一个SARS-CoV-2突破性感染的预后模型:分析一个潜在的细胞免疫队列

科学领域:

• 免疫学 免疫学 免疫学
• 传染性疾病 传染性疾病
• 计算生物学 计算生物学

背景情况:

• 在COVID-19大流行中,淋巴细胞子集的变化得到了突出突出.
• 在COVID-19疫苗接种和随后的SARS-CoV-2突破性感染后,对记忆细胞子集的数据有限.

研究的目的:

• 在COVID-19疫苗接种后经历SARS-CoV-2突破性感染的患者中调查细胞免疫力变化.
• 开发一种基于机器学习的预后模型,用于预测SARS-CoV-2突破性感染.

主要方法:

• 利用流细胞计 (FCM) 来分析早期和纵向细胞免疫模式.
• 采用XGBoost机器学习来构建基于感染前细胞免疫力的突破性感染预测模型.

主要成果:

• 突破性SARS-CoV-2感染改变了T细胞和B细胞子集,原始T细胞和T_EMRA增加,T_CM和T_EM细胞减少. 记忆B细胞也表现出了变化.
• XGBoost模型显示出强大的预测性能 (AUC 0.78,准确率为81.8%),其中TNF-α,CD27^-CD19⁺细胞和T_EMRA作为关键预测因子.
• 特定的免疫标记物 (TNF-α,IL-6,IL-10,IFN-γ) 与持久症状相关,而其他 (CD3⁺ T细胞,CD4⁺ T细胞,IL-2) 与非持久症状相关.

结论:

• 突破性SARS-CoV-2感染会破坏细胞免疫力.
• 细胞免疫的感染前评估是SARS-CoV-2感染的有价值的预后指标.
• 这种方法可以帮助临床决策管理突破性感染.