Ein Machine-Learning‑Rahmenwerk enthüllt Schlüsseltreiber der Zytokinantworten in einer gesunden Kohorte

Warum unsere Immunreaktionen variieren

Wenn zwei gesunde Menschen dieselbe Erkältung bekommen, steckt der eine vielleicht kaum die Nase, während der andere tagelang im Bett liegt. Ein wesentlicher Teil dieses Unterschieds liegt darin, wie stark ihr Immunsystem Signalmoleküle freisetzt, die Zytokine genannt werden. Diese Studie stellt eine einfache, aber wichtige Frage: Lassen sich die Reaktionen des Immunsystems eines gesunden Menschen vorhersagen, wenn man genetische Daten mit alltäglichen Faktoren wie Saison, früheren Infektionen und Blutwerten kombiniert?

Ein genauer Blick auf gesunde Immunsysteme

Um das zu untersuchen, stellten die Forscher eine sorgfältig ausgewählte Gruppe von 406 gesunden Erwachsenen zusammen, die alle unter standardisierten Bedingungen untersucht wurden. Sie nahmen morgens nach nüchternem Zustand Blut ab, bestimmten Hormonspiegel und Immunzellzahlen und erfassten Faktoren wie Geschlecht, Alter, Körpergewicht und Jahreszeit der Probenentnahme. Anschließend stimulierten sie frisches Vollblut mit Substanzen, die Krankheitserreger nachahmen und zwei Hauptarme der Immunität aktivieren: Toll‑like‑Rezeptoren (angeborene Wächter, die allgemeine Gefahrensignale erkennen) und T‑Zell‑Rezeptoren (adaptive Zellen, die spezifische Ziele erkennen). Das Team maß 11 verschiedene Zytokinantworten und erzeugte so ein detailliertes Bild davon, wie das Immunsystem jeder Person unter kontrollierten Laborbedingungen reagiert.

Muster starker und schwacher Reagierer finden

Der erste Schritt bestand darin zu prüfen, ob Menschen natürlicherweise in erkennbare Immun"typen" fallen. Anhand der Reaktion eines Schlüsselzytokins, IL‑6, auf mehrere angeborene Stimuli identifizierte das Team zwei Hauptgruppen: Hochproduzenten und Niedrigproduzenten. Personen, die auf einen angeborenen Reiz mehr IL‑6 produzierten, waren im Allgemeinen auch bei anderen verwandten Zytokinen stärker, was auf stabile Reaktionsprofile hindeutet. Hohe IL‑6‑Produzenten waren häufiger männlich, hatten höhere Zahlen einer weißen Blutkörperchenart namens Monozyten und wurden häufiger im Winter beprobt — ein Hinweis darauf, wie sowohl Biologie als auch Umwelt den Immunstatus über das Jahr hinweg prägen.

Gene versus Umwelt: Wer steuert was?

Als Nächstes durchsuchten die Forschenden das gesamte Genom nach DNA‑Varianten, die mit Zytokinspiegeln verknüpft sind, und fanden vier Regionen, die bestimmte Antworten klar beeinflussten, darunter eine bekannte Variante, die T‑Zell‑getriebene Zytokine beeinflusst. Doch Gene erzählten nur einen Teil der Geschichte. Die Forscher verglichen mehrere Vorhersageansätze — von einfachen linearen Modellen bis zu flexibleren Machine‑Learning‑Techniken wie Random Forests und Gradient Boosted Trees. Bei Vorhersagen allein auf Basis genetischer Daten ließen sich nur wenige, T‑Zell‑bezogene Zytokine mit vertretbarer Genauigkeit vorhersagen. Sobald sie biologische und umweltbezogene Informationen hinzufügten — etwa Blutbild, Jahreszeit und frühere Zytomegalievirus‑Exposition — verbesserten sich die Modelle, besonders für angeborene Rezeptorantworten, bei denen rein genetische Signale schwach waren.

Was die besten Modelle offenbaren

Der zuverlässigste Performer war eine baumbasierte Methode namens Random Forest. Indem die Autoren prüften, wie stark die Vorhersageleistung abfiel, wenn einzelne Eingaben zufällig vertauscht wurden, konnten sie sehen, welche Merkmale tatsächlich wichtig waren. Für T‑Zell‑getriebene Zytokine dominierten genetische Varianten, mit kleineren Beiträgen von Alter und chronischer Virusbelastung. Für angeborene Rezeptor‑getriebene Zytokine wie IL‑6 und TNF waren dagegen Jahreszeit und Monozytenzahlen deutlich einflussreicher als DNA‑Marker. Das Team zeigte außerdem, wie leicht die Bedeutung der Genetik überschätzt werden kann, wenn die Merkmalsauswahl fehlerhaft erfolgt, und bestätigte die Hauptbefunde in einer unabhängigen Kohorte von fast 500 Nichtrauchern. Interessanterweise verbesserten breite genetische Risikowerte für Autoimmunerkrankungen die Vorhersage nicht, was darauf hindeutet, dass Gene, die für Krankheiten prädisponieren, nicht zwangsläufig die Gene sind, die die alltägliche Immunantwort bei gesunden Menschen steuern.

Was das für künftige personalisierte Immunität bedeutet

Für Leser ohne Fachwissen lautet die Botschaft: Unsere Immunantworten sind nicht allein in unseren Genen festgeschrieben. Einige Zytokine, insbesondere solche, die von T‑Zellen gesteuert werden, werden stark von vererbten DNA‑Varianten geprägt. Andere, vor allem jene, die von angeborenen Sensoren wie Toll‑like‑Rezeptoren produziert werden, hängen weit stärker von veränderlichen Faktoren wie Jahreszeit, Zellzahlen, Hormonen und früheren Expositionen ab. Moderne Machine‑Learning‑Werkzeuge können diese Informationen zusammenführen, um zu bewerten, wer wahrscheinlich starke oder schwache Reagierer ist, haben aber Grenzen und müssen vorsichtig eingesetzt werden, um übertriebenen Optimismus zu vermeiden. Insgesamt rückt diese Arbeit uns näher an die Vorhersage individuellen Immunverhaltens, betont aber zugleich, dass sowohl unsere Genome als auch unsere alltägliche Umgebung gemeinsam bestimmen, wie heftig wir auf Infektionen reagieren.

Zitation: Liefferinckx, C., Bottieau, J., Quertinmont, E. et al. A machine learning framework reveals key drivers of cytokine responses in a healthy human cohort. npj Syst Biol Appl 12, 45 (2026). https://doi.org/10.1038/s41540-026-00671-w

Schlüsselwörter: Zytokinantworten, Maschinelles Lernen, Immunvariabilität, Genetik und Umwelt, Systemimmunologie