Un framework di machine learning rivela i fattori chiave delle risposte delle citochine in una coorte umana sana

Perché le nostre reazioni immunitarie differiscono

Quando due persone sane prendono lo stesso raffreddore, una può avere solo qualche starnuto mentre l’altra resta a letto per giorni. Gran parte di questa differenza dipende da quanto intensamente i loro sistemi immunitari rilasciano proteine di segnalazione chiamate citochine. Questo studio pone una domanda semplice ma importante: possiamo prevedere come reagirà il sistema immunitario di una persona sana usando una combinazione di informazioni genetiche e fattori quotidiani come la stagione, infezioni pregresse e misure ematiche?

Uno sguardo ravvicinato ai sistemi immunitari sani

Per indagare, i ricercatori hanno costituito un gruppo selezionato con cura di 406 adulti sani, tutti testati in condizioni standardizzate. Hanno prelevato sangue al mattino a digiuno, misurato livelli ormonali e conteggi delle cellule immunitarie, e registrato fattori come sesso, età, peso corporeo e stagione del prelievo. Hanno quindi stimolato sangue intero fresco con sostanze che imitano i germi e attivano due grandi bracci dell’immunità: i recettori Toll-like (sentinelle innate che rilevano segnali di pericolo ampi) e i recettori delle cellule T (cellule adattative che riconoscono bersagli specifici). Il team ha misurato 11 diverse risposte di citochine, creando un quadro ricco di come il sistema immunitario di ciascuna persona reagisce a sfide di laboratorio controllate.

Trovare pattern di rispondenti forti e deboli

Il primo passo è stato vedere se le persone ricadono naturalmente in “tipi” immunitari riconoscibili. Esaminando come una citochina chiave, l’IL-6, rispondeva a diversi stimoli innati, il team ha identificato due gruppi principali: produttori alti e produttori bassi. Gli individui che producevano più IL-6 in risposta a uno stimolo innato tendevano a produrre anche più altre citochine correlate, suggerendo profili di risposta stabili. I produttori elevati di IL-6 erano più spesso di sesso maschile, avevano numeri più alti di un tipo di globulo bianco chiamato monociti, e venivano più frequentemente campionati in inverno, evidenziando come sia la biologia sia l’ambiente modellano il tono immunitario nel corso dell’anno.

Genetica contro ambiente: chi guida cosa?

Successivamente i ricercatori hanno scandagliato l’intero genoma per varianti del DNA associate ai livelli di citochine e hanno trovato quattro regioni che influenzavano chiaramente certe risposte, inclusa una variante ben nota che interessa le citochine guidate dalle cellule T. Ma i geni raccontavano solo una parte della storia. Hanno quindi confrontato diversi approcci predittivi, da modelli lineari semplici a tecniche di machine learning più flessibili come random forest e gradient boosted trees. Quando hanno provato a prevedere le risposte di citochine usando solo dati genetici, solo poche citochine legate alle cellule T potevano essere previste con ragionevole accuratezza. Una volta aggiunte informazioni biologiche e ambientali — come i conteggi ematici, la stagione e l’esposizione pregressa al citomegalovirus — i modelli sono migliorati, specialmente per le risposte ai recettori innati, dove i segnali puramente genetici erano deboli.

Cosa rivelano i modelli migliori

Il metodo più affidabile è stato un approccio ad albero chiamato random forest. Indagando quanto peggioravano le previsioni quando ciascun input veniva mescolato, gli autori hanno potuto vedere quali caratteristiche contavano davvero. Per le citochine guidate dalle cellule T, le varianti genetiche erano i fattori dominanti, con ruoli minori per l’età e l’esposizione virale cronica. Per le citochine indotte dai recettori innati come IL-6 e TNF, la tempistica stagionale e i conteggi dei monociti erano molto più influenti dei marcatori del DNA. Il team ha anche mostrato quanto sia facile sovrastimare il potere della genetica se la selezione delle caratteristiche è fatta in modo errato, e ha confermato i risultati principali in una coorte indipendente di quasi 500 non fumatori. Interessante, i punteggi di rischio genetico ampi per le malattie autoimmuni non hanno migliorato la predizione, suggerendo che i geni che predispongono alle malattie non corrispondono necessariamente ai geni che regolano le risposte immunitarie quotidiane in persone sane.

Cosa significa per la futura immunità personalizzata

Per un lettore non specialistico, la lezione è che le nostre risposte immunitarie non sono scritte solo nei geni. Alcune citochine, specialmente quelle guidate dalle cellule T, sono fortemente plasmate da variazioni ereditarie del DNA. Altre, in particolare quelle prodotte da sensori innati come i recettori Toll-like, dipendono molto di più da fattori variabili come la stagione, i conteggi cellulari, gli ormoni e le esposizioni pregresse. Gli strumenti moderni di machine learning possono intrecciare questi elementi per classificare chi è probabile che sia un rispondente forte o debole, ma hanno limiti e devono essere usati con cautela per evitare ottimismi fuorvianti. Nel complesso, questo lavoro ci avvicina alla capacità di prevedere il comportamento immunitario individuale, sottolineando al contempo che sia i nostri genomi sia il nostro ambiente quotidiano congiuntamente determinano quanto intensamente reagiamo a un’infezione.

Citazione: 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

Parole chiave: risposte delle citochine, machine learning, variabilità immunitaria, genetica e ambiente, immunologia dei sistemi