人类免疫系统具有高度变异性，且大部分变异源于非遗传因素。肠道微生物组对免疫系统有重要塑造作用，但其与健康人基线免疫状态的关系尚不完全清楚。因此，我们通过免疫微生物组研究（ImmunoMicrobiome study）对110名健康参与者进行了多组学分析。基于因子的整合方法识别出协调变异，发现干扰素应答是健康参与者中最可变的免疫特征之一。微生物组组成、通路和粪便代谢物与干扰素应答通路同时变化。跨度超过一年的纵向数据表明这些参数在个体内随时间显著稳定。我们的研究提供了大量数据来检查稳态下健康个体免疫状态与微生物组之间的关系，这为描绘与疾病易感性和治疗反应相关的个体间差异铺平了道路。
主要发现
- 对健康人免疫系统和微生物组的全面多组学分析
- 免疫变异的主要轴由干扰素应答特征驱动
- 特定免疫细胞状态与微生物组通路和代谢物协调
- 协调的免疫和微生物组特征在个体内随时间稳定
摘要
人类免疫系统高度可变，大部分变异归因于非遗传因素。肠道微生物组关键性地塑造免疫系统；然而，它与健康人基线免疫状态的关系尚不完全清楚。因此，我们通过免疫微生物组研究对110名健康参与者进行了多组学分析。基于因子的整合方法识别出协调变异，发现干扰素应答是健康参与者中最可变的免疫特征之一。微生物组组成、通路和粪便代谢物与干扰素应答通路同时变化。跨度超过一年的纵向数据表明这些参数在个体内随时间显著稳定。我们的研究提供了大量数据来检查稳态下健康个体免疫状态与微生物组之间的关系，这为描绘与疾病易感性和治疗反应相关的个体间差异铺平了道路。
引言
个体间免疫变异对人类健康和疾病具有广泛影响。人群研究已开始识别免疫变异性的驱动因素，揭示环境因素可能超过遗传贡献。更深入的理解可以提供对疾病易感性、严重程度以及对免疫调节治疗（包括疫苗、癌症免疫疗法和自身免疫性疾病的免疫抑制治疗）的差异性应答的见解。
肠道微生物组可以影响免疫应答。在癌症患者中，微生物组特征与检查点抑制剂免疫疗法的临床结局相关。在自身免疫中，微生物组和共生微生物产生的代谢物影响治疗应答。在疫苗中，微生物组可以充当佐剂，增强免疫原性。这些研究表明，微生物组及其产生的分子可能塑造患者的基线免疫状态并影响对治疗的免疫应答。动物模型已揭示微生物组与免疫细胞发育和活性之间的因果关系。然而，在健康人中，微生物组特征与稳态下免疫状态变异之间的关系尚不完全清楚。
一个例子是基线或强直性干扰素（IFN）信号的调节，表现为无微生物组的小鼠中IFN刺激基因（ISG）表达减少和抗病毒免疫应答受损。事实上，IFN在稳态下以低水平产生，IFN的感知导致对抗菌免疫应答至关重要的强直信号，并塑造免疫景观和免疫活性。这种IFN信号是否在不同健康人之间变化以及是否与人类肠道微生物组相关仍不完全清楚。
在这里，我们调查了健康个体中的免疫学变异，并探究了微生物组特征是否与这些免疫状态相关。我们生成了免疫系统、微生物组和代谢组的多模态数据作为该领域的资源。我们使用基于因子的整合分析来捕获队列中的共变特征，并确定了健康个体中涉及IFN应答程序的两个主要免疫变异轴。虽然一个轴与肠道微生物组特征相关，但另一个轴独立于微生物组。与微生物组相关的变异轴特别捕获了IFN应答基因表达，以及SIGLEC-1高表达单核细胞丰度和表型差异、活化记忆T细胞亚群以及活化CD69高表达自然杀伤细胞和黏膜相关恒定T细胞的差异。将这些特征应用于公共数据集表明，与微生物组相关的IFN特征与增强的疫苗应答和治疗依赖性癌症免疫疗法应答相关。此外，这些特征在同一个人体内随时间稳定，建立了我们对健康人免疫和微生物组设定点的理解。
结果
健康队列中的免疫和微生物组变异
为了研究稳态下人类免疫系统和微生物组的变异，我们在旧金山湾区招募了110名健康参与者，建立了免疫微生物组队列（图1A）。参与者主要是非西班牙裔白人和亚洲裔成年人（图1B）。我们收集了血液和粪便标本以及关于一般健康、饮食和医疗史的调查问卷。我们对外周血单个核细胞进行了免疫分析，量化了血浆中的循环因子，生成了从粪便中提取的DNA的微生物组分析数据，并量化了粪便中的代谢物（图1A）。我们预处理每个数据集以提取分子和细胞特征，并评估其在队列中的分布。
我们使用单细胞质谱流式技术评估免疫细胞群体频率及其在队列中的变异。我们基于关键标志物表达注释了无监督细胞簇，并在力导向图上可视化它们的相对丰度变异（图1C）。虽然大多数簇在个体间是可变的（图1C），但按变异系数排序显示某些NKT、NK和T细胞簇表现出最高的变异程度（图1D）。
我们使用CITE-seq评估免疫细胞亚群在基因和蛋白表达上的变异。单细胞被聚类并基于胞外蛋白表达和基因表达进行注释，识别出由已建立的免疫细胞类型组成的簇（图1E, S1A和S1B）。每种细胞类型的基因表达矩阵经过独立降维以评估跨队列的主要转录变异轴。例如，在单核细胞中，我们在前10个维度上可视化了基因表达在队列中的方差（图1F）。维度1与IFN应答基因正相关，但与炎症应答基因负相关（图1G）。其他细胞类型也在队列中发现了类似规模的基因表达变异。
同时，我们使用宏基因组测序研究了微生物组组成的变异。我们在不同分类水平上识别了微生物进化枝。大多数鉴定到的物种属于4个主要门（图S1C），并在队列中显示出多样性差异（图S1D）。虽然前5个最丰富的科覆盖了大多数研究参与者中超过50%的已知分类群，但每个科的相对丰度在个体间差异很大（图1H）。这种组成变异在物种水平上也可见（图S1E）。这些观察结果与人类微生物组项目中发现的主要分类群和丰度变异大体一致。
总之，这些高水平分析突显了健康人群队列中免疫和微生物组组成以及关键免疫效应物基因表达的重要个体间变异。
多组学整合分析识别出与微生物组相关的IFN和炎症应答免疫变异
为了识别免疫和微生物组系统之间同时变异的生物学特征，我们使用多组学方法整合跨模态的数据（图S2A）。我们应用多组学因子分析生成由跨模态协调特征组成的因子，这些因子捕获了队列中不同的生物学变异。这种方法为每个研究参与者每个因子产生了因子得分，以及特征权重，指示特征与每个因子的关联强度（图S2B）。因子按解释方差编号。我们使用线性模型识别出与每个因子显著关联的特征，并评估了每个因子中来自每个模态的特征数量和比例（图2A）。因子1捕获了免疫细胞基因表达的显著变异，但与粪便微生物组或代谢物特征无显著关联（图2A和2B）。相比之下，因子3捕获了免疫系统、微生物组物种组成、微生物组通路丰度和代谢物的大量变异。在顶部分析因子中，因子3也捕获了CyTOF和CITE-seq数据中免疫细胞亚群相对丰度的最大变异。微生物组组成的主成分分析识别出MOFA因子3与PC2显著相关，CITE-seq基因表达的主成分分析也类似（图2C和S2C）。相比之下，因子1与CITE-seq基因表达PC相关，但与微生物组组成PC无关（图2D和S2D）。因此，我们将因子1称为独立免疫变异，将因子3称为免疫和微生物组伴随变异。
为了理解IMCV捕获的免疫变异，我们在所有细胞亚群中量化了转录数据中的主导特征。IFN-α应答、IFN-γ应答和炎症应答显示出最高的特征得分（图2E）。然后我们识别每个因子的顶级特征，并量化显示富集的细胞亚群数量（图S2E）。IFN-α、IFN-γ和炎症应答特征在大多数免疫细胞群体中富集于IMCV（图2F和S2E）。有趣的是，这些特征也与IIV高度相关，IIV也捕获了额外的特征（图2F和S2E）。这进一步表明IFN和炎症应答是跨队列转录变异性的主要来源，被IMCV和IIV捕获。
年龄和性别先前已与免疫系统特征相关联。虽然两者与IMCV或IIV无显著关联，但这些变量与其他MOFA因子相关（图S2F）。
IMCV捕获了队列中IFN应答的差异
虽然IFN相关特征被IMCV和IIV广泛捕获（图2F），我们假设它们可能捕获IFN应答的不同元素。使用不与炎症相关特征重叠的IFN基因集，我们观察到大多数细胞亚群对两个因子均显示IFN特征的正富集，尽管对IMCV的关联对大多数更强（图3A）。我们通过评估每个因子得分最高和最低的个体亚组之间的差异表达基因来检查驱动这些特征的具体基因（图S3A）。在IIV高亚组中上调的大多数基因由淋巴样亚群表达（图3B和3C），而在IMCV高亚组中最上调的基因富集于髓样亚群（图3B和3D）。大多数差异表达基因是其中一个因子特有的（图3E）。对于IFN-α应答特征也发现了类似结果。
IFN信号根据刺激的持续时间和强度诱导不同的转录应答。由于IMCV和IIV之间IFN应答特征的差异，我们研究了它们与更细微和特异的IFN应答基因特征的重叠。与IMCV强正相关的基因富集于一个“强直IFN应答”特征，该特征来自一项体内研究，识别了对稳态组成型表达IFN敏感的基因（图3F和S3B）。它们也富集于一个相关的“持续IFN应答”特征，由在人类细胞体外暴露于低剂量IFN后表达的ISG组成（图S3C），表明跨队列可能存在IFN暴露的差异。相比之下，IIV与这些特征的关联弱得多（图3F和S3C）。
因此，我们假设循环IFN水平可能在IMCV高亚组参与者中更高。我们测量了血浆样本中的细胞因子水平，发现IFN-γ以及由ISG编码的趋化因子CXCL10和CXCL11在IMCV高参与者中水平更高（图3G和3H）。这些分子的血浆水平也与跨细胞亚群的强直IFN应答基因特征相关（图S3D）。
虽然IIV和IMCV捕获了全队列中独特的免疫变异性，但参与者可以根据因子得分分类为不同的免疫状态（图S3E）。我们定义了每个因子得分最高的20个个体亚组，除了在两个因子中都位于前20的两位参与者（我们从该分析中排除）。对比IMCV高和IIV高参与者，揭示了在IMCV高亚组中，髓样和几种先天淋巴样细胞亚群中IFN-α、IFN-γ、强直和持续IFN应答特征的相对富集（图S3F）。虽然这些特征来源于文献，我们探索了基于驱动每个特征富集的核心基因的个体复合得分，是否可以进一步总结这些亚组的免疫状态。在该特征的基因中，参与IFN-γ信号的IFNGR2、IRF7和IRF9在IMCV高队列中比IIV高队列更高（图S3G），与其更高的IFN应答特征和ISG表达一致。
我们假设个体间IFN状态的差异可能反映影响对免疫调节治疗应答的稳态差异。在一项流感疫苗研究的转录数据中，那些后来对疫苗产生强烈免疫应答的个体的基线免疫状态与相同的强直IFN应答特征相关（图3I）。值得注意的是，免疫微生物组参与者近期疫苗接种史仅显示流感疫苗状态与IIV因子得分有微弱关联，与IMCV无关联（图S3H）。此外，在接受免疫治疗的非小细胞肺癌患者中，试验开始时的强直IFN应答特征与那些仅在加入JAK抑制剂依他替尼（阻断IFN信号）后对抗PD-1检查点阻断产生应答的患者相关（图3J）。
总之，这些数据表明IIV和IMCV与不同的IFN相关转录程序相关。IMCV中IFN特征的高表达也在对流感疫苗产生更高应答的个体以及受益于联合JAK抑制与抗PD-1治疗的癌症患者中观察到。
炎症和TGF-β转录程序在IMCV和IIV之间差异调节
我们之前的分析表明，炎症相关基因特征也是队列中最可变的之一（图2E），并且与IMCV和IIV相关（图2F和S2E）。事实上，IIV和IMCV因子得分与IFN特征正相关，与炎症相关特征负相关（图4A）。在CITE-seq识别的主要单核细胞簇中，IMCV和IIV均表现出与炎症应答和TNF-α/NF-κB信号特征的负相关（图4B）。然而，这些是由每个因子的一组不同DEG驱动的（图4C, 4D和S4A）。IL-1通路基因，包括IL1A和IL1B，在IMCV高个体中表达水平较低（图4C和S4B）。相比之下，IIV高组表现出IL-6调节因子（包括抑瘤素M和TIMP1）的低表达。TNF-α/NF-κB信号特征也观察到类似结果（图4D），突出了在IMCV高组中TLR/IFN诱导的转录因子ATF3（抑制NF-κB信号）水平更高。LPS诱导的TNF-α因子在IMCV高组中表达更高，但在IIV高组中更低（图4D和S4B）。这些结果表明，IMCV和IIV均与单核细胞中炎症和TNF通路呈负相关，但通过不同的基因集（图S4A）。
在许多其他细胞亚群中，只有IIV与炎症相关特征负相关（图4B）。MAIT细胞（识别维生素代谢物的不变T细胞亚群，包括来自肠道微生物组的代谢物）是TNF-α/NF-κB特征与IMCV正相关而与IIV负相关的唯一亚群（图4B）。驱动IIV负相关性的关键基因包括TNF、NF-κB亚基及其调节因子（图4E）。相反，与IMCV的正相关性由TNF-α下游的炎症相关因子的更高表达驱动。转录因子JUNB（JUN的负调节因子）在IIV高亚组中表达更高，表明AP-1通路在MAIT细胞中存在调节差异。
总体而言，这些数据表明，高IMCV和高IIV亚组在炎症和TGF-β信号通路方面存在关键差异。
IMCV捕捉到队列中SIGLEC-1高表达单核细胞和PD1高表达ICOS高表达记忆T细胞的差异
IMCV与IIV的进一步区别在于其与免疫细胞群体丰度的关联（图2A）。表现出不同IFN和炎症转录特征的单核细胞亚群的相对丰度与IMCV呈正相关（图S5A）。CyTOF数据由于高通量允许更深入的采样，证实了几个单核细胞簇的相对丰度与IMCV呈正相关（图5A）。因此，我们比较了这些簇中单核细胞的蛋白表达与未与IMCV相关的单核细胞簇，以了解它们的差异（图5B）。与IMCV相关的簇中的单核细胞表现出由IFN调控的主要组织相容性复合体II类蛋白HLA-DR和Fcγ受体CD64的更高蛋白表达（图5B和5C）。此外，这些细胞表达了更高水平的髓样活化标志物（CCR7和CD14）以及与抗炎表型相关的清道夫受体CD163（图5B和5C）。与这些结果一致，CITE-seq经典单核细胞簇B（其丰度与IMCV相关）也与其他cMo亚群相比表现出更高的MHC II类通路基因表达。它们还表现出更高的免疫蛋白酶体基因PSME2和钙网蛋白（抗原加工和呈递的关键伴侣）的表达，以及ISG的表达（图5D）。相反，cMo-B具有更低的前炎症基因表达，包括AP-1亚基和钙卫蛋白（一种内源性TLR4配体）（图5D）。为了进一步研究IMCV捕获的髓样细胞表型差异，我们比较了高和低IMCV因子得分个体中CITE-seq的蛋白水平。SIGLEC-1（在先前研究中被证明可定义具有增强抗原呈递能力、在小鼠中防止败血症或在人类中防止重症COVID的IFN诱导的单核细胞）在高IMCV个体的单核细胞中表达更高（图5E和S5B）。虽然cMo-B表达了最高水平的SIGLEC-1，但其他髓样亚群在高IMCV参与者中显示出类似的差异表达，表明在这些个体中SIGLEC-1升高可能是一种更广泛的髓样状态的特征（图S5B）。与IIV高亚组相比，IMCV高亚组参与者的单核细胞中SIGLEC-1的表达也更高，导致SIGLEC-1高表达单核细胞的相对丰度更高（图S5C和S5D）。
几个记忆T细胞簇也与IMCV呈正相关（图5A）。与未与IMCV相关的记忆CD4或CD8 T细胞簇相比，记忆CD4 T细胞簇115和CD8 T细胞簇166表现出更高水平的共刺激和共抑制检查点分子组合（图5F）。这些簇也表达了更高水平的活化标志物HLA-DR和转录因子Foxp3，以及更低水平的细胞因子受体CD127和CD25。另外两个与IMCV正相关的簇表现出相似的表型，除了Foxp3的表达（图5G和S5E）。与调节性T细胞（图S5F和S5G）和未与IMCV相关的记忆T细胞（图S5H和S5I）相比，来自这四个组合簇的细胞表达更高水平的Foxp3和大多数检查点分子，包括抑制性检查点配体PD-L1。与IMCV负相关的CD4和CD8记忆T细胞簇（图5A和S5A）通常显示出相反的表达谱（图S5F-S5I）。我们进一步在CITE-seq数据中为CD8效应记忆T细胞识别了这些CyTOF簇丰度与基因表达之间的相关性。大多数正相关基因与T细胞活化相关，包括许多抗原加工和呈递分子（图5H），与CyTOF的结果一致。总之，这些结果表明IMCV与具有活化表型和检查点分子表达升高的记忆T细胞相关。
已确定的免疫调节性肠道微生物组通路和分子与IMCV相关
IMCV最独特的特征是其协调了免疫与微生物组数据集（图2A）。与MOFA结合使用的基于参考的分析方法（图S6A）识别出77条与IMCV相关的微生物通路（图S6A），包括几条与已知免疫调节分子产生相关的通路：短链脂肪酸的生物合成、多胺的代谢以及细菌细胞壁组分LPS和肽聚糖的产生或修饰（图6A）。此外，78种粪便代谢物也与IMCV相关（图S6A），包括许多由这些通路产生的免疫调节分子（图6B）。短链脂肪酸乙酸、丁酸和丙酸与IMCV呈正相关，相关化合物也是如此。肌醇（丙酸的前体）与IMCV呈正相关，而其磷酸化前体肌醇磷酸则呈负相关。在8种检测到的多胺中，6种与IMCV呈正相关，包括其前体与IMCV呈负相关的鸟氨酸（图S6B）。以免疫调节作用著称的初级胆汁酸鹅去氧胆酸和胆酸也与IMCV相关。总之，这些发现表明，IMCV捕获的免疫状态与肠道微生物群中的免疫调节通路及其产生的代谢物是一致的。
接下来，我们研究了编码这些通路的细菌种类。我们通过测量相关基因在队列中的流行率和平均拷贝数来评估它们对通路丰度的贡献（表S7）。长双歧杆菌、青春双歧杆菌、假链状双歧杆菌和柯林斯菌是乙酸生物合成通路的主要贡献者（图6C），它们的相对丰度也与乙酸生物合成通路丰度相关（图S6C）。长双歧杆菌丰度与IMCV直接相关（图S6D）。一些相同的物种也是将乙酸转化为丁酸以及将肌醇转化为丙酸的非详尽代谢反应集的主要贡献者（图6D和S6E）。其中，布劳特氏菌和R. torques还编码了参与催化肌醇磷酸去磷酸化的碱性磷酸酶基因家族，表明这些细菌在丙酸生物合成中可能发挥作用（图S6F）。
部分重叠的物种群体参与了与多胺代谢相关的通路（图6E）。有几个物种以高流行率编码将胍丁胺转化为腐胺的基因。同样的物种也是后续生产亚精胺和精胺的主要贡献者。青春双歧杆菌是对精胺/亚精胺乙酰化的基因家族丰度贡献最大的物种，而R. torques和B. obeum是赖氨酸尸胺生物合成基因家族含量的重要贡献者。总体而言，贡献于多胺代谢的物种互补性表明了群落代谢。与这一概念一致，这些单个物种的丰度与IMCV无关（图S6D），也与多胺通路非分层丰度无关（图S6H），突显了除微生物群组成外，检查代谢通路和代谢物的重要性。
检查贡献于LPS（由先天免疫受体TLR4检测）生物合成的物种，揭示了进一步的重叠。双歧杆菌和C. aerofaciens也是N-乙酰葡糖胺生物合成的重要贡献者（图6F），后者是LPS的前体。它们的丰度进一步与LPS生物合成通路丰度相关（图S6I）。N-乙酰葡糖胺随后转化为LPS内毒素KDo2-脂质A的过程由不同的物种主导，包括大肠杆菌和副流感嗜血杆菌。这些通路的几个主要贡献者与IMCV呈正相关（图S6D），有几个与SCFA和多胺代谢通路的贡献者重叠。其中一些物种也是能够产生与IMCV相关的非结合胆汁酸的胆汁盐水解酶基因家族丰度的主要贡献者（图6B和S6J）。
携带参与产生与IMCV相关分子（SCFA、多胺、LPS、初级胆汁酸）基因的物种在系统发育上多样化，跨越超过14个科。编码参与所有与IMCV相关关键过程的基因的核心物种群落跨越5个微生物科（图S6K）。值得注意的是，这些微生物编码的代谢通路和代谢物水平比细菌物种的丰度与IMCV的关联更强。基于关键微生物通路丰度和粪便代谢物的IMCV微生物组复合得分与跨免疫细胞亚群的强直IFN应答特征显著相关（图6G）。这些结果突出了由IMCV捕获的参与产生免疫调节分子的复杂而系统发育多样化的微生物物种集合。
与用于分析宏基因组学数据的基于参考的方法相比（图S6A），基因组解析分析可以更精确地识别可能具有不同功能的菌株。我们对去除人类序列后的宏基因组进行了从头组装，以鉴定宏基因组组装基因组，从而生成亚种基因组分箱库（图S6L）。然后，每个宏基因组被映射到SGB库以构建基因组分辨的群落计数矩阵，并通过基因组分类数据库内的 taxonomic 分类对每个SGB进行注释，以识别其最近的物种水平匹配。SGB根据基于Spearman相关性的距离进行分组，得到60个共丰度SGB模块。
在这些共丰度模块中，有7个与IMCV显著相关（图6H）。在与IMCV正相关的3个模块中，模块C捕获了31个SGB，反映了柯林斯菌属内的遗传不同菌株，其中7个具体匹配了几个C. aerofaciens参考（图6I）。模块F包含4个SGB，匹配几个双歧杆菌参考（长双歧杆菌、链状双歧杆菌、假链状双歧杆菌和青春双歧杆菌）以及几个匹配Phocaeicola plebeius的SGB（图6I）。这些发现通过识别与IMCV丰度直接相关的SGB，加强了基于参考方法中的通路贡献分析所识别的细菌群落。基因组解析分析还识别了另一个与IMCV得分显著正相关的模块K，其中包括与Turicibacter bilis、Clostridium saudiense、Romboutsia timonensis和Intestinibacter bartlettii相关的SGB（图6I）。
在与IMCV负相关的模块中，模块M由几个Alistipes SGB主导（图6J）。在先前分析中被识别为几个IMCV相关通路的主要贡献者的Alistipes putredinis，在这些SBGs中表现出与IMCV最强的关联（图6J）。基因组解析方法独特识别的几个与IMCV负相关的模块包括模块H（包含Lachnospiraceae相关的Eubacterium_F sp003491505_3和Eubacterium_F sp003491505_1等）、模块S（包含与Gallintestinimicrobium propionicum、Acetatifactor intestinalis、Acetatifactor acetigignens和Roseburia hominis相关的SGB）以及模块U（包含Hominicoprocola的几个菌株）（图6J）。
总体而言，来自IMCV相关模块的单个SGB的相对丰度在与强直IFN应答特征以及关键IMCV通路和代谢物的相关性中表现出方向一致性（图6K）。
IFN应答特征和IMCV相关特征随时间稳定
我们假设IMCV的特征可能在个体内随时间稳定，反映出免疫系统和微生物群的协调设定点。因此，我们从队列的一个亚组（n = 48）在基线采样点约20个月后的远期随访时间点收集了生物样本（图S7A），并生成了一个纵向多组学数据集以匹配先前的分析。随访队列代表了整体免疫微生物组队列中观察到的IMCV得分的完整范围（图S7B）。
为了评估免疫表型随时间推移的稳定性，我们对纵向血液样本进行了CITE-seq、血浆细胞因子和CyTOF分析。CITE-seq数据用于在所有主要细胞类型中量化强直IFN应答特征以及IFNα和IFNγ应答特征（图7A和7B）。确实，在先前观察到表现出强IFN相关基因表达程序的关键细胞群体（图3A-3F）中，跨时间点观察到了显著的相关性，表明这些IFN应答特征在个体参与者内随时间稳定。类似地，血浆中的IFNγ和ISG编码的趋化因子CXCL10和CXCL11水平在两个时间点之间跨参与者显著相关（图7C和7D），以及CCL20和CD40的水平（这些在最初的分析中也与IMCV显著相关）。CyTOF分析显示，先前识别出的关键免疫细胞亚群（图5A）的频率在两个时间点之间跨参与者高度相关（图7E和7F）。总的来说，这些结果表明构成IMCV的关键免疫参数在研究参与者内超过一年的时间内非常稳定。
同时，为了研究微生物组及其衍生代谢物随时间推移的稳定性，我们对这些个体的纵向粪便样本进行了宏基因组和代谢组学分析。大多数与IMCV显著相关的关键通路（图6A）的丰度在每个参与者的两个时间点之间表现出高度相关性（图7G和7H）。与IMCV相关的关键细菌分类群的相对丰度也是如此（图S7C和S7D）。此外，与IMCV相关的关键代谢物（图6B）在每个研究参与者的两个时间点之间也高度相关（图7I和7J）。总的来说，这些结果表明与IMCV相关的微生物代谢通路和代谢物水平具有高度稳定性。
最后，我们对每个研究参与者在每个时间点的这些特征进行了降维，并通过均匀流形近似与投影（UMAP）进行可视化（图7K）。确实，任何给定个体的两个时间点的数据彼此接近，表明这些免疫和微生物组相关特征随时间推移的稳定性。
【全文结束】