免疫学分析方法

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇免疫学分析方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

免疫学分析方法范文第1篇

【关键字】放射免疫法、化学发光免疫法、血清AFP、效果分析

【中图分类号】R426 【文献标识码】A 【文章编号】1004-7484（2014）07-4045-02

临床检测血清AFP中，应该对患者采用有效生长激素检测方式，这样才可以提高检测的准确性，提升患者的身体健康质量，提高治病疗效【1】。以下针对我院从2013年1月到2013年12月期间采集的100例住院患者血清标本进行分析，探讨临床中，采取化学发光免疫法与放射免疫法检测血清AFP的效果。

1 资料与方法

1.1资料

对我院2013年1月到2013年12月的100例住院患者进行血清标本收集工作， 本次研究的血清标本采集中，均是由经验丰富的检验人员在2小时内，对清晨空腹患者抽取静脉血3 ml，并排除患者有先天性疾病、心肝重要器官疾病；试验仪器包括德国罗氏公司的检测试剂盒，以及电化学分析仪、放射免疫分析仪、深低温；将患者随机分配成对照组与试验组，且在每组中都具有50例患者的血清标本，患者在性别、身体状况以及年龄等资料方面，相互进行比较后，不存在差异，无统计学意义。

1.2 方法

对于对照组患者血清标本检测中，将会使用XAKP- 2000A/02 型 γ 计数仪【2】，并应用中国原子能科学研究所提供的AFP 试剂盒，对患者的待检测样本进行梯度稀释，使检测物浓度在12.5～8000umol/L范围间，进行放射免疫法检测；对试验组患儿50例血清标本检测中，将会使用KL1- e411 型全自动电化学发光仪进行检测【3】，并稀释其检测样本的梯度，可以保持检测物浓度为12.5～8000umol/L，进行电化学发光法测定。对两组检测方法比较中，分析比对其检测血清AFP水平差异，考察其之间的相关性；并对两组检测方法中的低值、中值、高值进行记录试验，且测定每日测定每份样本22次，连续测20天，并考察批内CV值。

1.3 统计处理

对本次两组研究结果，可以应用统计学软件SSPS 12.0【4】，针对最后两组的检测结果进行处理， 在数据处理之中，计量资料我们将会用t检验进行比较，技术资料用x2检验，设置统计学的水准是a=0.05。

2结果

两组检测结果，电化学发光法检测血清AFP线性范围更宽，电化学发光法检测血清AFP精密、灵敏度度更高，其两组检测结果之间差异非常显著（ P

3讨论

据悉，血清AFP是检测原发性肝细胞肝癌的标志物，是最灵敏性、特异性的肿瘤标志，在临床肿瘤诊断中发挥重要作用。针对血清AFP检测中，应该制定合理的检测方案，才可以取得准确的检测结果，提高肝癌患者的生活质量。因此在临床诊断检测血清AFP中化学发光免疫法，较常规放射免疫法检验有较好的效果，可以提高检测结果的准确性、灵敏性、高度特异性。

化学发光免疫法检测血清AFP，在临床中具有较好的效果，应用化学发光系统作为抗原抗体反应指示系统，定量检测抗原、抗体，并应用发光剂标记抗体，与其它检测方法相比，具有很高的稳定性，采用机器自动加样，具有准确性，化学发光免疫法检测的线性范围较放射免疫法检测更宽，更适宜于临床检测 血清AFP。在血清AFP测定中，应用电化学发光法进行检查，可以采用高度的特异性抗体【5】，有效起到清除样本干扰的作用，提高检测结果的灵敏度，减少误差，使用电化学发光法测定血清AFP，临床检验效果更稳定。

由上可知，在临床中对血清AFP检测中，应用放射免疫法与电化学发光法检测进行检验，电化学发光法检测较放射免疫法更具应用优势，具有更好重复性，精密度高，有很好的临床效果，值得在实际在推广应用。

参考文献

[1] 张红祥. 化学发光免疫法与放射免疫法检测血清AFP临床分析[J]. 中国现代药物应用. 2010（07）

[2] 章茂友. 放射免疫法与化学发光免疫法检测血清AFP效果分析[J]. 中国现代医生. 2010（36）

[3] 张改英，王耀荣. 化学发光免疫法和放射免疫分析法测定血浆脑钠肽浓度的比较[J]. 疾病监测与控制. 2010（10）

免疫学分析方法范文第2篇

本文阐述在ARCHITECTi2000SR全自动化学发光免疫分析仪应用实践中进行使用方法的改良，极大地方便了仪器操作者的使用，有效地避免了使用过程中的差错的发生。解决故障的过程有助于思路的扩展，对使用其他的检验仪器有很好的启发作用和较大的参考或应用价值。

关键词：全自动化学发光免疫分析仪；标本容易加错现象；标本识别移位故障；改良方案

【中图分类号】

R249 【文献标识码】B 【文章编号】1002-3763（2014）07-0272-01

Architect i2000SR全自动免疫分析仪是由美国雅培公司研发的第三代大型全自动免疫分析仪，采用化学发光的原理进行检测，具有较高的灵敏度、特异性和稳定性，具有检测速度快，测量范围宽广等诸多优点，且可与生化模块C8000相连。且检测试剂稳定并易于进行室内与室间质量控制。然而全自动化仪器的高故障率亦对检验技术人员提出了更高标准的要求。本文即是作者在雅培i2000SR全自动化学发光免疫分析仪应用实践中遇到的：容易出现加错标本，和机器本身出现标本识别移位的故障现象，分析其原因、探讨改造方案并付诸实践成功解决故障的过程，以便应用到其他的现代化的检验设备使用中去。

1 标本容易加错的改良方案

1.1 标本容易加错的现象：

由于该机器的原来的设计是每个标本架只有5个孔，也就是每个标本架只能放置5个标本，这样就使使用者放置标本时，必须要好好的记着所加标本的原来的编号，待放到架子上时要好好的计算出标本的位置是在第几个架子、第几号位置编号。譬如：手里拿着16号标本需要放置到标本架子上时，就必须计算出是第4个架子的第1号位置才是16号的位置。是非常的不方便吧？

1.2 标本容易加错现象的解决方案：

因为我发现了这个非常不容易计算出所要加的标本位置，并且又很容易加错标本，工作起来非常不方便的现象时，就一直在脑子里寻求一个解决这个问题的方案。

不久我就想出来了个解决的办法：那就是在每个标本架的靠近1号位置端，设计出了一个不干胶贴，上端标明1、2、3、4……架子号顺序号，下端标明该架子的5个标本号在该架子上的应有的顺序范围。详见附图1改造后的第一个托盘俯视图

2 标本识别移位故障的改良方案

2.1 故障现象：

应用ARCHITECTi2000SR全自动化学发光免疫分析仪进行批量编程，每个标本架放置5个标本，每5个标本架为一组，每一组用一个托盘托起，即标本号依次为1-25、26-50、51-75、76-100四组。在全部标本仪器检测完成后，对HBsAg阳性标本利用金标法复查时，偶然发现阴阳性结果极为不符合的现象。遂对每个标本对应的架号、位置、结果逐一排查，发现个别标本架上的标本并没有消耗（即没有被取样），但却赋上了数值。经逐一检查仪器所加样本与操作者编程的标本架号位置明显不同，即发生了跳跃，如31号标本所赋值实为36号样本测试值或其它样本值。

2.2 故障分析：

经与使用ARCHITECTi2000SR全自动化学发光免疫分析仪的兄弟单位工作人员及雅培中国工程师沟通，了解其工作过程原理是：利用ARCHITECTi2000SR化学发光免疫分析仪批量编程1-25、26-50、51-75、76-100号标本架号位置后，仪器会首先会进行标本架条码扫描，同时也给每个标本进行扫描。如果某个标本架的条码没有扫描到，则机器会自动顺延一个标本架进行操作，这样就会出现跳架移位现象，也就是我们上述的故障现象。譬如仪器在批量编程，31-35号标本架的条码扫描过程中没有扫到，仪器则默认该架子不存在，标本也不存在，跳过了该标本架，将36-40号标本架或及其它标本架上的标本默认为31-35号标本。以后的标本均以同样的方法顺延赋值，即后面的所有标本均顺延了5个号码，如不复查而直接报告传输的结果，必然出现张冠李戴的严重后果。上述现象并非偶然，随着工作量的增加，出现的频率越来越高，为日常检验工作带来相当大的不便，工作人员往往会花费很大的时间和精力，去排查或复查标本与结果是否相符，一度认为此仪器的标本识别和处理软件系统存在巨大缺陷。

3 标本识别移位故障的解决方案

通过细致的观察分析、严密的科学探讨和积极的创新实践，我们对ARCHIT -ECT i2000SR全自动化学发光免疫分析仪的进样系统，进行了简单而合理的改良，使上述故障得以完全解决。具体方法如下：

准备100个改造过的与架同高的平口空试管（以合适放置加样杯为宜），利用条码机打印1-100编号号码的条码，分别贴在每个试管上条码器能够扫描到的位置。将这些贴有条码的试管按顺序放置在标本架上，并保持条码向外，易于条码系统识别判读；实验操作时只需将加样杯放置在对应贴有条码的试管上即可。请注意：只需更换加样杯加病人血清标本。更多的标本亦可用类似方法粘贴上1-100或更多的试管条码。

详见附图1 图2所改造的H540试管架俯视图和侧视图

经过如此改良，仪器在进行标本架条码扫描时，同时也会给每个试管条码进行扫描，如果其中某个标本架条码漏扫，但仍会扫描到试管上的条码号，机器则自动的默认标本架的存在，就不会出现跳架移位的现象。

4 思路扩展与推广应用

标本容易加错的解决方案：就是以较小的改造或改良，而改变了原来的设计的不足，避免了工作中容易出现的错误。像这种小的改造可以用到大多数的试管架子是5个试管位置的大型生化分析仪、放免分析仪等的仪器上。

标本识别移位故障的解决方案：类似的跳架移位故障，不仅出现在ARCHIT -ECTi2000SR全自动化学发光免疫分析仪上，在其它设备上，譬如ARCHITEC -Ti4000SR等仪器亦会出现，亦可采用此法进行改造或改良。兄弟单位同类仪器或不同品牌的仪器，出现类似的因为批编程而出现的跳架移位故障亦可借鉴此方法一试，以避免出现数据移位错误，为临床提供准确的检验信息。

免疫学分析方法范文第3篇

关键词：免疫学；综述教学；教学方法

中图分类号：G642.41 文献标志码：A 文章编号：1674-9324（2013）38-0063-02

医学免疫学进入2l世纪以来迅猛发展，已成为生命科学领域的前沿学科之一，其理论和技术已广泛渗透到生物学、基础医学、临床医学和预防医学的各个学科，掌握医学免疫学的理论知识对医学生今后从事临床和科学研究工作都非常必要。本文就《医学免疫学》教学中开展综述教学进行介绍。

一、综述教学的概念

综述教学就是在《医学免疫学》教学中要求学生针对有关免疫学的某个研究主题，对与之相关的各种文献资料进行收集整理，对所负载的知识信息进行归纳鉴别，清理与分析，并对所研究的问题在一定时期内已取得的研究状况、成果、存在的问题以及发展的趋势进行系统而全面的叙述、评论与阐述，进而确定一个研究主题，收集整理专题文献，阅读与挖掘文献内容，清理与记述专题研究状况，建构与阐明专题研究发展趋势。使学生通过撰写综述增强其学习兴趣和自主性、文献查阅能力和基本科研思维能力，从而提高学习效果。

二、综述教学过程

1.教学分组。以我校2009级临床医学本科学生1个合班（6个小班共198人）为对照班，采用传统方式教学；在2010级临床医学本科学生的医学免疫教学中随机挑选1个合班（6个小班共192人）实施了综述教学，为实验班，另随机挑选1个合班进行传统式教学（6个小班共195人）做对照班。

2.综述教学基本流程。教师第一次课向实验班学生讲明综述教学目的、布置查阅综述基本格式作业—学生查阅综述后相互补充形成基本格式，教师确认—学生自选有关免疫学的兴趣点查阅文献，拟出研究主题（可以多个）—与指导教师讨论确定研究主题—学生针对确定主题查阅、整理文献、撰写综述—指导教师修改综述—学生按指导教师意见完善综述—课上交流总结、提高。

3.效果评价。采用成绩分析和问卷调查两种方法评价。①学生成绩考核将进行综述教学的2010级实验班与传统教学方法的2009级和2010级对照班进行成绩比较，试题难度、覆盖面、基础知识等无明显差异，具有可比性，结果见表1。

（a）P>0.05，vs①；（b）P

由试卷成绩可见实验班的平均成绩比对照班高（P

结果显示，大多数学生认为综述教学能明显激发学习兴趣，增强学习的积极性和主动性，提高多种能力，从而提高学习成绩。

综述教学法与传统教学法比较，首先，综述教学法增强了学生的学习兴趣。因此学生由原来的厌学变为乐学。其次，综述教学法提高了学生自主学习能力和学习积极性。因此对本学科学习积极性明显提高，学习时间和精力投入增加。再次，综述教学改变了传统的教学理念，在知识方面实现了从单一的课本知识教学向综合素质教育的转变，培养了学生分析问题、解决问题的能力。综上所述，《医学免疫学》教学中开展综述教学，能显著激发学生学习兴趣，增强学习的自主性和积极性，提高学生的综合能力和教学效果。

参考文献：

[1]卢渝.浅议如何提高免疫学教学质量[J].中国健康月刊，2011，30（6）：312-313.

[2]林巧爱，薛向阳，张丽芳，等.提高医学免疫学教学效果探讨[J].基础医学教育，2011，13（5）：407-409.

[3]温伟红，杨琨，王春燕.学免疫学本科生理论课教学探讨[J].山西医科大学学报，2007，9（5）：487-488.

[4]苗英慧，郭艳丽.如何在医学免疫学教学中培养学生的学习兴趣[J].考试周刊，2011，27：204.

[5]吴艳敏，王慧.在免疫学教学中开展互动教学的几点体会[J].齐齐哈尔医学院学报，2010，31（3）：434.

免疫学分析方法范文第4篇

关键词:猪圆环病毒病;诊断;防治

中图分类号: S852.65+1 文献标识码:A 文章编号:1674-0432(2010)-08-0219-2

0 前言

猪圆环病毒(PCV)感染是当今世界养猪业新出现的一种传染病。1991年加拿大首次确立了这一猪病。该病的主要特征是猪的体质下降,消瘦、呼吸困难、贫血以及皮肤病变。江苏地区对162份可凝病料进行检测,阳性率高达54.67%,黑龙江省对368份血清进行检测,结果经产猪平均阳性率为76.6%,后备率的阳性率为33.2%,上海奉贤区兽医所,从全国211个猪场送检材料中检出血清阳性率为28.6%,近年来,我国关于PCV的报道越来越多,PCV已在我国广泛流行。

1 病原体

猪圆环病毒属圆环病毒科圆环病毒属成员。分2个基因型,即PCV1和PCV2,目前还未发现PCV1有致病性,PCV:是引起断奶仔猪多系统衰竭综合症(PMWS)主要病原之一。近年,英国又首先提出猪的皮炎和肾病综合症(PDNS)也是由圆环病毒引起的传染病,最近研究发现仔猪的先天性震颤(CT)和怀孕母猪繁殖障碍,猪呼吸道病综合征(PRDC)也与PCV2感染有关。PCV对外界环境的抵抗力较强,对氯仿不敏感,在PH为3的酸性环境中很长时间不被灭活,70℃时可存活15min。

2 流行特点

2.1 病猪和带毒猪为本病的主要传染源

PCV分布很广,猪群中血清阳性率常高达20-80%,因此本病传染源广泛。病毒可随粪便、鼻腔分泌物排出体外。

2.2 易感性

本病主要感染断奶后仔猪,哺乳猪很少发病。可侵害5-16周龄仔猪,但最常见6-8周龄。发病率为4-10%,成年猪一般为隐性感染,不表现任何症状。

猪断奶后多系统衰竭综合征主要发生于断奶后2-3周龄的仔猪,一般于断奶2-3天或1周开始发病,发病率为20-60%,病死率为5-35%。

猪皮炎和肾病综合征通常发生于12-14周龄的猪,发病率为12-14%,病死率为5-14%。

猪间质性肺炎(主要表现为猪呼吸道病综合症PRDC)主要危害6-14周龄的猪,发病率为2-3%,病死率为4-10%。

2.3 继发感染

由于圆环病毒能破坏猪体的免疫系统,造成免疫抑制,引起继发性免疫缺陷,因而,本病常与猪繁殖与呼吸综合征病毒、细小病毒、伪狂犬病毒、链球菌等混合或继发感染。据杨汉春教授近年对不同地区规模化猪场死亡猪只57份病料的检测,结果猪繁殖和呼吸综合征与猪圆环病毒二重感染占54.4%(31/57),猪圆环病毒与猪伪狂犬病二重感染占14%(8/57)。

2.4 饲养条件

饲养条件差,通风不良,饲养密度高,不同日龄猪混养等应激因素,均可加重病情的发展。

3 临床症状

根据目前研究情况,与PCV2感染有关的猪病主要有以下几种,其临床表现如下:

3.1 猪断奶后多系统衰竭综合征(PMWS)

病猪由初期消化功能降低而出现食欲不振到被毛无光泽,皮肤苍白或黄染,同时出现呼吸系统症状,持续性或间歇性腹泻,进行性消瘦,贫血,股前等体表淋巴结肿大。多因猪繁殖与呼吸综合征病毒、猪细小病毒等病毒和细菌、霉形体、附红细胞体混合感染,所以发病率和死亡率相差很大。

3.2 猪皮炎和肾病综合征(PDNS)

病猪皮肤突然广泛出现各种形状大小不一的稍微突起的红紫色丘状斑点,由于病程的进展,紫色斑点病灶被黑色覆盖后逐渐消失留下疤痕,四肢和眼脸周围水肿,体表淋巴结肿大。

3.3 传染性先天性震颤

临床症状变化很大,其震颤程度从轻到重,每窝受感染仔猪的数量变化很大,出生后第一周严重的震颤可因不能吃奶而死亡,存活者多数在3周时间恢复。外界刺激(如突然噪音或寒冷等)可引发或加重震颤。

4 病理变化

病理学检查是死后诊断的重要方法,当发现全身淋巴结肿大,肺萎缩不全且有致密病灶时,应怀疑本病。比较有诊断意义的病理变化出现在脾脏,脾肿大,边缘有丘状突起以及出血性梗死灶,也有高度肿大弥漫性出血的,约有20-30%的脾大面积出血坏死灶被机体吸收,仅残破1/2或1/3,有的病程较久的病例整个脾出血坏死灶被机化而萎缩,作为本病重要诊断依据之一,至今为止,只有PCV2感染时方可出现这种特征性病变。

5 诊断

根据临床症状及病理变化可以做出初步诊断,确诊依赖病毒的分离、鉴定以及免疫学技术进行诊断。

5.1 病毒的分离与鉴定

PCV2在培养细胞中不产生任何病变,因此,通常借助其它技术来确定PCV2的存在,如多聚酶链反应(PCR),间接免疫荧光技术(IFA)原位核酸杂交技术(ISH)等。

5.2 抗原的检测

对于组织细胞中的PCV抗原通常采用ISH、PCR、IFA以及免疫组织化学(IHC)等检测方法进行检测。

5.3 抗体的检测

抗猪圆环病毒特异性抗体的检测常用酶联免疫吸附试验(ELISA)和间接免疫荧光试验(IFA)。

6 防制

目前,对于圆环病毒的感染尚无有效的治疗方法,无疫苗可利用。只有加强饲养管理,减少环境应激因素,实施严格的生物安全措施等综合防制措施来预防感染。

6.1 坚持全进全出制度

减少不同日龄猪的混养,降低猪群间PCV2接触感染机会。

6.2 定期消毒

消毒工作贯穿于养猪生产的各个环节,最大限度地降低猪场内污染的病原微生物,减少猪群继发感染的机率。

6.3 尽可能地减少应激因素

避免饲喂变质饲料,做好通风换气和保温工作,保持适宜的湿度和适当的饲养密度。

6.4 采用完善的药物预防方案

根据猪场疾病的流行情况,采用较为完善的药物预防方案,控制发病及继发感染,作好猪场猪瘟、伪狂犬病、呼吸障碍综合征、细小病毒病的免疫接种工作。

6.5 切断传播途径

猪场一旦感染本病,控制和净化消灭本病是很困难的,发现可疑病猪及时隔离、淘汰、切断传播途径,杜绝疫情的传播。

参考文献

[1] 陈德,何孔旺,侯继波,等.猪圆环病毒2型的流行病学调查[A].中国畜牧兽医学会家畜传染病学分会成立20周年庆典暨第十次学术研讨会论文集(上)[C],2003.

[2] 王忠田,杨汉春.猪圆环病毒2型ORF2基因在大肠杆菌中的表达[A].中国畜牧兽医学会2004学术年会暨第五届全国畜牧兽医青年科技工作者学术研讨会论文集(下册),2004.

[3] 刘长明,张超范,刘焕章,等.猪圆环病毒2型细胞培养适应毒株的培育和鉴定[A].中国畜牧兽医学会畜牧兽医生物技术学分会暨中国免疫学会兽医免疫分会第六次研讨会论文集[C].2005.

[4] 秦晓冰,金宁一.猪圆环病毒2型内蒙株基因的克隆及序列测定[A].中国畜牧兽医学会家畜传染病学分会成立20周年庆典暨第十次学术研讨会论文集(上)[C].2003.

[5] 刘长明,陆月华,张超范,等.猪圆环病毒2型重组Cap蛋白在昆虫杆状病毒中的表达[A].中国畜牧兽医学会畜牧兽医生物技术学分会暨中国免疫学会兽医免疫分会第六次研讨会论文集[C],2005.

[6] 王忠田,郭鑫,杨汉春.六株猪圆环病毒2型分离毒株全基因组序列测定与分析[A].中国畜牧兽医学会家畜传染病学分会成立20周年庆典暨第十次学术研讨会论文集(上)[C],2003.

免疫学分析方法范文第5篇

【摘要】理论免疫学用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。随着高通量方法和基因组数据的出现，理论免疫学从受体交联和免疫原理、Jerne的相互作用网络和自我选择等经典建模方法开始向信息学、空间扩展模型、免疫遗传学和免疫信息学、进化免疫学、分子生物信息学和表遗传学、高通量研究方法和免疫组学等方面转变。

【关键词】免疫学, 理论；数学模型；生物数学

Advances of theoretical immunology

JIN Yan

（Basic medical college, Liaoning Universtity of Traditional Chinese Medicine, LIAONING Shenyang, 110032,）

【Abstracts】Theoretical immunology is to develop mathematical methods that help to investigate the immunological problems, and to study the mathematical theory on immunology. With the advent of high-throughput methods and genomic data, immunological modeling of theoretical immunology shifted from receptor cross linking, Jerne interaction networks and self-non self selection, toward the informatics, spatially extended models, immunogenetics and immunoinformatics, evolutionary immunology, innate immunity and epigenetics, high-throughput research methods and Immunomics. Immunology, Theoretical; Mathematical Models; biomathematics

理论免疫学[1]（Theoretical Immunology）是指用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。理论免疫学是免疫学与数学交叉的边缘学科，也称数学免疫学（Mathematical Immunology），是生物数学的一个分支。由于免疫现象复杂，从免疫学中提出的数学问题往往也十分复杂，需要进行大量计算工作，因此从近年兴起的复杂系统研究的角度来讲[2]，理论免疫学也称复杂免疫学（Complex Immunology）。理论免疫学的任务就是揭示免疫系统运行的规律和机制，及其病理机制。数学模型（Mathematical Models）和数据分析是理论免疫学的主要方法，计算机是研究和解决理论免疫学问题的重要工具。

虽然从上个世纪中期，数学模型已经开始应用于免疫学，但传统的模型大部分是基于微分方程[3]、差分模型和元胞自动机（Cellular Automata）[4]。这些传统模型以少数成份（一种受体和一种抗原，或两个T细胞群之间等）参与的简单动力学为主要研究内容。直到2000年，人们才开始对免疫学的复杂性进行数学建模。随着高通量方法（High Throughput Methods）和基因组数据（Genomic Data）的出现，理论免疫学开始转向信息学（Informatics）方面[5]。与分子免疫学的生物信息学（Bioinformatics）分析一样，当前免疫学研究中与复杂性有关的主要研究目标大多集中在高通量测量计划和系统免疫学（System Immunology）或免疫组学（Immunomics）计划。在数学模型水平上，分析方法也从以微分方程为主的简单系统转向广泛应用Monte Carlo模拟（Monte Carlo simulations）。这种向更多分子和更多计算的转变态势与复杂系统涉及的所有研究领域出现的转变极为相似。同时，理论免疫学中另一个重要转变是，人们关注焦点从对外源性的适应性免疫系统的转向更多考虑固有免疫系统的平衡。

1理论免疫学经典模型

免疫学是生物学的一个领域，很早就认识到了数学建模和数学分析方法的作用。早在上个世纪60年代和70年代，数学模型已经应用于免疫学的不同领域，例如：抗原-受体的相互作用、T和B细胞群动力学、疫苗接种、生发中心动力学、病毒动力学和免疫系统对病毒的清除[6]等。现在的许多免疫学原理和观点都是数学模型的结果。

1.1 受体交联和免疫原理

受体交联[7-9]（Receptor Cross Linking）和免疫原理（Immunon Theory）是由Alan Perelson提出、Carla Wofsy作了进一步分析。这个原理根据的事实是，低价抗原不能激活B细胞，而高价抗原（即抗原拥有多个重复基序）即使在抗原密度非常低（3-4目）的情况下也能够激活B细胞。Sulzer和Perelson[10-13]据此发展了这个理论和数学模型并提出，抗原能够聚集B细胞受体，从而激活B细胞。这个结论是B细胞免疫的基础之一。

尽管数学模型对免疫学发展的贡献的例子还有很多，但是免疫网络（Immunological Networks）的概念和自我选择（Self-Non Self Selection）问题占有相当重要的地位。

1.2 Jerne的相互作用网络

假设受体库（Receptor Repertoire）是满的，即受体库中每一个分子都有其相对应的受体，并且这些受体可以特异性地与其它受体相互作用。Jerne据此提出免疫调节网络[14]（Regulatory Immune Networks）的存在。抗原激活的淋巴细胞可产生新受体，这些受体对于其它淋巴细胞来说是抗原，等等，以此类推。这个网络的概念对理论学家来说很有吸引力，特别是在提出神经网络（Neural Networks）中的认知行为（Cognitive Behavior）概念之后，提出了更多的免疫网络模型[15][16]。有人用元胞自动机和布尔网络（Boolean networks）建立大尺度行为（Large Scale Behavior）模型，有人用常微分方程（ODEs）来建立自身调节网络模型（Local Regulatory Networks）。随着时间的推移，人们对Jerne网络学说逐渐失去了兴趣，其主要原因是Jerne网络学说的理论模型和实际的实验证据没有很好的相关性。

1.3 自我选择

调节性网络实际上是理论免疫学中自我选择这个大课题的一部分。假设表达自身反应性受体的淋巴细胞被机体清除（阴性选择）。大多数阴性选择可能是由于中枢性耐受（Central Tolerance）所导致的（T细胞在胸腺，人和小鼠的B细胞在骨髓）。阴性选择机制失败可导致自身免疫性疾病。人们通过多种途径对自我选择展开研究。有人从分子的角度和基于特殊的选择机制来研究，而有人则建立了更为复杂的模型，例如Polly Matzinger的危险模型[17][18]（Danger Model）和Irun Cohen的侏儒模型[19-27]（Homunculus Model）。这些模型都是想反映真实的复杂系统，尽管仅通过检测免疫系统的成分，人们是无法接近问题的实质，但是他们的尝试拓宽了我们的视野。直到今天，关于获得和打破（自身免疫性疾病）耐受的途径，也没有一个公认的解释。

2理论免疫学的现代模型

理论免疫学的模型和问题现在正逐渐向分子理论免疫学方向发展。这种理论方向的演变与大量基因组全序列的检测、分子生物学工具的巨大进展、高通量测量技术的发展、空间分布（Spatial Distribution）作用的测量和建模能力的发展等实验技术的发展是分不开的。同时，计算机处理能力和建模技术的发展也是影响现论免疫学的重要因素。

2.1 Immsim、Simmune和其它复杂模型

免疫学中，最大胆的尝试可能就是建立一个免疫系统的系统模型。第一个建立这样模型的尝试是上世纪80年代由IBM公司Philip Seiden开发的IMMSIM模型[28-31]。其设计的主要目的是为了在计算机上进行免疫应答试验。IMMSIM采用了克隆选择原理的基本观点，认为免疫细胞和免疫分子独立地识别抗原，免疫细胞被竞争地选择，以产生更好的识别抗原的克隆种类。IMMSIM模型的基础是空间扩展的元胞自动机，它用位串（或比特流，Bitstrings）代表受体、抗原和MHC分子的可变性。到目前为止，抗原和受体多样性的位串表示方法已被许多其他研究者[32,33,34]所采用。IMMSIM包括了适应性免疫系统的所有主要成份：CD4和CD8 T细胞、B细胞及其相应的受体，MHC Ⅰ类和Ⅱ类分子和一些细胞因子。但是IMMSIM模型仍然是对免疫系统的粗略描述。因此，人们在此基础上又进行了其它的开发。

第一个较有影响的是由Martin. Meier-Schellersheim开发的Simmune[35-36]。这个系统尝试建立一个足够宽广和复杂的平台，从而能够对免疫学的任意实际过程进行模拟。它不仅是一个特殊模型，更是一个建模技术或语言。

还有应用了Monte Carlo模拟[37-38]或称免疫模拟（Immunosi m）、状态图[39]（State-Charts）等多种数学模型，试图涵盖免疫系统所有可能细节并建立动力学模型。在这个方向上，最有影响的是Sol Eforni的模型。此模型尝试提供胸腺空间扩展动力学的完全模拟，并以此来研究细胞选择[40]。这些综合模拟的优势在于他们涵盖了当前免疫学的所有细节。但是这些模型也有缺点，他们过于复杂，因此对于所观察到的动力学变化，我们无法充分理解其原因及模型对参数变化的敏感性。

2.2 空间扩展模型

从分子水平上讲，免疫学复杂系统分析的最大进展是细胞内分子定位[41]（Molecule Localization）测量技术。免疫突触（Synapses）的发现就是利用了该技术。人们建立了多个细胞膜动力学模型，用来解释突触的形成以及突触的分子动力学。细胞膜动力学模型也应用于B细胞。这些模型中，有的是假设一个固定的细胞膜在二维晶格上（2D Lattice），有的假设一个自由漂浮的细胞膜[42-44]。另一个研究方向的是受体动力学，以及受体与其它细胞膜成份，比如Src家族激酶和脂筏[45]（Lipid Rafts），之间的相互作用。目前此领域的所有模型都是以广泛的数值模拟（Numerical Simulation）为基础的。

空间扩展模拟的另一个领域是生发中心动力学的模拟。经典模型主要采用ODEs来描述一或两个总体的均匀动力学[46]（Homogenous Dynamics），而现代模拟主要应用Monte Carlo模拟[47-49]来研究多空间扩展或者均匀总体之间的相互作用，但是也有一些是采用ODEs。

2.3 免疫遗传学和免疫信息学

不同基因组的排列和不同等位基因的序列使免疫遗传（Immunogenetic）数据库得到了全面的发展[50-51]。免疫遗传数据库IMGT储存了多个物种的T和B细胞受体基因序列（B细胞H链和T细胞β/δ链的V、D和J基因，L链/α链/γ链的V和J基因）。该库也包括了最新的MHC分子的基因序列（包括经典和非经典的）。另外，IMGT数据库还包括了大量的淋巴细胞受体重排序列。

这样庞大的数据库是伴随着免疫信息学（Immunoinfor matics）工具的大量发展而建立的。其中包括用于junction分析[52]、免疫基因对准（Immunogene Alignment）以及系统发育的工具[53-55]。所有这些工具的基础都是将生物信息学理念应用于免疫学。免疫遗传数据库日渐显现的重要性表明，免疫学建模逐渐向基因化方向转变。

2.4 进化免疫学

与B细胞重排受体多重序列的测量一样，多细胞生物中免疫基因的不断积累，使免疫系统发育学（Immuno-Phylogenetics）得以快速发展。目前研究的主要焦点是适应性免疫系统的起源。适应性免疫是免疫系统的一部分，通过随机基因重组以适应新病原体。很明显，在软骨鱼类（Cartilaginous Fish）分化之前，适应性免疫最早出现于有腭脊椎动物（Jawed Vertebrates）。然而，这样一个复杂系统起源的来源还不清楚。T细胞受体结构域（Receptor Domain）和B细胞受体结构域之间的相似性、RAG1和RAG2分子（RAG1和RAG2可起到随机连接基因的作用，又称重组激活基因）在重排过程中的关键作用及其物理性相邻（Physical Proximity），使许多研究者认为，淋巴细胞受体重排的起源是转座子（Transposon）横向转移到原始免疫受体（Primeval Immune Receptor）中。这个领域中使用的主要工具是系统发育分析（Phylogeny Analysis）及其相关的所有数学模型[56]。

另一个系统发育概念和方法的应用是B细胞的体超变异[57]（Somatic Hyper Mutations，SHM）分析。在生发中心反应过程中，通过活化诱导胞嘧啶脱氨酶（Activation-Induced Cytidine Deaminase，AID），B细胞的受体基因发生超变异。随着克隆性增殖，B细胞受体基因平均每分裂一次就发生一次超变异，导致突变克隆的产生。这些克隆表现为微进化（Micro-Evolution），可以很容易地在实验室中研究。对B细胞系统发育树（Phylogenetic）以及它们与其它因素关系的分析，比如老化和自身免疫疾病，也已开始研究[58]。

2.5分子生物信息学和表遗传学

在分子生物信息学（Molecular Bioinformatics）和表遗传学（Epigenetics）的研究过程中[59]，随着分子信息研究水平不断提高，在免疫学中应用模型水平的精细程度也不断提高。免疫学的一个特殊方面是需要将信号转导（Signal Transduction）与基因重排结合起来建模。现已建立了不同条件下的B和T细胞内的基因重排过程和淋巴细胞信息转导的模型[60-61]。从分子角度来讲，另一个重要的分子建模是在抗原提呈给T细胞之前，对抗原处理过程的分析。

2.6高通量研究方法

免疫学是典型的、以免疫假说和免疫原理为基础的研究领域。免疫学是最晚转向以数据为基础的、目前已在其它生物学领域中应用的高通量方法。近5年，在这一领域已取得了很大的进展。这些进展是依靠来自生物学其它领域的经典基因表达的自适应和定位技术[62][63]，以及针对免疫学的新技术的发展取得的。免疫学领域主要依靠实验手段，但实验所取得的结果却是应当属于理论免疫学的范畴，并且与复杂科学密切相关。

在基因重排过程中应用荧光原位杂交技术[64]（FISH techniques）来定位基因是一个令人兴奋的、对免疫学来说更具有针对性的研究进展。这些测量手段使我们在研究基因重排过程中，能够确定受体不同部分之间的相互作用。

另一个对免疫系统来说具有针对性的工具是抗原芯片（Antigen Chips）的发展。这些芯片可同时测量B细胞对成百上千种抗原的应答，并提供整个免疫系统的系统表达[65]。在这类分析中使用的主要数学工具是聚类方法（Clustering Methods）。

2.7 免疫组学

目前，在理论免疫学中，最璀璨的研究领域可能就是新产生的免疫组学。这个年轻的学科已经拥有了自己的杂志《immunomic research》(省略)。免疫组学的主要目标是全方位地研究免疫系统[66][67]。这个领域采用实验与理论相结合的工具。免疫组学目前正在研究的项目有：全部T细胞抗原决定基检测；全B细胞抗体库的定义及其在不同情况下的变化方式；自身免疫性疾病相关的所有基因位点的检测。这个新生领域的成果还有限，但是在不到10年内，免疫学建模将会从基于预定假设（Predefined Hypotheses）的理论问题研究转向对免疫系统受体和靶目标充分认识的、具有针对性的建模。

当前，理论免疫尚处于探索和发展阶段，许多方法和理论还很不完善，它的应用虽然取得某些成功，但仍是低水平、粗略，甚至是勉强的。许多更复杂的免疫学问题至今未能找到相应的数学方法进行研究，还有一些免疫核心问题还存在争议。这就需要未来的医学工作者具备更多的数学知识，对免疫学和数学都有更深入的了解，这样才有可能让免疫学研究更多地借助数学的威力，进入更高的境界。

参考文献

[1] 漆安慎, 杜婵英. 免疫的非线性模型. 上海: 上海科技教育出版社, 1998:iv.

[2] Raina S. Robeva, James R. Kirkwood, Robin L. Davies, et. al. An Invitation to Biomathematics. 北京: 科学出版社, 53-129.

[3] 马知恩. 种群生态学的数学建模与研究. 安徽: 安徽教育出版社, 1996: 5-40.

[4] 陈兰荪, 孟新柱, 焦建军. 生物动力学. 北京: 科学出版社, 2009: 77-177.

[5] 李涛. 计算机免疫学. 北京: 电子工业出版社, 2004: 147-203.

[6] 陆征一, 周义仓. 北京: 科学出版社, 2004: 58-73.

[7] A. S. Perelson and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71.

[8] A. S. Peielson. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands heaiing two chemically distinct functional groups. Math. Biosci. 1980, 49:87.

[9] A. S. Perelsoii. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: descriptioii by ligand states. Math. Biosci. 1981, 53:1.

[10] Perelson, A. S., and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71110.

[11] Perelson, A. S. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands bearing two chemically distinct functional groups. Math. Biosci. 1980, 49:87110.

[12] Perelson, A. S. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: description by ligand states. Math. Biosci. 1981, 53:139.

[13] Perelson, A. S. Some mathematical models of receptor clustering by multivalent ligands. In Cell Surface Dynamics: Concepts and Models. A. S. Perelson, C. DeLisi, and F. W. Wiegel, editors. Marcel Dekker, New York. 1984, 223276.

[14] N. K. Jerne. Towards a network theory of the immune system. Ann. Immunol. (Inst. Pasteur), 1974(125C), 373-389.

[15] Coutinho A. "The network theory: 21 years later". Scand. J. Immunol. 1995, 42 (1): 38.

[16] Campelo F, Guimares FG, Igarashi H, Ramírez JA, Noguchi S. "A Modified Immune Network Algorithm for Multimodal Electromagnetic Problems". IEEE Trans. Magnetics2006,42 (4): 11111114.

[17] Polly Matzinger and Galadriel Mirkwood. In a fully H-2 incompatible chimera, T cells of donor origin can respond to minor histocompatibility antigens in association with either donor or host H-2 type. Journal of Experimental Medicine, 1978(148): 84-92. [18] Matzinger P. The danger model: a renewed sense of self. Science 2002; 296: 3015.

[19] Cohen IR, Young DB. "Autoimmunity, microbial immunity and the immunological homunculus." Immunol Today 1991; 12(4):105-10.

[20] Cohen IR. "The immunological homunculus and autoimmune disease," in Molecular Autoimmunity, ed. Talal N., Academic Press, USA 1991, pp.438-453.

[21] Cohen IR. "The cognitive paradigm and the immunological homunculus." Immunol Today 1992; 13(12):490-4.

[22] Cohen IR. "The meaning of the immunological homunculus." Isr J Med Sci 1993; 29(2-3):173-4.

[23] Cohen IR. "Kadishman’s Tree, Escher’s Angels, and the Immunological Homunculus," in Autoimmunity: Physiology and Disease, eds. Coutinho A, Kazatchkine MD. Wiley-Liss, Inc.1994 pp.7-18.

[24] Cohen IR. "Peptide therapy for Type I diabetes: the immunological homunculus and the rationale for vaccination." Diabetologia 2002 Oct;45(10):1468-74.

[25] Gonzalez G, Montero E, Leon K, Cohen IR, Lage A. "Autoimmunization to epidermal growth factor, a component of the immunological homunculus." Autoimmun Rev. 2002 Feb;1(1-2):89-95.

[26] Cohen IR. "Immune system computation and the immunological homunculus." MoDELS 2006, in O. Niestrasz et al. (Eds). Springer-Verlag, Berlin, pp. 499-512, 2006.

[27] Cohen IR. (2007) "Biomarkers, self-antigens and the immunological homunculus." J. Autoimmun., 2007 Dec;29(4):246-9.

[28] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: A Discrete Models of Cellular/Humoral Responses. ACRI 2000: 117-125.

[29] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: IMMSIM, a flexible model for in machina experiments on immune system responses. Future Generation Comp. Syst. 2002, 18(7): 961-972

[30] Stefania Bandini, Franco Celada, Sara Manzoni, Roberto Puzone, Giuseppe Vizzari: Modelling the Immune System with Situated Agents. WIRN/NAIS 2005: 231-243.

[31] Stefania Bandini, Franco Celada, Sara Manzoni, Giuseppe Vizzari: Modelling the immune system: the case of situated cellular agents. Natural Computing 2007, 6(1): 19-32.

[32] De Boer, R.J. and A.S. Perelson (1994) T cell repertoires and competitive exclusion. J. theor. Biol. 169, 375-390.

[33] Perelson, A. S.1989. Immune network theory. Immunological Reviews 110, 5-36.

[34] Sulzer, B., De Boer, R.J. and A.S. Perelson (1996) Crosslinking reconsidered. I Binding and crosslinking fields and the cellular response. Biophys. J. 70, 1154-1168.

[35] Meier-Schellersheim M, et al. Key role of local regulation in chemosensing revealed by a new molecular interaction-based modeling method. PLoS Comput Biol. 2006;2(7):e82.

[36] M. Meier-Schellersheim, G. Mack. SIMMUNE, a tool for simulating and analyzing immune system behavior. 1999 cs.MA/9903017.

[37] Meyer-Hermann M. A mathematical model for the germinal center morphology and affinity maturation. J Theor Biol 2002;216:273300.

[38] Kleinstein SH, Singh JP. Why are there so few key mutant clones? The influence of stochastic selection and blocking on affinity maturation in the germinal center. Int Immunol 2003;15:871884.

[39] Efroni S, Harel D, Cohen IR. Toward rigorous comprehension of biological complexity: modeling, execution, and visualization of thymic T-cell maturation. Genome Res 2003;13:24852497.

[40] Efroni, E., Harel, D. & Cohen, I. R. 2003 Towards rigorous comprehension of biological complexity: modelling, execution and visualization of Thymic T cell maturation. Genome Res. 13, 24852497.

[41] Alexandros Pertsinidis, Yunxiang Zhang, Steven Chu. Subnanometre single-molecule localization, registration and distance measurements. Nature, 2010 466(7), 647651

[42] Nudelman G, Louzoun Y. The role of lipid rafts in cell surface BCR antigen binding dynamics. EMBC 2004. Conference Proceedings, 26th Annual International Conference of the Engineering in Medicine and Biology Society.

[43] Nudelman G, Louzoun Y. Cell surface dynamics: the balance between diffusion, aggregation and endocytosis. Syst Biol (Stevenage) 2006;153:3442.

[44] Chakraborty A. How and why does the immunological synapse form? Physical chemistry meets cell biology. Sci STKE 2002;2002:PE10.

[45] Li QJ, et al. CD4 enhances T cell sensitivity to antigen by coordinating Lck accumulation at the immunological synapse. Nat Immunol 2004;5:791799.

[46] Kesmir C, De Boer RJ. A mathematical model on germinal center kinetics and termination. J Immunol 1999;163:24632469.

[47] Kleinstein SH, Singh JP. Toward quantitative simulation of germinal center dynamics: biological and modeling insights from experimental validation. J Theor Biol 2001;211:253275.

[48] Meyer-Hermann M, Beyer T. Conclusions from two model concepts on germinal center dynamics and morphology. Dev Immunol 2002;9:203214.

[49] Meyer-Hermann ME, Maini PK. Cutting edge: back to ‘‘one-way’’ germinal centers. J Immunol 2005;174:24892493.

[50] Lefranc MP. Nomenclature of the human immunoglobulin kappa (IGK) genes. Exp Clin Immunogenet 2001;18:161174.

[51] Bromley SK, et al. The immunological synapse. Annu Rev Immunol 2001;19: 375396.

[52] Monod MY, Giudicelli V, Chaume D, Lefranc MP. IMGT/JunctionAnalysis: the first tool for the analysis of the immunoglobulin and T cell receptor complex V-J and V-D-J JUNCTIONs. Bioinformatics 2004; 20(Suppl.):I379I385.

[53] Ruiz M, Pallares N, Contet V, Barbi V, Lefranc MP. The human immunoglobulin heavy diversity (IGHD) and joining (IGHJ) segments. Exp Clin Immunogenet 1999;16:173184.

[54] Ruiz M, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 2000;28:219221.

[55] Lefranc MP, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 1999;27:209212.

[56] Mehr AJ, Ardakani MJ, Hedayati M, Shahraz S, Mehr EJ, Zali MR. Age-specific seroprevalence of hepatitis A infection among children visited in pediatric hospitals of Tehran, Iran. Eur J Epidemiol 2004;19:275278.

[57] Kleinstein SH, Louzoun Y, Shlomchik MJ. Estimating hypermutation rates from clonal tree data. J Immunol 2003;171:46394649.

[58] Eason DD, Cannon JP, Haire RN, Rast JP, Ostrovd DA, Litman GW. Mechanisms of antigen receptor evolution. Semin Immunol 2004;16:215226.

[59] Gay NJ, Gangloff M, Weber AN. Toll-like receptors as molecular switches. Nat Rev Immunol 2006;6:693698.

[60] Mehr R. Modeling the meta-dynamics of lymphocyte repertoires. Arch Immunol Ther Exp (Warsz) 2001;49:111120.

[61] Mehr R, Edelman H, Sehgal D, Mage R. Analysis of mutational lineage trees from sites of primary and secondary Ig gene diversification in rabbits and chickens. J Immunol 2004;172:47904796.

[62] Argyropoulos C, et al. Mining microarray data to identify transcription factors expressed in naive resting but not activated T lymphocytes. Genes Immun 2004;5: 1625.

[63] Choi YL, et al. DNA microarray analysis of natural killer cell-type lymphoproliferative disease of granular lymphocytes with purified CD3-CD56? fractions. Leukemia 2004;18:556565.

[64] Singh N, Bergman Y, Cedar H, Chess A. Biallelic germline transcription at the kappa immunoglobulin locus. J Exp Med 2003; 197:743750.

[65] Quintana FJ, Hagedorn PH, Elizur G, Merbl Y, Domany E, Cohen IR. Functional immunomics: microarray analysis of IgG autoantibody repertoires predicts the future response of mice to induced diabetes. Proc Natl Acad Sci USA 2004;101(Suppl.): 1461514621.

[66] Lauwerys BR, Wakeland EK. Genetics of lupus nephritis. Lupus 2005;14:212.