SouthernBiotech9710-31
PE标记的小鼠抗IgA1(克隆B3506B4)SouthernBiotech9130-30
APC标记的小鼠抗IgA2(克隆A96042)SouthernBiotech9140-31

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
样本收集
患者分组(ICU vs 非ICU)、样本量、采样时间、对照组来源
阅读提示:Methods - Sample collection
抗原微球阵列构建
微球类型、偶联蛋白及浓度、偶联步骤、缓冲液
阅读提示:Methods - Building of bead array
血清学检测
血清稀释度、微球数量、孵育条件、检测抗体及浓度
阅读提示:Methods - Serological assay
数据分析
RI计算方法、统计检验方法、机器学习模型参数
阅读提示:Methods - Data acquisition and analysis, Statistical analysis, Machine learning