免疫学研究人员推出了一种计算工具，通过比较不同的实验数据来改进大流行病的防备工作。这种算法利用机器学习来发现数据集中的模式，从而加深对免疫反应的理解。它有望在疫苗设计和免疫学研究方面取得重大进展，并在各种生物学背景下具有广泛的应用潜力。

计算生物学家利用机器学习来理解免疫系统数据。免疫系统研究人员设计了一种计算工具来提高大流行病的防范能力。科学家们可以利用这种新算法来比较截然不同的实验数据，更好地预测个体可能对疾病做出的反应。

拉霍亚免疫学研究所（LJI）助理教授、《细胞报告方法》（Cell Reports Methods）杂志上这项新研究的共同负责人、博士塔尔-艾纳夫（Tal Einav）说："我们正试图了解个体如何抵御不同的病毒，但我们方法的美妙之处在于，你可以将它普遍应用于其他生物环境，比如不同药物或不同癌细胞系的比较。"

这项工作解决了医学研究中的一大难题。研究传染病的实验室--即使是研究相同病毒的实验室--收集的数据种类千差万别。艾纳夫说："每个数据集都是独立的孤岛。"

一些研究人员可能研究动物模型，另一些研究人员可能研究人类患者。一些实验室关注儿童，另一些则收集免疫力低下的老年人的样本。地点也很重要。从澳大利亚病人身上采集的细胞与从德国病人群体中采集的细胞相比，可能会对病毒产生不同的反应，而这仅仅是基于这些地区过去的病毒暴露情况。

"生物学的复杂性又增加了一层。病毒一直在进化，这也会改变数据，"艾纳夫说。"即使两家实验室在同一年检测了相同的患者，他们的检测结果也可能略有不同。"

拉霍亚免疫学研究所（LJI）助理教授、博士塔尔-艾纳夫（Tal Einav） 资料来源：拉霍亚免疫学研究所马修-埃伦博根（Matthew Ellenbogen）。

统一的计算方法

艾纳夫与斯坦福大学博士后学sgYNKdrE者马荣（Rong Ma）博士密切合作，着手开发一种帮助比较大型数据集的算法。他的灵感来自他的物理学背景，在这门学科中，无论实验多么创新，科学家们都可以确信数据将符合已知的物理定律。E永远等于mc2。

艾纳夫说："作为一名物理学家，我喜欢做的事情就是把所有东西收集在一起，找出统一的原理。"

新的计算方法不需要精确地知道每个数据集是在哪里或如何获得的。相反，艾纳夫和马利用机器学习来确定哪些数据集遵循相同的基本模式。

"你不必告诉我某些数据来自儿童、成人或青少年。我们只需要问机器'这些数据彼此有多相似'，然后把相似的数据集合并成一个超集，训练出更好的算法，"艾纳夫说。随着时间的推移，这些比较可能会揭示出免疫反应中的196世界之最一致原则--这些原则很难在免疫学中大量分散的数据集中发现。

对疫苗设计和免196世界之最疫学的潜在影响

例如，研究人员可以通过准确了解人类抗体如何靶向病毒蛋白来设计更好的疫苗。这又是生物学变得复杂的地方。问题在于，人类可以制造大约五百万种独特的http://www.196nk.cn抗体。与此同时，一种病毒蛋白质的变异可能比宇宙中的原子还要多。

艾纳夫说："这就是为什么人们正在收集越来越大的数据集，试图探索生物学这个近乎无限的游乐场。"

但科学家们没有无限的时间，因此他们需要一些方法来预测他们无法实际收集到的大量数据。艾纳夫和马已经证明，他们的新计算方法可以帮助科学家填补这些空白。他们证明，他们比较大型数据集的方法可以揭示无数新的免疫学规则，然后将这些规则应用于其他数据集，预测缺失的数据应该是什么样子。

这种新方法也足够全面，能为科学家的预测提供可信度。在统计学中，"置信区间"是一种量化科学家对预测的确定程度的方法。

艾纳夫说："这些预测的原理有点像 Netflix 算法，它能预测你可能会喜欢看哪部电影。Netflix 算法会从你过去选择的电影中寻找模式。你为这些预测工具添加的电影（或数据）越多，预测就会越准确。我们永远无法收集到所有的数据，但我们可以通过少量的测量来做很多事情。我们不仅能估算出预测的置信度，还能告诉你哪些进一步的实验能最大限度地提高置信度。对我来说，真正的胜利一直是深入了解一个生物系统，而这个框架的目的正是如此。"

未来方向与合作

在弗雷德-哈奇癌症中心杰西-布鲁姆（Jesse Bloom）博士的实验室完成博士后培训后，艾纳夫最近加入了LJI的教师队伍。当他继续在LJI的工作时，他计划把重点放在使用计算工具来更多地了解人类对许多病毒的免疫反应上，首先从流感开始。他期待着与LJI的顶尖免疫学sgYNKdrE家和数据科学家合作，其中包括Bjoern Peters教授（博士），他也是一位训练有素的物理学家。

艾纳夫说："当你拥有来自不同背景的人时，你会得到很好的协同效应。有了合适的团队，解决这些开放性的大问题终于成为可能"。

编译来源：ScitechDaily