Een machine-learningkader onthult de belangrijkste drijfveren van cytokineresponsen in een gezonde menselijke cohort

Waarom onze immuunreacties verschillen

Als twee gezonde mensen dezelfde verkoudheid krijgen, heeft de één misschien alleen een lichte loopneus terwijl de ander dagen in bed ligt. Een groot deel van dit verschil komt door hoe sterk hun immuunsysteem signaalproteïnen genaamd cytokinen afgeeft. Deze studie stelt een simpele maar belangrijke vraag: kunnen we voorspellen hoe het immuunsysteem van een gezond persoon zal reageren, met behulp van een mix van genetica en alledaagse factoren zoals seizoen, eerdere infecties en bloedmetingen?

Nader bekeken: gezonde immuunsystemen

Om dit te onderzoeken stelde het team een zorgvuldig geselecteerde groep van 406 gezonde volwassenen samen, allemaal getest onder gestandaardiseerde omstandigheden. Ze namen ’s ochtends na vasten bloed af, maten hormoonspiegels en aantallen immuuncellen, en registreerden factoren zoals geslacht, leeftijd, lichaamsgewicht en seizoen van monstername. Vervolgens stimuleerden ze vers volbloed met stoffen die ziekteverwekkers nabootsen en twee belangrijke takken van de immuniteit activeren: Toll-like receptoren (innate waarschuwers die brede gevaarsignalen detecteren) en T-celreceptoren (adaptieve cellen die specifieke doelen herkennen). Het team mat 11 verschillende cytokineresponsen en creëerde zo een gedetailleerd beeld van hoe ieders immuunsysteem reageert onder gecontroleerde laboratoriumuitdagingen.

Patronen van sterke en zwakke reagerende personen ontdekken

De eerste stap was te onderzoeken of mensen van nature in herkenbare immuuntypen vallen. Door te bekijken hoe één belangrijke cytokine, IL-6, reageerde op meerdere innate stimuli, vonden de onderzoekers twee hoofdgroepen: hoge producenten en lage producenten. Personen die meer IL-6 produceerden op één innate trigger produceerden doorgaans ook meer van andere verwante cytokinen, wat wijst op stabiele responsprofielen. Hoge IL-6-producenten waren vaker mannelijk, hadden hogere aantallen van een type witte bloedcel genaamd monocyten, en werden vaker in de winter bemonsterd, wat benadrukt hoe zowel biologische als omgevingsfactoren de immuuntoon gedurende het jaar vormgeven.

Genen versus omgeving: wie stuurt wat aan?

Vervolgens doorzochten de onderzoekers het hele genoom op DNA-varianten die gekoppeld zijn aan cytokineniveaus en vonden vier regio’s die duidelijk bepaalde responsen beïnvloedden, waaronder een bekende variant die T-celgedreven cytokinen beïnvloedt. Maar genen verklaarden slechts een deel van het verhaal. Daarna lieten ze meerdere voorspellingsmethoden tegen elkaar strijden, van eenvoudige lineaire modellen tot flexibelere machine-learningtechnieken zoals random forests en gradient boosted trees. Wanneer ze probeerden cytokineresponsen te voorspellen met alleen genetische gegevens, konden slechts enkele T-celgerelateerde cytokinen met redelijke nauwkeurigheid worden voorspeld. Zodra ze biologische en omgevingsinformatie toevoegden — zoals bloedwaarden, seizoen en eerdere blootstelling aan cytomegalovirus — verbeterden de modellen, vooral voor responsen via innate receptoren, waar zuiver genetische signalen zwak waren.

Wat de beste modellen onthullen

De meest betrouwbare methode was een boombased techniek genaamd random forest. Door te onderzoeken hoeveel de voorspellingen verslechterden wanneer elk invoerkenmerk werd geschud, konden de auteurs zien welke kenmerken echt van belang waren. Voor T-celgedreven cytokinen waren genetische varianten de dominante drijfveren, met kleinere rollen voor leeftijd en chronische virale blootstelling. Voor door innate receptoren aangestuurde cytokinen zoals IL-6 en TNF waren seizoentiming en monocytaantallen veel invloedrijker dan DNA-markers. Het team toonde ook aan hoe gemakkelijk men de kracht van genetica kan overschatten als feature-selectie onjuist wordt uitgevoerd, en zij bevestigden hun belangrijkste bevindingen in een onafhankelijke cohort van bijna 500 niet-rokers. Interessant genoeg verbeterden brede genetische risicoscores voor auto-immuunziekten de voorspelling niet, wat suggereert dat genen die vatbaarheid voor ziekte veroorzaken niet noodzakelijk samenvallen met genen die de dagelijkse immuunrespons bij gezonde mensen afstemmen.

Wat dit betekent voor toekomstige gepersonaliseerde immuniteit

Voor de geïnteresseerde lezer is de les dat onze immuunreacties niet alleen in onze genen zijn vastgelegd. Sommige cytokinen, vooral die aangestuurd door T-cellen, worden sterk bepaald door geërfde DNA-veranderingen. Andere, met name die geproduceerd door innate sensoren zoals Toll-like receptoren, hangen veel meer af van veranderende factoren zoals seizoen, celcounts, hormonen en eerdere blootstellingen. Moderne machine-learninginstrumenten kunnen deze elementen samenbrengen om te rangschikken wie waarschijnlijk sterke of zwakke reageerders is, maar ze hebben beperkingen en moeten zorgvuldig worden gebruikt om misleidend optimisme te vermijden. Al met al brengt dit werk ons dichter bij het voorspellen van individuele immuungedragingen, terwijl het benadrukt dat zowel ons genoom als onze dagelijkse omgeving gezamenlijk bepalen hoe hevig we op infecties reageren.

Bronvermelding: 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

Trefwoorden: cytokineresponsen, machine learning, immuniteitsvariabiliteit, genetica en omgeving, systemische immunologie