队列建立与基线样本采集
建立前瞻性社区队列并获取基线临床与免疫数据，为后续模型构建提供数据基础。
2024年5月至2025年2月在无锡和南通招募1,186名参与者，通过结构化问卷收集人口学和临床数据，同时采集静脉血和鼻腔黏膜样本进行免疫分析。
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
整合黏膜免疫与细胞免疫的可解释机器学习模型预测SARS-CoV-2再感染：一项多中心队列研究
An interpretable machine learning model integrating mucosal and cellular immunity to predict SARS-CoV-2 reinfection: a multicenter cohort study
实验完整度
中两个前瞻性队列，检测黏膜sIgA、血清IgG及多种T/B细胞亚群，构建并外部验证XGB预测模型，含SHAP解释和DCA。
主要模型
无锡社区队列（n=570，训练集400/内部验证集170） 南通社区队列（n=586，外部验证集） 外周血单核细胞（PBMC）免疫表型分析 鼻腔黏膜样本sIgA检测
重点核对
再感染定义：入组后出现COVID-19相关症状且SARS-CoV-2抗原或核酸检测阳性 随访中位时间10个月，1,156名完成随访，128例（11.1%）再感染 训练集与内部验证集按再感染状态7:3分层随机划分；外部验证队列独立 JN.1 Spike蛋白作为刺激抗原和包被抗原 Boruta特征筛选参数：ntree=500，maxRuns=100，pValue=0.01
摘要
SARS-CoV-2再感染仍是一项重大的公共卫生挑战，需要在不同人群中准确评估风险。我们利用两个独立队列前瞻性收集的数据，开发并外部验证了一个可解释的机器学习模型，用于预测有症状的SARS-CoV-2再感染。该队列包括来自中国无锡和南通的1,156名成年人，中位随访时间为10个月。128名参与者（11.1%）发生了再感染。该模型整合了十八个临床和免疫特征，最终确定鼻腔Spike特异性分泌型免疫球蛋白A（sIgA）和Spike特异性CD4+中心记忆T细胞（TCM）为关键预测因子。采用极端梯度提升（XGB）算法开发的预测模型在内部验证队列中达到0.835的AUC，并在外部验证队列中表现出良好的区分能力。SHAP分析显示，较高的鼻腔Spike特异性sIgA与较低风险相关，而Spike特异性CD4+ TCM细胞与再感染呈非线性关联。这一可解释的基于免疫的模型为免疫信息驱动的风险分层提供了框架，有助于在人群免疫异质性环境中更好地预测和管理SARS-CoV-2再感染风险。
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
- 能否整合黏膜与细胞免疫特征，构建可解释的机器学习模型来预测有症状的SARS-CoV-2再感染风险？
- 核心机制
- 再感染易感性由黏膜免疫（鼻腔Spike特异性sIgA）与细胞免疫记忆（Spike特异性CD4+ TCM细胞）协同塑造，而非单一系统性标志物；CD4+ TCM与再感染风险呈非线性关联。
- 主要证据
- 基于两个独立前瞻性队列（1,156人），Boruta算法筛选出鼻腔sIgA和CD4+ TCM为关键预测因子；XGB模型内部验证AUC为0.835，外部验证AUC达0.996；SHAP分析显示较高鼻腔sIgA与较低预测风险相关，CD4+ TCM呈非线性关联。
- 研究意义
- 为基于免疫信息的SARS-CoV-2再感染风险分层提供了可解释框架，支持将黏膜与细胞免疫标志物整合到未来风险分层体系中，并可能为其他呼吸道病毒再感染或突破感染的预测模型提供参考。
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。
鼻腔黏膜样本采集与sIgA检测
标准化采集鼻腔黏膜样本并检测Spike特异性sIgA水平。
使用膨胀海绵法采集鼻腔黏膜样本，经处理后用自建ELISA检测SARS-CoV-2 Spike特异性sIgA。
外周血免疫表型分析
检测Spike特异性记忆B细胞、cTfh细胞及CD4+/CD8+ T细胞亚群。
从肝素化静脉血分离PBMC，以JN.1 Spike蛋白为刺激抗原，通过荧光标记探针和活化诱导标志物 assay 定量Spike特异性记忆B细胞、cTfh细胞及CD4+/CD8+ TCM、TEM、TEMRA亚群；同时用CLIA检测血清Spike特异性IgG。
特征筛选与机器学习模型构建
从18个临床和免疫变量中筛选关键预测因子，并比较六种机器学习模型的预测性能。
在训练队列中用Boruta算法筛选特征，保留变量进入ADB、GNB、KNN、LR、RF和XGB六种模型，采用嵌套5折交叉验证进行调参和评估，以AUC为主要优化指标，最终在内部和外部验证队列中评估模型。
模型解释与临床效用评估
解释模型预测依据并评估其临床净收益。
计算所有六种模型的SHAP值，用蜂群图和依赖图展示特征贡献；用校准曲线评估预测概率与观察事件率的一致性；用决策曲线分析评估各模型在不同阈值概率下的临床效用。
外部验证与网络应用开发
在独立队列中验证最终XGB模型的区分能力，并开发可用的风险预测工具。
以南通队列（n=586）作为独立外部验证队列评估XGB模型性能，并基于最终XGB模型开发网页版应用，输入两个免疫标志物值即可获得再感染风险估计。
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 |
|---|---|---|---|
| 鼻腔黏膜样本采集 | 聚乙烯醇海绵 | Beijing Yingjia | -- |
| 鼻腔黏膜样本转运 | 通用转运培养基 | Copan Diagnostics | -- |
| PBMC分离 | 淋巴细胞分离液 | Stemcell Technologies | -- |
| PBMC培养 | RPMI 1640培养基 | Thermo Fisher Scientific | -- |
| 胎牛血清 | -- | -- | |
| 青霉素-链霉素 | -- | -- | |
| L-谷氨酰胺 | -- | -- | |
| 血清IgG检测 | SARS-CoV-2 Spike特异性IgG化学发光免疫分析试剂盒 | Beijing Wantai Biological Pharmacy Enterprise Co., Ltd. | -- |
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 |
|---|---|
| 队列建立与随访 | 招募地点、时间段、入组人数、随访中位时间、再感染定义、失访处理 阅读提示：Methods 'Study cohort and sample collection'；Results 'Participant characteristics' |
| 鼻腔黏膜样本采集与sIgA检测 | 海绵材料与品牌、插入时间、转运培养基、离心条件、保存温度、ELISA方法（详见Supplementary Methods） 阅读提示：Methods 'Study cohort and sample collection'及'Laboratory tests'；Supplementary Methods |
| 外周血免疫表型分析 | PBMC分离方法、培养基成分、刺激抗原（JN.1 Spike）、抗体panel和设门策略（详见Supplementary Methods）、血清IgG检测试剂盒 阅读提示：Methods 'Laboratory tests'；Supplementary Methods |
| 特征筛选与模型训练 | 18个候选变量清单、Boruta参数（ntree=500, maxRuns=100, pValue=0.01）、训练/内部验证/外部验证队列划分（7:3分层）、嵌套5折交叉验证设置、六种模型超参数调优策略 阅读提示：Methods 'Dataset preparation and model training'；Table S3、Table S6、Table S7 |
| 模型评估与解释 | ROC分析、校准曲线、DCA阈值范围、SHAP值计算方法、多因素logistic回归协变量 阅读提示：Methods 'Statistical analysis'；Results 'Performance of machine learning models'、'Evaluation of machine learning models'、'Interpretation of the model'；Table S5；Figure 3-6 |