量化免疫衰老失调指数(The Quantified Immune-Aging Dysregulation Index):一种基于大语言模型(Large Language Model, LLM)的转录组通路富集结果注释与系统水平失调量化新方法

《Frontiers in Artificial Intelligence》:The quantified immune-aging dysregulation index: a large-language model-powered method for annotating and quantifying systems-level dysregulation

【字体: 大 中 小 】 时间:2026年06月08日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  背景: 通路富集分析(Pathway Enrichment Analysis)广泛用于解读转录组数据集,但其输出通常为需定性解释的统计学显著通路列表,难以跨生物背景进行比较。将富集结果转化为定量的、具机制解释性的系统水平失调度量的语义分类方法尚待开发。 方法:

  
背景: 通路富集分析(Pathway Enrichment Analysis)广泛用于解读转录组数据集,但其输出通常为需定性解释的统计学显著通路列表,难以跨生物背景进行比较。将富集结果转化为定量的、具机制解释性的系统水平失调度量的语义分类方法尚待开发。 方法: 研究人员提出了TENSE(quanTifiEd immuNe-aging dySregulation indEx,量化免疫衰老失调指数)框架,利用大语言模型(LLM)通过KNIME工作流将显著富集通路语义分类至代表免疫衰老关键过程的五大机制类别——DIRES方案:DNA损伤(D)、DNA修复(R)、表观遗传漂移(Epigenetic drift, E)、炎性衰老(Inflammaging, I)及核酸感知(Nucleic acid sensing, S)。这些源于通路的信号被聚合为反映生物背景下衰老相关过程幅度(TENSE)与分布(DIRES)的归一化失调评分。 结果: 将TENSE应用于神经退行性疾病、辐射反应及免疫激活数据集的转录模块,揭示了不同的失调谱。阿尔茨海默病相关模块主要以小胶质细胞转录程序内的炎性衰老特征为主,辐射反应数据集表现为显著的DNA损伤相关信号,脓毒症相关基因特征显示强炎症贡献并产生最高观测TENSE值。稳健性分析显示通路分类跨重复运行具有高重现性,且LLM衍生注释与人类共识评分高度吻合。 结论: TENSE提供了一种可重现且可解释的转化方法,将通路富集输出变为免疫衰老相关系统水平失调的定量估计。该框架通过桥接通路富集分析与机制解读,实现了跨多样数据集的衰老相关生物过程比较分析。
【论文解读:TENSE框架——基于LLM的免疫衰老系统失调量化新范式】
Frontiers in Artificial Intelligence研究背景与立题依据
传统通路富集分析(Pathway Enrichment Analysis)虽能识别转录组中过代表的生物学过程,但其结果通常以显著富集通路列表形式呈现,需研究人员进行定性、主观的解读,且不同研究间的列表难以进行定量的系统水平比较。衰老尤其是免疫衰老(Immunosenescence)涉及DNA损伤(DNA damage, D)、DNA修复(DNA repair, R)、表观遗传漂移(Epigenetic drift, E)、炎性衰老(Inflammaging, I)及核酸感知(Nucleic acid sensing, S)等多维过程的累积失衡,缺乏整合这些轴并输出量化失调指数的成熟方法。为此,研究人员开发了TENSE(quanTifiEd immuNe-aging dySregulation indEx,量化免疫-衰老失调指数)框架及配套的DIRES(D-R-E-I-S)分类体系,旨在将通路富集结果转化为标准化、具机制解释性的系统失调度量。

*关键研究方法概述
研究人员建立混合语义—确定性KNIME工作流:(1) 对基因列表使用Enrichr进行通路过表征分析获取Reactome通路及Combined Score;(2) 语义层采用GPT-4.1-nano(亦测试Claude Haiku 4.5)作为严格二元分类器,按定制提示词将每条通路语义归类至DIRES五类(D/I/R/E/S),多重归类时按1/k加权;(3) 确定性层计算每个DIRES类别的通路加权Combined Score均值(ēD/I/R/E/S)及经20%零假设校正的归一化通路计数(nD/I/R/E/S),代入公式得出标准化TENSE(范围0–1,未归一化0–5),并设无DIRES匹配时TENSE=0;(4) 通过100次重复运行评估LLM非确定性,以人工共识标注为金标准计算偏差(Bias of the Mean, BM)、相对偏差(Relative Bias of the Mean, RBM)及变异系数(Coefficient of Variation, CV),另设Eidetic层输出LLM分类理据以供质控。验证与应用所用转录模块分别源自Sparks等(Ⅰ型干扰素信号TM1、管家基因TM10)、Chen等及Morabito等(阿尔茨海默病神经元及小胶质细胞加权基因共表达网络分析Weighted Gene Co-expression Network Analysis, WGCNA模块)、Borràs-Fresneda等(辐射敏感/耐受细胞系4 Gy照后4 h/12 h)、Ganesan等(严重或轻度感染基因标签Severe-or-Mild, SoM及免疫健康度量Immune Health Metric, IHM-A/B)。

*研究结果(按原文小节)
3.1 Use cases for TENSE and DIRES annotation in the literature
研究人员将TENSE/DIRES应用于已发表多情境数据集以检验其生物学注释效用。
  • •
    3.1.1 Use case 1: annotating Alzheimer's disease immune aspects on neuron and microglial gene signatures
    对Chen等AD相关WGCNA模块(黄色/粉色/棕色/青色)及Morabito等共识模块(CM1神经元、CM8小胶质细胞)及Das等Aβ斑块vs神经原纤维缠结进行分析。结果显示:AD黄色与粉色模块TENSE=0;棕色模块TENSE=0.131(13.1%),青色模块TENSE=0.012(1.2%);CM1神经元TENSE=0.022(2.2%),CM8小胶质细胞TENSE=0.208(20.8%)。DIRES雷达图显示AD相关失调主要由炎性衰老(I)轴驱动,且小胶质细胞模块显著高于神经元模块,与AD慢性炎症理论吻合;Aβ斑块vs神经原纤维缠结亦以炎症成分为主。结论:TENSE成功捕获细胞类型特异的免疫衰老失调模式,炎症主导AD微环境。
  • •
    3.1.2 Use case 2: annotating the differential transcriptomic response of radiation-resistant and radiation-sensitive cells exposed to 4 Gy radiation at 4- and 12-h post-exposure
    对辐射敏感(Radiosensitive, RS)与辐射耐受(Radioresistant, RR)细胞系4 Gy照后4 h及12 h转录组分析。RS细胞:4 h TENSE=0.044(4.4%),12 h TENSE=0.364(36.4%),ΔTENSE=32%;早期有短暂炎症(I)成分,后期以DNA损伤(D)为主。RR细胞:4 h与12 h均TENSE=0.2(20%),ΔTENSE=0,DIRES持续偏向DNA修复(R)。结论:TENSE与ΔTENSE可区分动态(RS)与稳态(RR)DNA损伤—修复—炎症应答,与原始研究修复能力差异相符。
  • •
    3.1.3 Use case 3: TENSE and DIRES as descriptors of immune gene network signatures
    对感染严重程度标签SoM(42基因)及IHM(150基因分IHM-A与IHM-B子集)分析。SoM:TENSE=0.4(40%),完全由炎性衰老(I)驱动;IHM-A:TENSE=0;IHM-B:TENSE=0.217(21.7%);ΔTENSE(IHM-A ? IHM-B)=?21.7%。结论:TENSE量化了免疫健康/疾病基因特征中炎症轴的参与程度,与IHM和SoM预期临床相关性一致。
汇总表明不同病理生理背景下TENSE可分辨以炎症为主导(AD小胶质细胞、脓毒症)或以基因组应激(DNA damage, D)为主导(辐射暴露)的系统失调模式。

*讨论与结论总结(翻译结论部分)
本研究表明TENSE框架能将通路富集结果转化为免疫衰老相关系统水平失调的定量估计。与典型显著通路列表不同,TENSE将多通路信号整合入关键生物学分类,将其概括为可理解的失调剖面,从而更高层次地概览富集结果,便于依据衰老相关调控失衡的程度与类型比较生物情境。TENSE所用分类具合理可靠性,重复测试间结果一致且密切匹配人类专家评估;使用Claude Haiku等替代LLM获相似结果,证明底层分类任务结构良好、跨工具稳定。所分析数据集至少出现DIRES五轴之一,表明TENSE捕获多样失调模式而非局限于单一类别。综上,TENSE是将复杂富集输出转化为具生物学意义的免疫衰老失调估计的可重现、可解释方法。该框架通过将通路富集分析与机制阐释相桥接,实现了跨多样数据集对衰老相关生物过程的比较分析。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号