利用数学模型评估T细胞活化模型的参数可识别性与敏感性：为免疫疗法设计提供理论依据

《PLOS Computational Biology》：Leveraging mathematical models to predict and control T-cell activation

本项研究聚焦于T细胞受体（TCR）介导的T细胞活化过程，该过程是适应性免疫应答的关键环节。研究人员通过对已发表的T细胞活化表型模型进行系统的参数可识别性与敏感性分析，旨在评估这些模型在拟合实验数据时的预测能力，并确定哪些模型结构更适合用于可靠地预测和控制T细胞活化。研究结果表明，结合输出测量（如活化TCR数量R(t)与游离TCR数量T(t)）可显著改善模型的可识别性；同时，响应R(t)对解离速率koff、磷酸化速率kp及配体剂量LT等参数表现出不同程度的敏感性。该工作为筛选可校准的模型、优化实验设计以及开发基于T细胞活化的治疗策略提供了重要的理论指导。

　　

在我们身体的免疫前线，有一支精锐部队——T淋巴细胞。它们像训练有素的哨兵，能够精准识别外来入侵者（如病毒、细菌）和体内叛变者（如肿瘤细胞），并发动精确打击。这支特种部队的“激活开关”，是T细胞表面一种叫做T细胞受体（TCR）的蛋白质。当TCR与抗原呈递细胞（APC）表面展示的抗原肽-MHC复合物（pMHC）结合时，便会启动一系列复杂的胞内信号传导，最终导致T细胞活化、增殖并发挥免疫功能。这一过程的高效与精准，是机体抵御疾病、维持健康的核心。

然而，T细胞活化并非简单的“开/关”按钮。其背后涉及pMHC与TCR结合的动力学（如结合速率k_on、解离速率k_off）、细胞内磷酸化级联反应（速率k_p）以及配体浓度（L_T）等多重因素的复杂调控。为了理解并预测这一复杂过程，科学家们开发了多种数学模型，统称为“表型模型”。这些模型试图用相对简化的数学方程，描述T细胞活化的关键生化步骤（如经典的“动力学校对”机制，KPR）及其可观测的输出（如活化TCR的数量R(t)）。

但问题随之而来：面对众多不同的模型，哪个才是最接近生物真实、最能可靠预测T细胞行为的那个？如果一个模型的参数无法从实验数据中准确估计（即模型“不可识别”），那么用它做出的预测就值得怀疑。同样，如果模型的输出对某些关键参数的变化极不敏感或过于敏感，也会影响其在实际应用（如设计免疫疗法）中的价值。为了回答“哪个模型更可靠、更适合用于预测和控制T细胞活化”这一核心问题，本文的研究团队对目前已发表的主要T细胞活化表型模型进行了一次系统性的“全面体检”，重点评估了它们的结构参数可识别性、状态可观测性以及输出敏感性。这项研究发表于《PLOS Computational Biology》。

为了开展这项研究，作者团队主要运用了计算生物学领域的几种关键技术方法。首先，他们对收集到的13个已发表的T细胞活化表型模型（包括Occupancy、KPR-1、KPR-LS、KPR-SS、KPR-IR、KPR-LS-IFF、KPR-NF1/2、KPR-SAC、ZU、KPZU、KPC和ST模型）进行了数学形式化处理，将其统一表述为常微分方程（ODE）系统。其次，他们进行了结构可识别性与可观测性分析，主要借助了基于微分代数的计算工具SIAN，以及更通用的局部可识别性分析工具STRIKE-GOLDD，以评估在不同实验可测量输出（如R(t)、游离TCR数量T(t)、总TCR数量T_T、最大效应E_max、半最大有效浓度EC₅₀等）配置下，模型参数和状态变量能否被唯一确定。最后，他们进行了敏感性分析，采用复步法计算了模型输出（主要是R(t)）对关键动力学参数（k_off, k_on, k_p）和配体剂量L_T的局部相对敏感性，并以热图形式展示了敏感性随时间及参数值变化的轮廓。这些分析均在设定的生物学合理参数范围内进行，参数参考值来源于文献。

研究结果

1. 可识别性与可观测性

• •
  测量响应R(t)时：KPR-LS、KPR-SS、KPR-IR、KPR-SAC及零级超敏家族（ZU, KPZU, KPC）等七个模型完全可识别（全局或局部）。而最简单的KPR-1模型在仅测量R(t)时不可识别，但额外测量T(t)或T_T后变得完全可识别。相反，曾被认为能很好解释多种表型特征的KPR-LS-IFF模型，在仅测量R(t)时有11个参数不可识别。包含负反馈的KPR-NF1/2模型中，与磷酸酶SHP-1活性调节相关的参数和变量不可识别。
• •
  测量总受体T_T或游离受体T(t)时：仅测量T_T可识别性最差。而测量T(t)能使KPR-SS、KPR-IR、KPR-SAC、ZU、KPZU、KPC等模型的所有参数局部可识别。对于Occ、KPR-1、KPR-LS等模型，仅测量T(t)只能识别k_on，但结合测量R(t)后所有参数变得可识别。
• •
  测量EC₅₀和E_max时：仅测量这两个衍生变量时，可识别性普遍较差，多数模型无法完全识别。结合测量T(t)后，可识别性有显著改善。
• •
  关键发现：研究表明，结合测量R(t)和T(t)（或R(t)和T_T）是可识别性最佳的实验设计。在模型参数中，结合速率常数k_on 是最需要通过实验确定的参数，以提升模型整体可识别性。而知道k_off或k_p对改善可识别性帮助不大。在所有模型中，KPR-IR模型在最多的输出配置下保持可识别，显示出其作为可靠预测工具的潜力。

2. 敏感性分析

• •
  对解离速率k_off的敏感性：在大多数模型中，R(t)对k_off表现出中等程度的敏感性，最大值通常在2-4之间。ZU模型敏感性最低，KPR-LS、KPR-SS、KPR-SAC、KPZU模型敏感性最高。KPR-NF1/2模型在k_off一个很窄的范围内敏感性极高。敏感性强烈依赖于k_off的具体值，而对时间的依赖性因模型而异。
• •
  对结合速率k_on的敏感性：总体上，R(t)对k_on的敏感性很低（多数模型最大值<0.6），且仅在模拟初期和k_on值很低时显著。KPZU、KPC和ST模型是例外，在低k_on范围内表现出中等且随时间略增的敏感性。
• •
  对磷酸化速率k_p的敏感性：模式与对k_off的敏感性相似，但敏感性最大值通常更高。KPR-NF1/2模型在k_p≈1.2 s^-1处存在一个极窄的临界范围，敏感性飙升至约60，远高于其他模型和参数。KPR-LS-IFF模型的敏感性呈双峰分布。
• •
  对总配体L_T的敏感性：R(t)对L_T的敏感性在低到中等范围，但普遍高于对k_on的敏感性。Occ、KPR-1、KPR-LS、KPR-SS、KPR-IR、KPR-SAC、ST等模型敏感性模式相似，在低L_T时敏感性高且不随时间变化。KPR-LS-IFF、KPC、ZU、KPZU等包含额外调控模块的模型，敏感性随L_T呈双相变化，存在敏感性峰值。
• •
  对负反馈模型特异参数的敏感性：在KPR-NF1/2模型中，R(t)对自发去磷酸化速率常数b和总SHP-1分子数P_T的敏感性极高，但仅出现在其参考值附近极窄的范围内。活性SHP-1水平P(t)对b也高度敏感。

研究结论与讨论

本研究首次对已发表的T细胞活化表型模型进行了系统的参数可识别性与输出敏感性综合分析。主要结论与意义如下：

1. 1.
   模型可靠性评估：研究为评估不同T细胞活化模型的可靠性提供了量化标准。可识别性分析揭示了哪些模型在给定实验测量下其参数可以被可靠估计。例如，尽管KPR-LS-IFF模型能解释多种表型，但其部分关键参数不可识别，限制了其预测可靠性。而KPR-IR模型在众多输出配置下均表现可识别，显示出作为预测工具的突出优势。
2. 2.
   指导实验设计：研究明确了为校准特定模型所需的最少实验测量组合。同时测量活化TCR数量R(t)和游离TCR数量T(t) 被确定为最优策略，能最大化多数模型的可识别性。这为设计系统识别实验、高效利用实验资源提供了直接指导。
3. 3.
   识别关键调控参数：敏感性分析揭示了不同模型输出对关键动力学参数的依赖程度。研究发现，在大多数模型中，响应R(t)对解离速率k_off 和磷酸化速率k_p 表现出中等且稳健的敏感性，表明这两个参数是调控T细胞活化强度的潜在有效靶点。相比之下，结合速率k_on 在多数模型中影响甚微。配体剂量L_T 也显示出一定的调控潜力，特别是在包含零级超敏等机制的模型中。
4. 4.
   为免疫治疗提供洞见：对KPR-NF1/2模型的分析发现，响应R(t)对k_p、自发去磷酸化速率b和总SHP-1水平P_T在特定狭窄范围内异常敏感，这提示细胞内磷酸化/去磷酸化平衡的微小扰动可能对T细胞应答产生巨大影响，为通过调节磷酸酶活性来干预免疫应答（如增强抗肿瘤免疫或抑制自身免疫）提供了理论线索。
5. 5.
   推动计算免疫学发展：本研究展示了将系统辨识理论（可识别性、敏感性分析）深入应用于基础免疫学模型研究的重要性。它强调，在利用数学模型进行预测或指导治疗策略设计之前，评估模型的结构特性是必不可少的步骤。这有助于淘汰那些无法用现有实验数据校准的模型，推动建立更可靠、更具预测能力的免疫计算模型。

总之，这项工作通过严谨的计算分析，为理解和筛选T细胞活化数学模型建立了重要框架。它不仅增进了我们对T细胞早期信号传导动力学复杂性的认识，更重要的是，为未来基于模型理性设计免疫疗法（如优化T细胞衔接器、CAR-T细胞或癌症疫苗），以可控方式驱动或抑制T细胞活化，奠定了坚实的理论基础。在精准免疫治疗时代，此类研究将帮助我们在复杂的免疫系统中，更智能地“拨动”T细胞活化的开关。