信息速览
ImmPort — 免疫学数据共享枢纽 AI-Ready Wikipedia
INFOBOX
| 数据集名称 | ImmPort（Immunology Database and Analysis Portal） |
| 英文全称 | Immunology Database and Analysis Portal |
| 别名/简称 | ImmPort、ImmPort Shared Data、ImmPort 门户 |
| 疾病分类 | 免疫学及相关疾病全谱（ICD-11：4A01 原发性免疫缺陷 / 1C62 获得性免疫缺陷 / EB13 过敏性鼻炎 / 4A43 系统性红斑狼疮 / FA20 类风湿关节炎 等多系统条目，覆盖 182 种疾病） |
| SNOMED CT | 40982009 Immunology (qualifier value) / 106190000 Immunology (specialty) / 76870001 Allergy (disorder) / 55464009 Systemic lupus erythematosus (disorder) / 69896004 Rheumatoid arthritis (disorder)（详见 §2.1b） |
| 数据模态 | 结构化临床元数据、受试者级检测结果、流式细胞术原始文件（FCS）、质谱流式、基因表达矩阵、HLA/KIR 分型、研究文档 |
| AI 任务类型 | 跨研究免疫特征整合、疫苗应答预测、生物标志物发现、流式细胞群体自动分群、多组学融合、纵向轨迹建模、本体映射与命名标准化、meta-analysis |
| 样本总数 | 194,891 名受试者 / 1,505 项研究 / 5,272 项实验 / 1,791,224 条实验室检验 / 7,896,501 条实验结果（Release 67，2026-08） |
| 数据大小 | 平台级总量未公开；官方 AI-ready 子集合计约 834.7 MB（10k Immunomes 138.2 MB + COVID-19 2.8 MB + Immune Signatures 693.7 MB）；单研究完整包可达成百 GB 级 |
| 数据格式 | TSV、MySQL dump、ZIP（ALL_DATA 完整包）、FCS（流式原始文件）、XLSX/PDF/DOCX（模板与文档） |
| 许可证 | ImmPort User Agreement（Limited License，允许任何合法目的使用与再分发，再分发须采用相称条款）；元数据文件另有 CC0 1.0 声明 |
| 访问级别 | 注册后开放（免费注册并接受 User Agreement 后可下载；未登录可检索与浏览） |
| DUO 标签 | GRU, HMB, NPUNCU, PUB |
| 语言 | 英文 |
| 首发日期 | 2013（平台上线）/ 2014-05（Immunologic Research 创刊论文） |
| 最后更新 | 2026-08-29（Data Release 67，月度发布节奏） |
| 发布机构 | 美国国家过敏与传染病研究所（NIAID）过敏、免疫与移植分部（DAIT）；主承包商 Peraton Corporation |
| 官方主页 | https://www.immport.org/ |
| 下载地址 | https://www.immport.org/shared/download |
| DOI | 10.1038/sdata.2018.15（平台论文）/ 10.1007/s12026-014-8516-1（创刊论文） |
| 引用次数 | 1,500+（Google Scholar 收录的 2014 Immunol Res 创刊论文与 2018 Sci Data 平台论文合计被引，截至 2026-08） |
| AI 就绪度评分 | ⭐⭐⭐（3/5）— 提供官方 AI-ready 子集、REST/DRS/GA4GH 接口与成熟本体映射，但平台主体为异构多研究汇集，跨研究字段命名与检测协议未统一，须自行完成大量标准化；扣分项：无官方统一切分、无平台级端到端预处理脚本、单研究文件组织不一致 |
| 页面状态 | published |
§0 E-E-A-T 信任声明与免责声明
医学审核：[千方病案医学编辑部] 交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、免疫学检测的临床语义）、§7 偏倚分析（人群代表性与检测平台偏倚）。
数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-09-05
引用次数核验：本页面 INFOBOX 引用次数基于 Google Scholar 公开检索快照整理，检索日期为 2026-08；引用量随时间增长，读者应以最新检索为准。
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。ImmPort 要求用户免费注册并接受 ImmPort User Agreement，协议禁止任何形式的个体再识别，明确数据按 “AS IS” 提供且不适用于人类治疗决策。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 30 秒速览
这是什么？ ImmPort 不是一份单一研究的数据集，而是一座由美国政府出资建设、持续运行十余年的免疫学数据仓储。它把数百个原本分散在各自实验室与临床试验数据库里的免疫学研究，按同一套关系型数据模型重新整理后集中开放。平台的统计口径以"研究"为基本单元，每一项研究用一个 SDY 编号标识，例如 SDY91 是一项血管炎临床试验，SDY660 是一项花生过敏干预试验。截至 2026 年 8 月的第 67 次数据发布，平台已公开共享 1,505 项研究、194,891 名受试者，覆盖 182 种疾病与 7,896,501 条实验结果。数字来源为官方 Shared Data 首页的实况统计。
为什么重要？ 免疫学的核心困难在于数据太碎。一项流式细胞术研究可能只招募几十人，一项疫苗应答研究只覆盖一个流感季，单篇论文很难支撑稳健的结论，而把多个研究合起来分析又面临检测平台、抗体组合、命名口径全都不一致的障碍。ImmPort 的价值恰在于它承担了这部分脏活：用统一数据模型收编异构研究、用 Cell Ontology 与 Disease Ontology 等标准本体做术语锚定、用跨研究数据目录把同名的分析物归拢到一起，并在此之上提供 Galaxy 分析环境与 R 包。它被 PLOS One 与 Nature Scientific Data 列为推荐数据仓储，并持有 Core Trust Seal 认证。
我能用它做什么？ 最典型的用法是二次分析与 meta-analysis：把同一疾病或同一疫苗的多项研究合并，构建更大样本量的免疫特征图谱。官方自身就示范了这种做法——从 ImmPort 的健康对照数据中提炼出覆盖 83 项研究、10,334 名受试者的 10,000 Immunomes 参考数据集。除此之外，平台可用于流式细胞自动分群算法的基准测试、疫苗应答预测模型的训练、HLA 与 KIR 分型的跨研究检索，以及把免疫学检测结果与临床变量关联的探索性研究。需要注意，平台本身的定位是数据仓储而非机器学习基准，官方并未提供统一训练/测试划分。
§1.1 摘要
ImmPort 全称 Immunology Database and Analysis Portal（免疫学数据库与分析门户），由美国国家过敏与传染病研究所（NIAID）下属的过敏、免疫与移植分部（DAIT）资助建设，是 NIH 数据共享政策在免疫学领域的具体实现载体。平台的建站目标在官方文档中被明确列为五项：提供开放获取的研究数据共享平台、构建能拓宽科学数据用途的集成环境、加速科学发现、促进重要发现的快速可用，以及提供推进基础与临床免疫学研究的分析工具。
在技术架构上，ImmPort 采用四组件设计：Private Data（私有数据）供研究者上传与策展、Shared Data（共享数据）面向公众开放检索与下载、Data Analysis（数据分析）提供 ImmPort Galaxy 等分析环境、Resources（资源）提供教程与参考数据集。这种"先私有策展、后公开发布"的两阶段机制，使原始数据在提交者完成质量控制与元数据补全之后才进入公共视图。发布节奏为月度批量发布，每次发布同时纳入新研究并更新既有研究，每位受试者、每项实验与每条结果都带有可追溯的 accession 编号。
数据结构上，ImmPort 的核心是一个覆盖 Study、Subject、Immune Exposure、Biosample、Experiment、Assessment、Lab Test、Adverse Event、Protocol、Reagent 等实体的关系型数据模型。结果数据按检测域组织，涵盖 ELISA、ELISPOT、流式细胞术、质谱流式、基因表达、基因分型、血凝抑制试验、HLA 分型、KIR 分型、多重微珠阵列、代谢组学、中和抗体滴度与蛋白质组学等 13 类以上的结果域。每条记录都关联到标准化术语，包括 Vaccine Ontology、Disease Ontology、Human Phenotype Ontology、Cell Ontology、Gene Ontology 与 IPD-IMGT/HLA 等。
对 AI 研究者而言，ImmPort 最实际的入口并非平台全量数据，而是官方与 NAIRR 合作整理的三份 AI-ready 数据集：10k Immunomes（健康人免疫参考图谱）、COVID-19 Dataset（协调后的 COVID-19 免疫研究集合）与 Immune Signatures Data Resource（系统疫苗学纲要）。这三份数据都已抽取为扁平化、可直接加载的格式，并附有 AI 就绪度评估文档，是上手成本最低的路径。
§1.2 战略价值
维度一：受试者级免疫学数据的稀缺性。 生物医学数据领域并不缺数据，缺的是"带免疫学检测结果的受试者级纵向数据"。基因组数据有 dbGaP 与 EGA，基因表达数据有 GEO，序列数据有 SRA，但免疫学检测——尤其是流式细胞术与质谱流式——长期缺乏统一的公共归档场所。ImmPort 以受试者（subject）为锚点组织数据，把人口学、免疫暴露史、生物样本、检测结果串成一条可追溯的链，这在结构上区别于以样本或序列为中心的仓储。正因如此，ImmPort 被官方定位为"全球最大的受试者级人类免疫学数据开放仓储之一"，这一地位使其成为构建人类免疫参考图谱不可绕过的数据源，10,000 Immunomes 项目正是建立在这一判断之上。对需要免疫表型作为协变量或结局的 AI 模型来说，ImmPort 提供的不是单纯的样本量，而是"同一受试者身上多种免疫学测量同时存在"这种结构化的多模态优势。
维度二：跨研究整合的基础设施价值。 免疫学数据的最大障碍是可比性。不同研究使用的抗体克隆号、荧光染料组合、仪器配置、门控策略、分析物命名方式全不相同，直接合并会引入严重的批次效应。ImmPort 对此的应对是双层的：在元数据层，它用统一数据模型和标准本体把"这是什么细胞""这是什么分析物"锚定下来；在工具层，它通过 ImmPort Galaxy 提供 FLOCK、FlowSOM 等自动分群工具，并通过 MetaCyto 这类专门为跨平台流式整合设计的框架，把不同来源的细胞群体数据在统计层面对齐。这种"数据 + 方法"的组合使 ImmPort 不止是仓库，更是免疫学数据互操作的参考实现。对药物研发与疫苗评价机构而言，这意味着可以用既有公开数据回答"某类疫苗在不同人群中诱导何种免疫应答"这类原本需要多中心前瞻性研究才能回答的问题。
维度三：合规与治理的示范性。 ImmPort 的 User Agreement 在数据共享协议设计中具有参考价值：它在允许用户"为任何合法目的使用并再分发数据"的同时，明确禁止任何再识别尝试，并要求意外发现身份时向 NIAID 项目官员报告。这种"宽进严管"的许可结构，配合 HIPAA Safe Harbor 级脱敏与 Core Trust Seal 认证，构成了一个在开放性与隐私保护之间取得平衡的实践样本。对需要设计数据共享方案的研究联盟而言，这套协议文本本身就是可借鉴的制度资产。
§1.3 同类数据集横向对比
| 数据集/平台 | 发布机构 | 规模 | 核心模态 | 标注特点 | 差异化定位 |
|---|---|---|---|---|---|
| ImmPort | NIAID/DAIT | 1,505 项研究 / 194,891 名受试者 / 182 种疾病 | 流式细胞术、CyTOF、ELISA、ELISPOT、RNA-seq、HLA/KIR 分型、临床元数据 | 受试者级检测结果 + 标准本体锚定，人工策展 | 唯一以"受试者级免疫学检测"为核心组织原则的开放仓储，含 FCS 原始文件 |
| ImmuneSpace | HIPC（NIAID 资助） | 以 HIPC 队列为主 | 转录组、细胞术、抗体滴度 | 面向 HIPC 数据的交互式分析 | ImmPort 的策展数据下游消费者，侧重分析与可视化而非归档广度 |
| 10k Immunomes | UCSF Butte Lab（数据源自 ImmPort） | 83 项研究 / 10,334 名受试者 | 流式、CyTOF、mRNA 表达、分泌蛋白、临床检验、HAI、HLA | 全部为健康对照，13 类以上测量已协调 | ImmPort 的"健康人参考子集"，屏蔽了疾病异质性，适合建立基线 |
| GEO | NCBI | 数十万系列 | 基因表达、芯片、测序 | 以实验系列为单位，无受试者级统一模型 | 转录组覆盖面更广，但缺免疫学检测域与临床变量串联 |
| dbGaP | NCBI | 数千研究 | 基因型、测序、部分表型 | 受控访问，需申请 | 含 GWAS 级基因型数据，但正是 ImmPort 明确不接收的数据类型 |
| TCGA | NCI/NHGRI | 约 1.1 万名患者 | 多组学 + 病理影像 + 临床 | 统一 SOP、统一随访 | 肿瘤领域纵向深度最好，但疾病范围单一，无免疫学检测域 |
定位总结：ImmPort 的不可替代性在于"免疫学检测域 × 受试者级粒度 × 开放可下载"这三者的交集。若研究只需转录组，GEO 覆盖更广；若需基因型，dbGaP 更合适；若研究疫苗接种后的多维度免疫应答，ImmPort 目前没有等量替代品。
§1.4 版本时间轴
| 时间 | 事件 | 规模里程碑 |
|---|---|---|
| 2013 | ImmPort 平台上线运行，作为 NIAID/DAIT 数据共享政策的实现载体 | 初始数据集以 NIAID/DAIT 资助联盟为主 |
| 2014-05 | 创刊论文发表于 Immunologic Research（DOI 10.1007/s12026-014-8516-1） | 公开数据集近 100 项，每月数百次下载 |
| 2016-07-17 | 在 healthdata.gov 登记为联邦公开数据资产 | 登记许可为 ODbL 1.0 |
| 2017-04 | RImmPort 包发表于 Bioinformatics，提供 R 语言访问接口 | 数据模型按 CDISC 标准重构 |
| 2018-02-27 | 平台论文发表于 Scientific Data（DOI 10.1038/sdata.2018.15） | 公开研究超 300 项，含 65 项临床试验 |
| 2020-04 | 被 NIH 列为 COVID-19 研究数据的开放领域仓储 | 承接 SeroNet 与 COVID-19 数据汇集 |
| 2022-02 | 通过 Core Trust Seal 认证复评 | 合规等级多项达 4 级（完全实施） |
| 2024 | 与 NAIRR 合作发布 AI-ready 数据集 | 发布 10k Immunomes、COVID-19 Dataset、Immune Signatures 三份子集 |
| 2025-12-18 | Data Release 59 | 新增 29 项、更新 25 项研究 |
| 2026-05-29 | Data Release 64 | 累计超 1,400 项研究、189K+ 受试者 |
| 2026-07 | 旧版 Aspera 数据浏览器退役，迁移至新版 Web 浏览器与 API | 下载通道全面转向 HTTP/Web 与 DRS |
| 2026-08-29 | Data Release 67（最新） | 1,505 项研究 / 194,891 名受试者 / 7,896,501 条结果 |
§1.5 典型应用场景
场景一：跨研究免疫特征 meta-analysis。 把同一疾病（如系统性红斑狼疮、结核、COVID-19）的多个研究合并，检验某项细胞亚群或细胞因子在更大样本中是否稳定变化。ImmPort 的 Data Catalogs 让研究者可以按分析物名称反查所有含该分析物的研究，再用 MetaCyto 之类的框架做跨平台标准化。
场景二：系统疫苗学与应答预测。 利用 Immune Signatures Data Resource 中 53 个队列、24 种疫苗、1,405 名参与者的标准化数据，建立"基线转录特征 → 疫苗应答强度"的预测模型。这是 ImmPort 生态中 AI 应用最成熟的方向。
场景三：健康人免疫参考图谱构建。 以 10k Immunomes 为基线，回答"正常人的免疫细胞组成与细胞因子水平分布如何、随年龄性别如何变化"这类基础问题，并作为疾病研究中的对照基准。
场景四：流式细胞自动分群算法基准。 平台内含大量 FCS 原始文件与配套的派生结果，可用来评测自动门控与聚类算法的稳健性，ImmPort Galaxy 中的 FLOCK、FlowSOM 即为此类工具。
场景五：本体映射与命名标准化研究。 Data Catalogs 同时保留"提交者报告名"与"标准化首选名"两列，为分析物名称消歧、本体映射与生物医学 NLP 提供了天然的监督信号。
§2 医学背景
§2.1 ICD-11 编码映射
ImmPort 覆盖 182 种疾病，横跨感染、过敏、自身免疫、移植与免疫缺陷等多个类别。下表列出平台知识体系中具有代表性的疾病条目及其 ICD-11 归类。需要说明的是，ImmPort 自身并不使用 ICD-11 作为主要疾病编码体系，其官方锚定的是 Disease Ontology；此处 ICD-11 映射由编者依据官方条件分类整理，用于与本百科其他条目的疾病分类体系对齐。
| 疾病类别 | 代表性疾病 | ICD-11 编码 | 说明 |
|---|---|---|---|
| 原发性免疫缺陷 | 常见变异型免疫缺陷 | 4A01 | 抗体生成障碍，B 细胞分化异常 |
| 获得性免疫缺陷 | HIV 感染相关免疫缺陷 | 1C62 | 细胞免疫进行性丧失 |
| 过敏性疾病 | 过敏性鼻炎 / 食物过敏 | EB13 / 4A84 | 含花生过敏干预研究（SDY660） |
| 自身免疫病 | 系统性红斑狼疮（SLE） | 4A43 | AMP RA/SLE 计划核心疾病 |
| 自身免疫病 | 类风湿关节炎（RA） | FA20 | AMP RA/SLE 计划核心疾病 |
| 血管炎 | ANCA 相关血管炎 | 4A44 | 经典复用案例数据源 SDY91（RAVE 试验） |
| 感染性疾病 | 流感 / 呼吸道病毒感染 | 1E30 | 疫苗应答与感染应答研究密集区 |
| 感染性疾病 | 结核病 | 1B10 | 与 Gates Foundation 合作队列 |
| 感染性疾病 | COVID-19 | RA01 | SeroNet 数据汇集重点 |
| 感染性疾病 | 疟疾 | 1F40 | 受控人类疟疾感染（CHMI）研究 |
| 移植 | 实体器官移植免疫 | QB63 | 活体肾移植受者轨迹研究 |
| 免疫系统肿瘤 | 免疫相关肿瘤 | 2B5Z | NCI 肿瘤模型论坛相关研究 |
§2.1b SNOMED CT 映射
| 标签 | ICD-11 | SNOMED CT 码 | 术语 |
|---|---|---|---|
| 免疫学专业 | — | 106190000 | Immunology (specialty) |
| 免疫学限定值 | — | 40982009 | Immunology (qualifier value) |
| 过敏状态 | EB13 | 76870001 | Allergy (disorder) |
| 全身性过敏反应 | 4A84 | 39579001 | Anaphylaxis (disorder) |
| 超敏反应 | 4A80 | 473010000 | Hypersensitivity condition (finding) |
| 系统性红斑狼疮 | 4A43 | 55464009 | Systemic lupus erythematosus (disorder) |
| 类风湿关节炎 | FA20 | 69896004 | Rheumatoid arthritis (disorder) |
| 移植受者状态 | QB63 | 161663000 | Organ transplant recipient (finding) |
| 免疫抑制状态 | — | 38043004 | Immunosuppression (finding) |
| 疫苗接种 | — | 33879002 | Administration of vaccine (procedure) |
| 血凝抑制试验 | — | 12178007 | Hemagglutination inhibition test (procedure) |
| 免疫组织化学 | — | 45154002 | Immunohistochemistry (procedure) |
§2.2 平台覆盖的免疫学领域简介
ImmPort 的知识边界与 NIAID/DAIT 的资助范围高度重合，官方把核心研究焦点概括为五类：过敏、自身免疫病、感染应答、移植与疫苗应答。这些方向的共同特征是，它们都依赖同一套免疫学测量手段来刻画机体状态，因此可共享同一个数据模型。
从公共卫生角度看，这一覆盖范围具有明确流行病学权重：过敏性疾病在工业化国家影响约四分之一人口，食物过敏是儿童期最重要的过敏类型之一（LEAP 试验即属于此领域）；自身免疫病多为慢性、病程长、治疗费用高且存在显著性别差异，AMP RA/SLE 计划正是为寻找这类疾病的共享与特异生物通路而设；感染方向覆盖流感、结核、疟疾与 COVID-19，其中受控人类疟疾感染模型为研究免疫保护机制提供了罕见的人体实验窗口；移植方向聚焦移植物排斥与免疫耐受；疫苗应答方向是数据量增长最快的板块，系统疫苗学试图用高通量测量刻画"为什么同一种疫苗在不同人身上诱导的免疫强度差异巨大"。
值得注意的是，平台不对疾病数量设上限，官方按 Disease Ontology 条目计数，Release 67 已达 182 种。这既意味着覆盖面广，也意味着单一疾病的样本量可能远小于平台总量——除疫苗与流感等热点方向外，多数疾病仅有一两项研究，样本量在数十至数百量级。
§2.3 临床任务定义
ImmPort 的数据可用于四类临床与转化研究任务，其定义与适用条件如下。
| 任务类型 | 目标 | 典型终点 | ImmPort 支持方式 |
|---|---|---|---|
| 免疫状态刻画（Profiling） | 描述个体或人群的免疫系统组成 | 细胞亚群比例、细胞因子浓度、抗体滴度 | 流式、CyTOF、ELISA、多重微珠阵列结果 |
| 应答预测（Prediction） | 从基线特征预测对疫苗/感染的应答强度 | 抗体滴度倍数升高、血清保护率 | 基线转录组 + 应答测量配对（Immune Signatures） |
| 相关分析（Correlates） | 寻找保护或致病相关的免疫指标 | 相关性系数、回归效应量 | 多研究合并以提升统计效力 |
| 分层与预后（Stratification） | 按免疫表型对患者分层，预测轨迹 | 缓解/失败、移植物存活、疾病活动度 | 临床变量 + 检测结果联合建模（如 SDY91 缓解分析） |
关键区分：ImmPort 数据尤其适合"免疫应答"这一层级的任务，而非临床诊断任务。官方 User Agreement 第 2.5 条明确声明数据不适合用于人类治疗决策。任何从 ImmPort 数据训练出的模型要进入临床路径，都必须在独立的前瞻性队列中完成外部验证并取得监管许可。
§2.4 受试者人群
| 维度 | 特征 | 说明 |
|---|---|---|
| 来源 | NIAID/DAIT 资助的临床与机制研究，扩展至 NIAMS、NCI 及私人资助协作 | 以美国研究机构为主，含国际多中心队列 |
| 时间跨度 | 2001-2026（平台收录研究的采集年份范围） | 平台自身按月度发布，收录研究可回溯至 2000 年代初 |
| 年龄 | 以成人为主，含儿科研究（如花生过敏干预试验针对婴幼儿） | 年龄分布随研究而异，平台不做统一年龄核验 |
| 性别 | 男女均有，自身免疫病研究中女性占比较高 | 性别分布反映各研究纳入标准，非人群代表性分布 |
| 族群 | 族裔信息以研究为单位记录，10k Immunomes 子集明确覆盖多种族 | 族群字段缺失率与研究质量相关 |
| 就医类型 | 临床试验受试者、队列研究参与者、健康志愿者 | 健康对照数据可单独抽取（10k Immunomes 即由此而来） |
| 样本类型 | 外周血为主，含组织、黏膜样本与模型生物样本 | 平台同时收录人类受试者与模式生物免疫学研究 |
§2.5 临床与科研价值
ImmPort 的首要价值在于把"免疫学测量"从单篇论文的附属材料提升为可聚合的研究资产。在平台出现之前，一项流式细胞术研究的数据通常只在论文补充材料中提供作图后的均值，原始 FCS 文件与受试者级明细往往不可得；即使可得，由于命名与结构不统一，也很难与另一项研究合并。ImmPort 通过强制元数据模板与标准本体，使"把十项各自只有五十人的疫苗研究合成一个五百人的分析"成为可行操作。
其次，平台改变了免疫学领域的可重复性基线：研究者可以用原始数据重跑原作者的分析、检验其结论在不同标准化流程下是否稳定，也可以用同一批数据检验新提出的分析方法——在方法学论文中，能否获得高质量的公共数据往往决定结论的可信度。
第三，平台为免疫学教育提供了真实数据素材。官方教程库涵盖数据模型讲解、API 使用、编程基础与数据分析，并以 Jupyter notebook 形式提供 R 与 Python 两种实现，使没有生物信息学背景的实验室研究者也能上手。
§2.6 金标准与参考资源
| 资源 | 类型 | 划分/组织方式 | 维护者 | 性质 |
|---|---|---|---|---|
| ImmPort Data Model | 数据模型规范 | Study → Subject → Assay → Result 四级层级 | ImmPort 团队 | 官方强制规范，提交必须符合 |
| ImmPort Data Catalogs | 跨研究检索表（7 个） | 按实体类型聚合（等位基因、分析物、蛋白、转录本等） | ImmPort 团队 | 官方，随月度发布刷新 |
| ImmPort Galaxy | 分析平台 | 基于 Galaxy 的工作流界面 | ImmPort 团队 | 官方，提供 FLOCK/FlowSOM/MetaCyto |
| 10k Immunomes | 参考数据集 | 全部为健康对照，已协调 13 类以上测量 | UCSF Butte Lab（源自 ImmPort） | 社区构建，ImmPort 收录 |
| Immune Signatures Data Resource | 系统疫苗学纲要 | 53 个队列、24 种疫苗统一协调 | HIPC | 联盟构建，ImmPort 收录 |
| RImmPort | R/Bioconductor 包 | 按 CDISC 标准映射 ImmPort 数据模型 | 社区维护 | 非官方但被官方文档引用 |
§3 数据集规格
§3.0 版本抉择矩阵
ImmPort 不是单一版本的数据集，而是"平台全量"与"官方协调子集"并存的资源体系。选择哪一层取决于你的目标：
| 你的需求 | 推荐入口 | 规模 | 理由 |
|---|---|---|---|
| 训练免疫学 AI 模型、需要开箱即用的扁平表 | 10k Immunomes | 83 项研究 / 10,334 名受试者 / 138.2 MB | 已从平台全量中抽出健康对照，13 类以上测量完成协调标准化，附 AI 就绪度评估与源码 |
| 疫苗应答预测、系统疫苗学 | Immune Signatures Data Resource | 53 个队列 / 1,405 名参与者 / 24 种疫苗 / 693.7 MB | HIPC 构建的标准化纲要，转录谱与抗体应答配对完整，附官方教程 |
| COVID-19 免疫学研究 meta-analysis | COVID-19 Dataset | 22 项研究 / 2,282 名受试者 / 2.8 MB | SeroNet 协调后的策展集合，含流式、ELISA 与中和滴度，体积极小便于快速验证 |
| 需要特定疾病或特定检测域的原始数据 | 平台全量（按 SDY 检索） | 1,505 项研究 | Data Catalogs 支持按分析物反查研究，再逐个下载完整包 |
| 需要流式原始 FCS 文件做算法开发 | 平台全量 + ImmPort Galaxy | 视研究而定 | FCS 文件仅在研究级下载包中提供，Galaxy 提供配套分析工具 |
| 需要跨研究检索但不想下载全量 | Data Catalogs + API | 7 张目录表 | 目录表可直接导出，API 支持按研究清单拉取文件 |
一句话结论：目标是 AI 建模，从三份 AI-ready 子集起步；目标是特定疾病或特定检测域的原始粒度数据，再进入平台全量检索。平台全量虽大，但跨研究的字段与协议差异需要自行处理，不适合作为第一个项目的数据源。
§3.1 模态详情
ImmPort 的数据模态按检测域（assay domain）组织，官方数据模型定义的结果域如下表。每个域在数据模型中对应独立的结果表与专属字段结构。
| 检测域 | 数据类型 | 粒度 | 典型用途 |
|---|---|---|---|
| Flow Cytometry | FCS 原始文件 + 派生细胞群体百分比 | 样本级/群体级 | 免疫细胞亚群定量、自动分群 |
| Mass Cytometry (CyTOF) | FCS 原始文件 + 派生结果 | 样本级/群体级 | 高维单细胞免疫表型 |
| ELISA | 浓度读数（含标准曲线） | 样本级 | 细胞因子、抗体浓度 |
| ELISPOT | 斑点计数 | 样本级 | 抗原特异性 T/B 细胞频数 |
| HAI（血凝抑制） | 抑制滴度 | 样本级 | 流感疫苗应答 |
| Neutralizing Antibody Titer | 中和滴度 | 样本级 | 病毒中和能力 |
| Gene Expression | 表达矩阵 | 探针/基因级 | 转录组特征 |
| RNA Sequencing | 计数矩阵 + 原始文件 | 基因级 | 转录组、通路分析 |
| Genotyping | 基因型 | SNP/位点级 | 遗传背景（非 GWAS 级） |
| HLA Typing | 等位基因分型 | 位点级 | 移植配型、疾病关联 |
| KIR Typing | 等位基因分型 | 位点级 | NK 细胞受体分型 |
| Luminex / MBA | 多重微珠荧光读数 | 分析物级 | 多细胞因子并行定量 |
| Metabolomics | 代谢物丰度 | 代谢物级 | 代谢表型 |
| Proteomics | 蛋白丰度 | 蛋白级 | 蛋白组特征 |
| Assessment | 量表与问卷结果 | 受试者级 | 临床终点、症状评分 |
| Lab Test | 临床检验值 | 受试者级 | 常规血液生化指标 |
| Adverse Event | 不良事件记录 | 事件级 | 安全性分析 |
重要限制：官方明确不接收 GWAS 级人类 SNP 基因分型数据与人类全基因组测序数据。因此 ImmPort 不能作为基因组学研究的完整数据源，若研究需要 germline 变异，应转向 dbGaP 等专用仓储。
§3.2 按子集/研究类型的样本数
| 子集/维度 | 研究数 | 受试者数 | 说明 |
|---|---|---|---|
| 平台全量（Release 67） | 1,505 | 194,891 | 2026-08 官方统计 |
| 10k Immunomes | 83 | 10,334 | 仅健康对照，已协调 |
| COVID-19 Dataset | 22 | 2,282 | SeroNet 相关策展集合 |
| Immune Signatures Data Resource | 53 个队列 | 1,405 | 24 种疫苗的系统疫苗学数据 |
| 疾病覆盖 | — | — | 182 种疾病（Disease Ontology 条目计） |
| 实验记录 | — | — | 5,272 项实验 |
| 实验室检验记录 | — | — | 1,791,224 条 |
| 结果总量 | — | — | 7,896,501 条 |
读法提示：1,505 项研究对应 194,891 名受试者，平均每项研究约 130 名受试者。但这一均值掩盖了极大的方差——大型疫苗试验可能纳入数千人，而机制研究可能只有十几名受试者。在设计跨研究分析前，必须先核对目标研究集合的实际样本量分布，不能以平台总量估算统计效力。
§3.3 格式与文件组织
| 层级 | 文件类型 | 说明 |
|---|---|---|
| 研究元数据 | basic_study_design.txt、protocol.txt、dm_*.txt |
按 ImmPort 数据模型组织的制表符文件，覆盖研究设计、方案、受试者、评估、检验 |
| 检测结果 | 域专属结果文件（如 ELISA、HAI、HLA 分型结果表） | 优先使用 ImmPort 模板格式，允许非模板文件 |
| 原始文件 | .fcs（流式/质谱流式）、其他仪器原始导出 |
保留实验原始读数，供重分析 |
| 完整包 | SDYXXX_DRXX_ALL_DATA.zip |
单次数据发布下的完整研究包，含元数据 + 原始文件 + 模板文件 |
| 批量下载 | TSV / MySQL dump | 论文所述的主体共享格式 |
| AI-ready 子集 | TSV（协调后扁平表）+ ZIP | 三份 NAIRR 数据集及其评估文档 |
§3.4 存储大小
| 资源 | 大小 | 备注 |
|---|---|---|
| 10k Immunomes | 138.2 MB | MD5 303639c62f72196f65880f31f1819fa2 |
| COVID-19 Dataset | 2.8 MB | MD5 fe8a11bfdf0ad47a79b92a0c1c370dc4 |
| Immune Signatures Data Resource | 693.7 MB | MD5 d573094ca7b3845844d45395f2a5a019 |
| 三份 AI-ready 子集合计 | 约 834.7 MB | 适合单机加载与快速实验 |
| 平台全量 | 未公开 | 含大量 FCS 原始文件，实际规模可达 TB 级 |
工程建议：三份 AI-ready 子集合计不到 1 GB，可在笔记本上完成全部建模实验。若计划使用平台全量的 FCS 文件，磁盘与网络规划需按 TB 级准备，并优先考虑通过 GA4GH DRS 的 Streaming URL 在云端（如 Cavatica、Terra）直接读取，避免全量下载。
§3.5 标注与协调方式
ImmPort 的数据组织依赖三种互补的"标注"机制。第一种是策展标注（curation）：数据提供者按模板提交后，ImmPort 策展团队核对是否符合数据模型与受控术语要求，这是人工流程而非自动校验的通过即发布；策展质量直接影响下游分析的可行性，但策展本身不等同于对科学结论的验证。第二种是本体映射（ontology mapping）：关键字段关联到标准本体——疾病用 Disease Ontology、细胞类型用 Cell Ontology、基因产物用 Gene Ontology 与 Protein Ontology、解剖结构用 Uberon、疫苗用 Vaccine Ontology、表型用 Human Phenotype Ontology、HLA 等位基因用 IPD-IMGT/HLA，使"不同研究用不同说法描述同一实体"的问题在术语层得以解决。第三种是跨研究目录（Data Catalogs）：7 张目录表把散落在各研究中的实体聚合起来，同时保留"提交者报告名（Reported）"与"标准化首选名（Preferred）"两列，其直接推论是——标准化不是自动完成的，平台把两套命名都展示出来，由使用者决定如何归并。
关键限制：ImmPort 没有统一的"金标准标签"概念，不提供疾病分级标注、影像勾画或模型评测用的官方 ground truth。所谓"标签"在此语境下指的是检测结果本身（如抗体滴度、细胞群体百分比），而这些结果的测量误差由各研究自行控制，平台不做统一质控。
§3.6 标注者资质与一致性
| 环节 | 执行者 | 一致性保障 |
|---|---|---|
| 数据提交 | 原研究团队（NIAID/DAIT 等资助） | 按官方模板完成，须通过 Validator 校验 |
| 策展核验 | ImmPort 策展团队 | 对照数据模型与受控术语逐项检查 |
| 术语映射 | ImmPort 团队 + 标准本体维护方 | 引用外部权威本体，映射规则不公开逐条明细 |
| 跨研究归并 | 数据使用者自行完成 | 平台提供 Reported/Preferred 双列，不做强制归并 |
| 分析物标准化（子集） | 10k Immunomes 与 Immune Signatures 团队 | 这两份子集做了额外的协调，附方法学论文 |
一致性风险提示：平台层面不存在跨研究的一致性指标（如 Kappa 值）。不同研究者对同一细胞群体的门控策略可能不同，导致群体百分比在定义层面就不可直接比较。使用全量数据做跨研究分析时，一致性评估是你自己的工作，而不是平台提供的前提条件。
§3.7 采集周期与更新节奏
| 维度 | 说明 |
|---|---|
| 平台发布节奏 | 月度批量发布，每次同时纳入新研究与更新既有研究 |
| 数据提交到公开 | 提交上传后先进入私有工作区，须纳入某次月度 data release 才对公众可见 |
| 收录研究的时间跨度 | 2001-2026（以研究采集年份计） |
| 版本标识 | 每次研究发布带版本号，完整包命名形如 SDYXXX_DRXX_ALL_DATA.zip |
| 更新机制 | 原研究可追加数据或修正后重新共享；数据提供者对已发布数据的准确性负有更新义务 |
§3.8 地域覆盖
ImmPort 的数据来源以美国 NIAID/DAIT 资助的研究机构为主体，同时通过扩展合作纳入国际多中心队列：Bill & Melinda Gates Foundation 与开普敦大学合作的结核病免疫相关物研究、受控人类疟疾感染研究等具有明确的国际属性，HIPC 联盟的队列亦覆盖多个国家的参与者。不过，平台没有公开按国家或地区划分的受试者统计表，地域分布只能从各研究的方案文件中间接判断。
核心限制：由于数据来自研究者自愿提交，地域分布反映的是资助格局而非人群分布，主要偏向北美与欧洲的研究机构。在涉及人群免疫学差异的建模任务中，这一偏斜会直接传导为模型的泛化性风险（详见 §7.3）。
§3.9 检测平台与仪器规格
| 检测域 | 典型平台/仪器 | 关键变异来源 |
|---|---|---|
| 流式细胞术 | BD、Beckman Coulter 等各代流式细胞仪 | 激光配置、滤光片、抗体克隆号与荧光染料组合 |
| 质谱流式（CyTOF） | 质谱流式细胞仪（同位素标记） | 同位素标记面板设计、金属标签批次 |
| 基因表达 | 芯片平台与 RNA 测序平台 | 芯片型号、测序深度与文库制备方法 |
| 单细胞转录组 | scRNA-seq 平台 | 建库方法、细胞捕获效率 |
| 多重微珠阵列 | Luminex xMAP 等 | 试剂盒批次、标准曲线拟合 |
| 中和试验 | 病毒中和、假病毒中和、斑块减少中和 | 病毒株、细胞系、终点判定标准 |
| 血凝抑制 | HAI 标准方法 | 红细胞来源、病毒抗原株 |
变异累积效应：由于平台跨越多代检测技术，同一检测域内部的技术异质性可能大于不同检测域之间的差异。跨研究合并时，务必把"检测平台"作为协变量或分层因素纳入，否则模型可能学到平台特征而非生物学信号（详见 §6.5 坑点 2）。
§3.10 深度溯源链
ImmPort 的每条记录都可沿以下链条向上追溯，这是平台相较于多数通用仓储的结构性优势：
资助来源（NIAID/DAIT 合同号）
└─ 研究联盟或项目（HIPC / AMP RA/SLE / SeroNet / March of Dimes / Gates Foundation）
└─ 研究（SDY 编号，如 SDY91、SDY660）
├─ 研究方案（protocol.txt，含纳入排除标准）
├─ 受试者（subject_accession，含人口学与免疫暴露史）
│ ├─ 生物样本（biosample_accession）
│ │ └─ 实验（experiment_accession）
│ │ ├─ 检测域结果（如 ELISA、HAI、HLA 分型结果表）
│ │ └─ 原始文件（FCS 等）
│ └─ 评估（assessment）与临床检验（lab_test）
├─ 不良事件（adverse_event）
└─ 关联发表物（PubMed ID）
溯源链的实践价值：当你发现某个分析物在多个研究中数值分布差异巨大时，可以沿这条链逐级排查——是研究人群不同、方案不同、样本处理不同，还是检测平台不同。ImmPort 的数据模型使这种排查在结构上成为可能，这也是 RImmPort 能够按 CDISC 标准重构数据模型的前提。
§4 数据结构
§4.0 目录树
ImmPort 不存在单一的"解压后目录"，数据组织有两层形态：平台级下载（按发布批次聚合）与研究级完整包（按 SDY 编号聚合）。下面给出研究级完整包的典型结构，这是研究者实际最常接触的形态。
SDY91_DR67_ALL_DATA.zip # 单研究完整包，SDY91=研究编号，DR67=发布批次
├── Protocol/ # 研究方案与文档层
│ ├── protocol.txt # 方案摘要（设计、纳入排除、终点）
│ ├── basic_study_design.txt # 研究设计元数据（标题、条件、资助、时间）
│ └── study_documents/ # 补充文件：PDF 方案、知情同意模板、SOP
├── Metadata/ # 按 ImmPort 数据模型组织的元数据表
│ ├── dm_study.txt / dm_subject.txt # 研究级与受试者级记录
│ ├── dm_immune_exposure.txt # 免疫暴露史（疫苗、感染）
│ ├── dm_biosample.txt # 生物样本登记
│ ├── dm_experiment.txt # 实验登记（检测域、分析物、方法）
│ ├── dm_assessment.txt # 评估面板与分量表结果
│ ├── dm_lab_test.txt # 临床检验结果
│ ├── dm_adverse_event.txt # 不良事件记录
│ └── dm_protocol.txt # 方案与访视计划
├── ResultFiles/ # 检测结果层，按检测域分目录
│ ├── ELISA/ ELISPOT/ HAI/ # 浓度、斑点计数、血凝抑制滴度
│ ├── FlowCytometry/ # 流式细胞术派生结果（群体百分比）
│ ├── HLA_Typing/ KIR_Typing/ # 等位基因分型
│ ├── GeneExpression/ RNASeq/ # 表达矩阵与测序计数矩阵
│ ├── MBAA/ # 多重微珠阵列读数
│ └── ...
├── RawFiles/ # 仪器原始文件层
│ ├── FCS/ # 流式与质谱流式原始文件（*.fcs）
│ └── Other/ # 其他仪器原始导出
└── MANIFEST.txt # 文件清单与校验信息
现实提醒：并非每项研究都具备上表列出的所有目录。平台允许研究只提交元数据并把结果文件以 URL 形式链接到外部仓储，因此 ResultFiles/ 或 RawFiles/ 可能为空。判断一项研究是否含原始文件，应以 MANIFEST.txt 与实际下载内容为准，而非以研究详情页的检测域标签为准。
§4.1 DAIMS 字段字典
下表按 DAIMS 八列格式列出 ImmPort 数据模型中的核心字段。字段名取自官方数据模型与提交模板的公开文档；示例值依据数据模型语义构造，用于说明字段类型与取值范围，不代表特定研究的真实取值。
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
study_accession |
字符串 | 研究唯一标识，SDY 前缀 | SDY91 |
跨研究分组键 | 无 | 不可缺失（主键） | SDY + 数字 |
study_title |
字符串 | 研究标题 | RAVE Trial Immunophenotyping |
文本检索、研究筛选 | 无 | 允许空 | 自由文本 |
condition_studied |
字符串 | 研究关注的疾病或条件 | ANCA-Associated Vasculitis |
疾病分层、标签构建 | 分类粒度不一 | 允许空 | Disease Ontology 术语或自由文本 |
research_focus |
枚举 | 研究焦点分类 | Autoimmune Disease |
任务域划分 | 单一分类可能不覆盖多焦点研究 | 允许空 | Allergy / Autoimmune / Infection / Transplantation / Vaccine Response |
subject_accession |
字符串 | 受试者唯一标识（假名） | SUB112233 |
受试者级分组、防止跨研究串号 | 无 | 不可缺失 | SUB + 数字 |
age_at_enrollment |
浮点 | 入组时年龄（时间锚点见 age_event） |
42.5 |
年龄分层、协变量 | 自报年龄精度不一 | 允许空 | 0-120（岁） |
gender |
枚举 | 性别 | Female |
性别分层、公平性评估 | 采集方式不一（自报/病历） | 允许空 | Male / Female / Unknown |
race / ethnicity |
字符串 | 种族与族裔 | White |
人群代表性分析 | 分类体系跨研究不统一，缺失率较高 | 允许空 | 自由文本或受控词 |
biosample_accession |
字符串 | 生物样本标识 | BS112233 |
样本-结果关联 | 无 | 允许空 | BS + 数字 |
experiment_accession |
字符串 | 实验标识 | EXP112233 |
检测批次识别 | 无 | 允许空 | EXP + 数字 |
measurement_technique |
字符串 | 检测技术名称 | Flow Cytometry |
平台协变量、批次效应控制 | 命名粒度不一 | 允许空 | ELISA / Flow Cytometry / RNA Sequencing 等 |
analyte_reported |
字符串 | 提交者报告的分析物名 | IFN-gamma |
原始命名、NLP 任务 | 同义异名普遍 | 允许空 | 自由文本 |
analyte_preferred |
字符串 | 标准化首选分析物名 | IFNG |
跨研究归并键 | 映射覆盖率不完整 | 允许空 | 受控分析物名 |
result_value_reported |
浮点 | 检测结果数值 | 12.4 |
建模目标变量 | 单位与检测限不统一 | 允许空 | 数值 |
unit_reported |
字符串 | 结果单位 | pg/mL |
单位换算 | 单位表达不统一 | 允许空 | 自由文本或受控单位 |
lab_test_accession |
字符串 | 实验室检验记录标识 | LT112233 |
临床变量关联 | 无 | 允许空 | LT + 数字 |
test_name_reported |
字符串 | 检验项目报告名 | Hemoglobin |
临床变量抽取 | 同义异名 | 允许空 | 自由文本 |
assessment_panel |
字符串 | 评估面板名称 | Vital Signs |
临床终点抽取 | 面板定义跨研究不一 | 允许空 | 自由文本 |
adverse_event_term |
字符串 | 不良事件术语 | Headache |
安全性分析 | 术语编码体系不一 | 允许空 | 自由文本 |
§4.2 结果域分布
平台不发布精确的结果域计数占比，但官方首页的 Research Focus by Assay Type 交互图显示，按出现频次排序，最常见的检测技术包括 ELISA、Flow Cytometry、ELISPOT、RNA sequencing、Q-PCR、CyTOF、scRNA-seq、HLA Typing、KIR Typing、Luminex xMAP、SNP microarray、Protein microarray、T cell receptor repertoire sequencing、B cell receptor repertoire sequencing、Mass Spectrometry、Neutralizing Antibody Titer Assay、Pseudovirus Neutralization Assay、16S rRNA gene sequencing、TCID50 等。
| 频次层级 | 检测技术（依据官方交互图定性排序） |
|---|---|
| 高频 | ELISA、Flow Cytometry、ELISPOT、RNA sequencing、Q-PCR |
| 中频 | CyTOF、scRNA-seq、HLA Typing、KIR Typing、Luminex xMAP、Transcription profiling by array、DNA methylation profiling assay |
| 低频但重要 | SNP microarray、Protein microarray、TCR/BCR repertoire sequencing、Mass Spectrometry、Neutralizing Antibody Titer、Pseudovirus Neutralization、16S rRNA gene sequencing、TCID50、Cryo-Electron Microscopy |
对建模的含义：ELISA 与流式细胞术是平台中最容易获得跨研究样本量的两类数据，因此也是 meta-analysis 与 AI 建模最现实的目标域。而低频检测域（如 TCR 测序）虽然单研究数据质量可能很高，但跨研究合并的空间有限。
§4.3 关键统计
| 统计项 | 数值（Release 67，2026-08） | 来源 |
|---|---|---|
| 研究数 | 1,505 | 官方 Shared Data 首页 |
| 受试者数 | 194,891 | 官方 Shared Data 首页 |
| 疾病数 | 182 | 官方 Shared Data 首页 |
| 实验数 | 5,272 | 官方 Shared Data 首页 |
| 结果总数 | 7,896,501 | 官方 Shared Data 首页 |
| 实验室检验数 | 1,791,224 | 官方 Shared Data 首页 |
| 平均每研究受试者数 | 约 130（编者按 194,891/1,505 计算） | 派生指标 |
| 平均每实验结果数 | 约 1,497（编者按 7,896,501/5,272 计算） | 派生指标 |
§4.4 数据层级
Study (SDY)
└─ Subject (SUB)
├─ Immune Exposure（疫苗/感染暴露记录）
├─ Biosample (BS)
│ └─ Experiment (EXP)
│ ├─ Result（检测域结果行）
│ └─ RawFile（FCS 等原始文件）
├─ Assessment（量表/问卷结果）
├─ Lab Test (LT)
└─ Adverse Event
四层级关系的工程含义：受试者（Subject）是 ImmPort 建模的核心锚点。任何跨研究的合并操作最终都要落到受试者层——因为统计单位是受试者而不是样本，而一名受试者可能有多个时间点、多个样本、多类检测。若在分析中把"每行结果"当独立样本处理，会因同一受试者重复计数而高估自由度，这是使用 ImmPort 数据时最常见的方法学错误（详见 §6.5 坑点 1）。
§4.5 缺失值与信息性缺失
ImmPort 的缺失数据具有明确的信息性结构：某字段为空往往对应研究设计上的原因，而非随机丢失。
| 缺失类型 | 表现 | 信息性解读 | 处理建议 |
|---|---|---|---|
| 检测域整体缺失 | 研究不含某类结果文件 | 该研究未开展此类检测 | 跨研究建模时按域对齐，不做插补 |
| 原始文件缺失 | 有派生结果无 FCS | 研究仅提交了分析后数据或结果存于外部仓储 | 不要假设原始数据一定可得 |
| 人口学字段缺失 | race、ethnicity 为空 |
原研究未采集或未提交该字段 | 缺失率本身应作为质量指标报告 |
| 分析物名称缺失 | analyte_reported 非空但无 analyte_preferred |
映射未覆盖，多为非标准或新命名分析物 | 保留 reported 名，人工或模型映射 |
| 时间字段缺失 | 无精确访视日期 | 脱敏时移除或原研究未记录 | 不可用于时间序列建模 |
| 结果值缺失 | 结果行存在但数值空 | 低于检测限或检测失败 | 结合单位与检测限判断，区分真值与删失 |
| 不良事件缺失 | 无 adverse_event 记录 | 可能是"未发生"也可能是"未提交" | 不可默认解读为无不良事件 |
关键警告：平台不提供统一的缺失值编码（如 NA、-9999 之类的约定）。缺失以空字段形式存在，其含义必须回到研究方案层判断。在构建特征矩阵时，把"缺失"直接当零或当均值填充，会系统性地扭曲免疫学指标的分布（详见 §6.5 坑点 5）。
§5 划分与使用建议
§5.1 官方划分
ImmPort 不提供官方的训练/验证/测试划分。 平台的定位是数据仓储而非机器学习基准，官方从未发布过统一的划分文件、划分脚本或评测协议。三份 AI-ready 数据集（10k Immunomes、COVID-19 Dataset、Immune Signatures Data Resource）虽然经过协调与扁平化，但同样不包含官方切分。
这一点与提供参考划分的数据集有本质差异，需要在项目规划阶段就纳入考量：使用 ImmPort 做模型训练时，切分方案的设计与论证完全是研究者自身的责任。
§5.2 社区惯例划分
尽管没有官方划分，社区实践中形成了若干可借鉴的策略：
| 策略 | 做法 | 适用场景 | 风险 |
|---|---|---|---|
| 按研究划分 | 整项研究进入训练或测试集，不跨集拆分 | 跨研究泛化评估 | 研究规模差异大，测试集可能过小 |
| 按队列划分 | 按 HIPC 队列或联盟项目划分 | 系统疫苗学建模 | 队列间技术平台差异可能主导性能差异 |
| 按时间划分 | 按研究采集年份切分 | 时间泛化评估 | 早期与近期研究的检测技术差异显著 |
| 按受试者划分 | 受试者级随机划分（同一受试者不跨集） | 单研究内部建模 | 无法评估跨研究泛化性 |
| 留一研究交叉验证 | 每次留一项研究作测试 | 研究数较少时 | 计算成本随研究数线性增长 |
推荐做法：涉及跨研究结论的任务，优先采用"按研究或按队列划分"；仅在单一研究内部建模时才使用受试者级随机划分。两者不可混用——若先按受试者随机划分再用混合自多个研究的数据训练，测试集中会包含训练集同源研究的样本，性能会被系统性高估。
§5.3 泄漏风险（重点）
使用 ImmPort 数据时存在若干比其他数据集更为隐蔽的泄漏路径，需逐一排查。
泄漏一：同一受试者的多时间点与多检测重复计数。 一名受试者可能有多份样本、多类检测、多个访视时间点。若在划分时未以受试者为单位整体分配，同一受试者的数据会同时出现在训练集与测试集，模型学到的是个体特征而非可泛化的生物学规律。这是 ImmPort 最常见的泄漏形式。
泄漏二：同源研究的样本分裂。 多项研究由同一团队使用同一队列的不同检测数据集提交，例如同一批受试者在 SDY-A 中贡献了转录组数据、在 SDY-B 中贡献了流式数据。若按研究划分而把 SDY-A 放训练、SDY-B 放测试，测试集与训练集共享受试者，性能虚高。识别方法是核对研究方案文件中的招募机构、时间窗与纳入标准。
泄漏三：分析物名称归一化引入的信息泄漏。 在构建分析物映射表时，若使用全量数据（含测试集）统计词频或共现关系来建立 reported → preferred 的映射字典，映射过程本身就把测试集信息编码进了特征。正确做法是在训练集上拟合映射，再应用于测试集；或直接使用官方 analyte_preferred 字段（该映射由平台离线完成，不涉及你的切分）。
泄漏四：批次标签成为捷径。 检测平台（如具体流式细胞仪型号、试剂批次）与研究高度共线。若把批次相关字段作为特征，模型可能通过识别"这是哪项研究"而非"这是什么生物学状态"来达成高准确率。在按研究划分的评估中，这类捷径会导致性能崩塌，反而是好事；在按受试者划分的评估中，它会让性能虚假地高。
泄漏五：预训练模型的数据重叠。 若使用的预训练模型（如大规模生物医学语言模型或细胞图谱模型）训练语料已包含 ImmPort 或其衍生的 10k Immunomes 数据，则下游评测不再是真正的零样本或迁移评估。ImmPort 数据被广泛引用，这一风险不可忽视，应在论文中明确说明预训练数据来源核查情况。
# 泄漏排查伪代码：在划分后、训练前必须完成
def audit_leakage(meta_df):
return {
# 同一 subject_accession 是否落在多个 split（按受试者划分时应为 0）
"subject_overlap": (meta_df.groupby("subject_accession")["split"]
.nunique() > 1).sum(),
# 同一 study_accession 是否跨集（按研究划分时应为 0）
"study_overlap": (meta_df.groupby("study_accession")["split"]
.nunique() > 1).sum(),
# 同一受试者多行记录数（提示需先聚合到受试者级）
"multi_row_subjects": (meta_df["subject_accession"]
.value_counts() > 1).sum(),
"mapping_fit_scope": "train_only", # 映射字典只允许在训练集拟合
}
§5.4 交叉验证建议
| 场景 | 推荐方案 | 折数 | 说明 |
|---|---|---|---|
| 单研究内建模，受试者数充足 | 受试者级分层 K 折 | 5-10 | 按性别、年龄组、结局分层 |
| 跨研究泛化评估 | 留一研究交叉验证（LOSO） | 等于研究数 | 计算成本高但结论最稳健 |
| 研究数 ≥ 10 且规模不均 | 分组 K 折（按研究分组） | 5 | 每组含若干完整研究 |
| 时间泛化评估 | 前向链式交叉验证 | 3-5 | 按采集年份向前推 |
| 类别极不平衡 | 分层 + 过采样置于折内 | 5 | 过采样务必只在训练折内执行 |
LOSO 的注意事项：留一研究交叉验证的性能方差通常很大，因为各研究的样本量、人群与技术平台差异显著。报告结果时应给出每折的分布而非仅报均值，并说明测试研究的特征（规模、平台、人群），否则读者无法判断性能的可迁移性。
§5.5 外部验证建议
ImmPort 数据的外部验证应当遵循"跨来源验证"原则，而非在同一平台内换一批研究。
| 验证层次 | 验证数据来源 | 验证目标 |
|---|---|---|
| 层一：跨研究 | ImmPort 平台内未参与训练的其他研究 | 检验跨检测平台与跨队列的稳健性 |
| 层二：跨平台 | 若模型涉及转录组，可用 GEO 中独立队列 | 检验跨测序平台与建库方法的稳健性 |
| 层三：跨资源 | ImmuneSpace（HIPC 分析资源）的独立视图 | 检验在联盟专用分析环境中的可复现性 |
| 层四：前瞻队列 | 新开展的临床试验或队列 | 唯一可支撑临床结论的验证层级 |
关键提醒：ImmuneSpace 虽然与 ImmPort 共享部分数据来源，但其数据经过 HIPC 团队的独立策展与视图构建，可用于检验管线在不同策展口径下的稳定性；不过它不是完全独立的样本来源，不能替代层四验证。任何声称临床可用的模型，必须完成层四验证。
§6 AI 就绪指南
§6.0 云端快速启动
ImmPort 支持 GA4GH Data Repository Service（DRS）API，可将逻辑文件标识解析为物理下载 URL，其中 Streaming URL 方式适配云端分析平台（官方文档点名 Cavatica 与 Terra）。这使得研究者无需先全量下载到本地即可开始分析。
# 前置条件：注册 ImmPort 账号并在账户页获取 API key
# 说明：DRS 端点要求以 Bearer token 方式传递 API key
export token="REPLACE_WITH_YOUR_IMMPORT_API_KEY"
# 步骤 1：解析一个 DRS 对象，获取文件元信息与下载 URL
curl -s -H "Authorization: Bearer $token" \
"https://drs.immport.org/ga4gh/drs/v1/objects/ddd17e17-e2d5-418a-8e6b-42487726b9a6"
# 步骤 2：返回体含 id / description / name / size / mime_type / self_uri 字段
# self_uri 形如 drs://drs.immport.org/...，可作为跨平台引用句柄
# 说明：S3 Signed URL 有效期 7 天，文件存储区域为 us-east-1
云端起步建议：若目标平台支持 DRS Streaming，优先使用流式读取，避免 TB 级数据落盘；若必须下载，优先选择三份 AI-ready 子集（合计不到 1 GB），完成方法验证后再决定是否拉取平台全量。
§6.1 快速上手
以下代码假设你已获得 ImmPort 的批量下载文件（TSV 或 MySQL dump），目录结构遵循 §4.0 的研究级组织。在执行前请先确认目录结构的预期拼接关系：每项研究对应一个顶层目录，元数据在 Metadata/、结果在 ResultFiles/、原始文件在 RawFiles/。
# 目录结构预期：data_root/SDY91/{Metadata,ResultFiles,RawFiles}/...
# 最小可用子集：单研究 + 单检测域（如 SDY212 的 HAI 结果）
# 先跑通一项研究，再横向扩展到多项研究
import os
import pandas as pd
data_root = "./immport_data" # 解压后的根目录
def load_study_metadata(data_root: str, study: str) -> dict:
"""加载单项研究的核心元数据表，缺失的表返回空 DataFrame。"""
base = os.path.join(data_root, study, "Metadata")
tables = {}
for name in ["dm_study", "dm_subject", "dm_experiment",
"dm_lab_test", "dm_immune_exposure", "dm_biosample"]:
path = os.path.join(base, f"{name}.txt")
if os.path.exists(path):
# 制表符分隔，统一按字符串读入以避免前导零丢失
tables[name] = pd.read_csv(path, sep="\t", dtype=str,
encoding="utf-8", low_memory=False)
else:
tables[name] = pd.DataFrame()
return tables
def load_domain_results(data_root: str, study: str,
domain: str = "ELISA") -> pd.DataFrame:
"""加载某研究某检测域下的全部结果文件并纵向拼接。"""
domain_dir = os.path.join(data_root, study, "ResultFiles", domain)
if not os.path.isdir(domain_dir):
return pd.DataFrame()
frames = [pd.read_csv(os.path.join(domain_dir, f), sep="\t", dtype=str,
encoding="utf-8").assign(__source_file=f)
for f in sorted(os.listdir(domain_dir)) if f.endswith(".txt")]
return pd.concat(frames, ignore_index=True) if frames else pd.DataFrame()
# ---- 最小可用示例：先跑通一项研究，再横向扩展 ----
study_id = "SDY212"
tables = load_study_metadata(data_root, study_id)
subject_df, hai_df = tables["dm_subject"], load_domain_results(
data_root, study_id, "HAI")
print(f"[{study_id}] 受试者行数: {len(subject_df)}")
print(f"[{study_id}] HAI 结果行数: {len(hai_df)}")
if not subject_df.empty:
print("受试者表字段示例:", list(subject_df.columns)[:12])
扩展路径：单研究跑通之后，把 study_id 换成研究列表，在每次循环中标注 study_accession 列，再纵向合并。合并时务必保留研究来源列，它是后续做分组切分与批次分析的基础。
§6.2 数据获取
| 获取方式 | 入口 | 大小/限制 | 适用场景 |
|---|---|---|---|
| Web 单文件下载 | 研究下载页的下载图标 | 单文件，浏览器直传 | 少量文件、快速查看 |
| 下载车（Download Cart） | 跨研究多选后统一下载 | 打包为 ZIP，签名 URL 7 天有效 | 中等规模、跨研究取数 |
| 完整研究包 | 研究页 SDYXXX_DRXX_ALL_DATA.zip |
含元数据 + 原始文件 + 模板文件 | 需要完整研究数据 |
| ImmPort Shared Data API | Study File Manifest + Download Study Files 端点 | 需 API key（Bearer token） | 自动化、批量拉取 |
| GA4GH DRS API | S3 Signed URL / Streaming URL | 需 API key，URL 7 天有效 | 云端分析平台集成 |
| AI-ready 子集 | https://www.immport.org/resources/aireadydatasets | 合计约 834.7 MB | AI 建模起步、快速验证 |
| 平台全量 | 按发布批次批量下载 | 未公开，TB 级量级 | 需要全口径分析 |
申请流程：注册（免费、即时）→ 接受 User Agreement → 登录后在账户页生成 API key（如需程序化访问）→ 通过上述任一通道下载。没有人工审核环节，这是 ImmPort 相对于受控访问仓储的核心优势。
# 方式 A：API 批量拉取（需先导出 API key 到环境变量）
# 目录结构预期：结果写入 ./immport_data/<SDY>/，与 §6.1 一致
export token="REPLACE_WITH_YOUR_IMMPORT_API_KEY"
# 步骤 1：获取某研究的文件清单（manifest）
curl -s -H "Authorization: Bearer $token" \
"https://api.immport.org/data/study/SDY212/file" \
-o SDY212_file_manifest.json
# 步骤 2：从 manifest 解析下载链接后逐个拉取
# 说明：具体端点路径以官方 Swagger 文档为准，此处演示调用形态
# 方式 B：下载车 ZIP 的注意事项
# 1. 下载车异步生成 ZIP，完成后邮件通知
# 2. 生成的签名 CloudFront URL 自签发起 7 天后失效
# 3. 大文件请在有效期内完成下载，或重新生成
大小预估建议：平台不公开各研究的文件总体积。在拉取前，优先通过 Manifest 端点获取文件清单与 size 字段做预估；若清单显示含大量 FCS 文件，按 TB 级预留存储与带宽。
§6.3 预处理全流程
ImmPort 预处理的核心难点不在格式转换，而在跨研究对齐。下面给出可运行的流程。
<details>
<summary><b>点击展开完整的预处理代码（Python 版，多研究 → 受试者级宽表）</b></summary>
# ImmPort 预处理全流程：多研究元数据 + 结果文件 → 受试者级宽表
# 关键原则：1) 以 subject_accession 为合并锚点，而非结果行
# 2) 映射字典只在训练集拟合（防泄漏，§5.3）
# 3) 保留 ANALYTE_REPORTED 原始名，不丢弃信息
import os
import numpy as np
import pandas as pd
DATA_ROOT = "./immport_data"
def read_tsv(path: str) -> pd.DataFrame:
# 统一读入 TSV，全按字符串处理避免类型误判
return pd.read_csv(path, sep="\t", dtype=str,
encoding="utf-8", low_memory=False)
def collect_studies(data_root: str) -> list:
# 发现所有研究目录（以 SDY 开头）
return sorted(d for d in os.listdir(data_root) if d.startswith("SDY"))
def clean_subject(df: pd.DataFrame, study: str) -> pd.DataFrame:
# 数值化年龄、规范化性别、补充研究标识
out = df.copy()
out["study_accession"] = study
if "AGE_AT_ENROLLMENT" in out.columns:
# errors='coerce' 把非法值转 NaN，避免个别脏值导致整列失败
out["age"] = pd.to_numeric(out["AGE_AT_ENROLLMENT"], errors="coerce")
out.loc[(out["age"] < 0) | (out["age"] > 120), "age"] = np.nan
if "GENDER" in out.columns:
gmap = {"male": "M", "m": "M", "female": "F", "f": "F"}
out["sex"] = (out["GENDER"].astype(str).str.strip().str.lower()
.map(gmap))
return out
def clean_result(df: pd.DataFrame, study: str) -> pd.DataFrame:
# 数值化结果，保留原始分析物名与平台标准名
out = df.copy()
out["study_accession"] = study
for col in ["RESULT_VALUE_REPORTED", "VALUE_REPORTED"]:
if col in out.columns:
out["result_value"] = pd.to_numeric(out[col], errors="coerce")
break
if "ANALYTE_REPORTED" in out.columns:
out["analyte_raw"] = out["ANALYTE_REPORTED"].astype(str).str.strip()
if "ANALYTE_PREFERRED" in out.columns:
out["analyte_std"] = out["ANALYTE_PREFERRED"].astype(str).str.strip()
return out
def standardize_units(df: pd.DataFrame, unit_col: str = "UNIT_REPORTED",
value_col: str = "result_value") -> pd.DataFrame:
# 未覆盖的单位不做静默转换，显式标记交由人工确认
out = df.copy()
unit_map = {"pg/mL": ("pg/mL", 1.0), "ng/mL": ("pg/mL", 1000.0),
"ug/mL": ("pg/mL", 1e6), "IU/mL": ("IU/mL", 1.0)}
if unit_col in out.columns:
norm = out[unit_col].astype(str).str.strip().map(
lambda u: unit_map.get(u, (None, np.nan)))
out["unit_std"] = [t[0] for t in norm]
out["value_std"] = out[value_col] * pd.Series(
[t[1] for t in norm], index=out.index)
out["unit_unmapped"] = out["unit_std"].isna()
return out
def to_subject_level(df: pd.DataFrame, value_col: str = "value_std"
) -> pd.DataFrame:
# 按受试者 × 分析物 × 研究聚合，中位数代表个体水平。
# 免疫学指标常见右偏分布且存在批内重复测量，中位数比均值更稳健。
# 同一受试者多时间点在此被压缩；若研究时间动态，应先按访视
# 时间筛选再聚合（见坑点 4）。
keys = [k for k in ["study_accession", "subject_accession",
"analyte_std"] if k in df.columns]
if not keys:
return df
return (df.groupby(keys, dropna=False)[value_col]
.agg(subject_value="median", n_obs="count").reset_index())
def build_matrix(data_root: str, domain: str = "ELISA") -> pd.DataFrame:
frames = []
for study in collect_studies(data_root):
subj_path = os.path.join(data_root, study, "Metadata",
"dm_subject.txt")
res_dir = os.path.join(data_root, study, "ResultFiles", domain)
if not os.path.exists(subj_path):
continue
subj = clean_subject(read_tsv(subj_path), study)
if not os.path.isdir(res_dir):
# 该研究无此检测域：保留受试者行但结果为空，便于后续统计
# "某研究缺某检测域"的结构性缺失
subj["analyte_std"] = np.nan
subj["subject_value"] = np.nan
frames.append(subj)
continue
res_frames = [clean_result(
read_tsv(os.path.join(res_dir, fname)), study)
for fname in sorted(os.listdir(res_dir)) if fname.endswith(".txt")]
if not res_frames:
continue
res = to_subject_level(standardize_units(
pd.concat(res_frames, ignore_index=True)))
frames.append(subj.merge(res, how="left",
on=["study_accession", "subject_accession"]))
return pd.concat(frames, ignore_index=True) if frames else pd.DataFrame()
matrix = build_matrix(DATA_ROOT, domain="ELISA")
print("受试者级矩阵形状:", matrix.shape)
</details>
流程要点回顾：（1）以受试者为锚点合并，绝不以结果行为单位；（2）单位换算表必须显式声明，未覆盖单位留待人工确认；（3）受试者级聚合选择对右偏分布更稳健的中位数；（4）缺检测域的研究保留受试者行并标记为空，便于后续统计结构性缺失。
§6.4 PyTorch DataLoader 完整实现
下面的实现假设已完成 §6.3 的预处理，得到受试者级矩阵，并已拆分为训练/验证/测试三个受试者集合。
<details>
<summary><b>点击展开完整的 PyTorch DataLoader 实现（Dataset 类 + make_loaders）</b></summary>
# 目录结构预期：
# processed/immport_matrix.csv # §6.3 输出的受试者级宽表
# processed/splits.json # {"train":[...], "val":[...], "test":[...]}
# 最小可用子集：可先用单研究数据（如 SDY212）验证 DataLoader 流程
# 关键约束：切分以受试者为单位，同一受试者不得跨集（见 §5.3）
import json
import numpy as np
import pandas as pd
import torch
from torch.utils.data import Dataset, DataLoader
class ImmPortSubjectDataset(Dataset):
"""ImmPort 受试者级数据集：每行一名受试者，特征为免疫学检测指标
与人口学协变量，标签按任务类型指定（二分类 / 回归）。"""
def __init__(self, matrix: pd.DataFrame, subject_ids: list,
label_col: str, feature_cols: list = None,
normalize_stats: dict = None, task: str = "regression"):
self.task, self.label_col = task, label_col
sub = matrix[matrix["subject_accession"].isin(subject_ids)].copy()
# 同一受试者可能存在多行（多分析物），透视到宽表
wide = sub.pivot_table(index="subject_accession",
columns="analyte_std",
values="subject_value", aggfunc="median")
if feature_cols is not None:
wide = wide.reindex(columns=feature_cols)
wide = wide.sort_index()
# 标签按受试者聚合，防止重复行导致标签错位
labels = sub.groupby("subject_accession")[label_col].first()
self.subject_ids = list(wide.index)
self.labels = labels.reindex(self.subject_ids).values
# 特征矩阵：缺失值用列中位数填充（仅用训练统计量）
X = wide.values.astype(np.float32)
if normalize_stats is None:
col_median = np.nanmedian(X, axis=0)
col_median = np.where(np.isnan(col_median), 0.0, col_median)
col_std = np.nanstd(X, axis=0)
col_std = np.where(col_std == 0, 1.0, col_std)
self.stats = {"median": col_median, "std": col_std}
else:
self.stats = normalize_stats
inds = np.where(np.isnan(X))
X[inds] = np.take(self.stats["median"], inds[1])
self.X = (X - self.stats["median"]) / self.stats["std"]
self.feature_names = list(wide.columns)
if self.task == "classification":
self.labels = self.labels.astype(np.float32)
def __len__(self):
return len(self.subject_ids)
def __getitem__(self, idx):
return (torch.from_numpy(self.X[idx]).float(),
torch.tensor(self.labels[idx], dtype=torch.float32))
def make_loaders(matrix_path: str, splits_path: str, label_col: str,
feature_cols: list = None, batch_size: int = 32,
task: str = "regression"):
"""构建 train/val/test 三个 DataLoader。归一化统计量仅在训练集上
拟合，再传递给验证与测试集，避免测试集分布泄漏（见 §5.3 泄漏三）。"""
matrix = pd.read_csv(matrix_path, dtype={"subject_accession": str})
with open(splits_path, encoding="utf-8") as f:
splits = json.load(f)
train_ds = ImmPortSubjectDataset(matrix, splits["train"], label_col,
feature_cols, None, task)
# 复用训练集统计量与特征列顺序
val_ds = ImmPortSubjectDataset(matrix, splits["val"], label_col,
train_ds.feature_names, train_ds.stats,
task)
test_ds = ImmPortSubjectDataset(matrix, splits["test"], label_col,
train_ds.feature_names, train_ds.stats,
task)
loaders = {
"train": DataLoader(train_ds, batch_size=batch_size, shuffle=True,
num_workers=4, drop_last=False),
"val": DataLoader(val_ds, batch_size=batch_size, shuffle=False,
num_workers=4),
"test": DataLoader(test_ds, batch_size=batch_size, shuffle=False,
num_workers=4),
}
return loaders, train_ds.feature_names
# ---- 使用示例 ----
loaders, feature_names = make_loaders(
matrix_path="processed/immport_matrix.csv",
splits_path="processed/splits.json",
label_col="hai_titer_log2",
task="regression",
batch_size=32,
)
print(f"特征维度: {len(feature_names)}")
for split, loader in loaders.items():
print(f"{split}: {len(loader.dataset)} 名受试者 / {len(loader)} 个 batch")
</details>
实现要点：（1）透视到受试者级宽表是必需的，否则同一受试者的多行会被当作独立样本；（2）归一化统计量只在训练集拟合并传递给验证/测试集；（3）feature_names 在验证/测试集上强制对齐训练集，防止列顺序错位；（4）num_workers 在共享集群上应下调以避免进程数超限。
§6.5 坑点
⚠️ 坑点 1：把结果行当作独立样本，同一受试者被重复计数（分类：评估误用）
问题：ImmPort 的结果文件是长表结构，一名受试者可能对应数十乃至上百行结果（多个分析物、多个时间点、多个检测域）。若直接将结果表喂给模型，同一受试者会被当作多个独立样本，导致样本量虚高、训练集与测试集实际共享受试者，测试性能被系统性高估。
症状：报告的样本量远大于平台统计的受试者数；按受试者划分后性能大幅下降；置信区间异常窄；交叉验证各折性能波动却始终很高。
解决：1. 简单方法：合并前先按subject_accession聚合到受试者级（中位数或均值），再做任何划分。2. 进阶方法：划分单位必须是受试者——先取唯一受试者列表划分，再按列表过滤结果行（rng.shuffle后按 70/15/15 切）；3. SOTA 方法：若必须保留时间维度（如疫苗应答动力学），使用按受试者分组的序列建模，在受试者内部建模时间动态、在受试者之间做泛化评估。
参考：官方数据模型 https://www.immport.org/shared/dataModelTextAlt ；受试者为数据锚点的设计说明见 §4.4
⚠️ 坑点 2：检测平台与研究共线，模型学到批次而非生物学（分类：数据泄漏）
问题：不同研究使用的流式细胞仪型号、抗体-荧光染料组合、微珠试剂盒批次各不相同。这些技术特征与
study_accession高度共线，若作为特征或未加控制，模型可能通过识别"这是哪项研究"来预测标签，而非通过免疫学机制。在按研究划分的评估中这种捷径会暴露，但在按受试者划分的评估中会导致性能虚假偏高。
症状：模型在训练集与同研究测试集上表现优异，换到另一项研究即崩塌；特征重要性排序中批次相关字段（仪器、试剂盒、实验 accession 前缀）排名异常靠前；加入study_accession作为特征后性能显著提升。
解决：1. 简单方法：把measurement_technique、仪器与研究标识排除出特征集，只保留有生物学含义的分析物数值。2. 进阶方法：跨研究合并时对每个平台分别做 z-score 标准化（(x - groupby(study).mean()) / groupby(study).std()）。3. SOTA 方法：使用 ComBat 或 limma 等批次校正，把研究（或平台）作为批次变量、目标生物学变量纳入保护变量；校正后必须用留一研究交叉验证检验，因为批次校正本身可能引入新的泄漏。
参考：MetaCyto 框架的设计动机即针对跨研究细胞术数据整合 https://www.nature.com/articles/sdata201815
⚠️ 坑点 3：分析物命名不一致导致跨研究合并出错（分类：预处理陷阱）
问题：同一分析物在不同研究中的报告名五花八门（如
IFN-gamma、IFNγ、Interferon gamma、IFNG），大小写、连字符、希腊字母写法全不统一。若按analyte_reported直接分组透视，同一分析物会被拆成多列，而不同分析物又可能因拼写近似被错误合并，导致特征矩阵稀疏且语义错误。
症状：透视后的宽表列数远多于预期分析物数；大量列的非空值极少（每列只有一两项研究有值）；相关性分析出现本不应存在的完全相关列；模型权重集中在少数"高频拼写"列上。
解决：1. 简单方法：优先使用平台提供的analyte_preferred（标准化首选名）字段做归并，并把analyte_reported保留为溯源列而非特征列。2. 进阶方法：对analyte_preferred为空的行，构建规范化管线——统一大小写、去除连字符与空格、希腊字母转拉丁拼写（γ→gamma、α→alpha），再用字符串相似度匹配到标准名并设人工复核队列。3. SOTA 方法：使用 Protein Ontology 与 Gene Ontology 做本体映射，把命名归并转化为本体对齐；先用 Data Catalogs 的分析物目录收敛大部分名称，再对残余项做本体映射。
参考：https://docs.immport.org/help/navigation/datacatalogs/
⚠️ 坑点 4：时间字段缺失或语义不清导致动力学建模失败（分类：标签理解）
问题：免疫应答本质上是时间过程（疫苗接种后第 1、7、28 天抗体滴度变化），但 ImmPort 中访视时间字段常因脱敏或原始研究未记录而缺失，且即使存在，不同研究的"第 0 天"锚点定义也不一致（有的以首剂接种为准，有的以入组为准）。直接把不同研究的访视编号当作同一时间轴会得到错误的应答曲线。
症状：合并后的"时间"列呈现多个离散簇而非连续轴；同一访视标签下的实际间隔差异达数周；动力学模型拟合失败或给出违反免疫学常识的参数（如滴度在第 0 天已达峰值）。
解决：1. 简单方法：放弃绝对时间，改用相对访视编号（Visit 1、Visit 2）做有序分类变量，仅在单一研究内做时间序列建模。2. 进阶方法：合并前先核对各研究方案的访视计划表，建立"研究 × 访视编号 → 相对天数"的映射表，只合并映射明确且间隔可比的研究集合（映射须逐研究构建，不可跨研究复用）。3. SOTA 方法：使用功能型数据分析（FDA）或纵向混合效应模型，把时间作为连续协变量并允许研究间随机截距与随机斜率，显式建模研究间的基线差异与时序尺度差异。
参考：官方数据模型中的 Planned Visit 实体 https://www.immport.org/shared/dataModelTextAlt
⚠️ 坑点 5：把缺失当零填充，扭曲免疫学指标分布（分类：预处理陷阱）
问题：ImmPort 中字段为空包含多种语义——某检测未做、结果低于检测限、原始研究未提交该字段、映射未覆盖。这些情况与"测量值为零"有本质区别。用零填充会让"未检测"与"检测结果为零"混为一谈；用均值填充则会压缩方差并人为制造出不存在的中庸个体。
症状：填充后大量受试者的细胞因子浓度恰为 0；某一分析物的分布出现异常尖峰；模型对"缺失本身即有信息"的样本预测失准（例如缺失率高的小研究往往也是急性期样本）。
解决：1. 简单方法：区分"结构性缺失"（该研究未做此检测）与"随机缺失"（做了但值空）；结构性缺失的分析物应整体排除出特征集，而非逐行填充。2. 进阶方法：对随机缺失用列中位数填充，同时为缺失率 >1% 的列加入缺失指示变量，让模型自行学习缺失模式的信息价值。3. SOTA 方法：使用多重插补（MICE）或基于自编码器的插补，仅在训练集拟合、测试集应用；评估时必须报告"完整案例子集上的性能"作为对照，以检验插补是否带来虚高。
参考：官方缺失处理未见统一约定，缺失语义需回退至研究方案层判断 https://docs.immport.org/datasubmission/general/
⚠️ 坑点 6：部分研究仅有元数据或外链结果，文件实际不可得（分类：工程陷阱）
问题：ImmPort 允许研究只提交元数据，并把结果文件以 URL 形式链接到其他仓储。此外，即使研究标注了某检测域，对应的原始 FCS 文件也可能未提交。若在下载前未核对文件清单，脚本会在预期路径下找不到文件而报错，或在合并时静默产生大量空值，最终导致"以为用了 100 项研究、实际只有 40 项有可用结果"。
症状：下载包解压后ResultFiles/或RawFiles/为空；合并后的特征矩阵非空率极低；不同批次的下载内容不一致（因为发布了新的月度版本）；脚本在文件缺失时报FileNotFoundError。
解决：1. 简单方法：下载前先用 API 的 Study File Manifest 端点获取文件清单，统计每个研究的可用文件数与总体积，再决定下载范围。2. 进阶方法：建立研究可用性清单，把"元数据可用"“结果可用”"原始文件可用"作为三个独立布尔列维护，在分析中显式报告纳排情况。3. SOTA 方法：在管线中固化完整性校验——下载后逐研究比对 manifest 与实际文件数、校验 MD5（官方 AI-ready 子集提供 MD5），并把校验结果作为数据版本指纹纳入实验记录。
参考：https://docs.immport.org/download/
⚠️ 坑点 7：忽略月度发布导致的版本漂移，实验不可复现（分类：工程陷阱）
问题：ImmPort 每月发布一次新版本，研究总数、受试者数乃至单项研究的内容都在变。若在论文或项目中只写"使用了 ImmPort 数据"而不锁定发布版本，几个月后重跑管线会得到不同结果，无法复现。此外，旧研究的更新可能改变历史记录的取值（数据提供者有事后修正义务）。
症状：同一份代码在不同时间运行得到不同样本量；论文中的受试者数无法与平台当前统计对上；团队内部两名成员得到不同的结果；补充材料无法通过审稿人的复现检验。
解决：1. 简单方法：在实验记录与论文中明确标注发布版本号（如ImmPort Data Release 67, 2026-08）与下载日期，并把原始下载包归档。2. 进阶方法：固定完整研究包的文件名（SDYXXX_DRXX_ALL_DATA.zip中的 DR 编号即版本标识），下载后计算文件 MD5 并写入实验元数据，管线入口校验 MD5、不匹配即中止。3. SOTA 方法：使用 GA4GH DRS 的self_uri作为持久化文件句柄，把数据引用从"路径 + 版本号"升级为内容寻址标识，并在 MLflow、DVC 等实验追踪系统中记录数据版本。
参考：官方数据发布说明与月度发布节奏 https://www.immport.org/home
⚠️ 坑点 8：把 ImmPort 数据用于识别性分析或临床决策（分类：偏倚陷阱）
问题：ImmPort 的 User Agreement 明确禁止任何形式的个体再识别，并声明数据不适合用于人类治疗决策。实践中，受试者级数据配合人群学细节（年龄、性别、种族、研究地点、罕见病种）在理论上可能构成再识别风险；而把基于 ImmPort 训练的模型直接包装为临床工具，则既违反协议也越过监管边界。
症状：模型输出被直接用于患者分层建议；分析中尝试链接外部数据集以补充个人身份信息；在只有数十名受试者的罕见病研究上做个体级预测并对外发布；未在论文中声明数据的非临床用途限制。
解决：1. 简单方法：在任何对外产物中明确声明本页面数据仅用于研究目的，并在方法部分引用 User Agreement 的相应条款。2. 进阶方法：对小样本研究（如 n < 50）做披露风险控制——报告时对人口学细节做粗化（年龄按十岁分组、种族合并为更粗类别），或改用汇总统计；若必须发布个体级预测，先做 k-匿名性检查（按准标识符组合计数，找出小于 k 的组合）。3. SOTA 方法：引入差分隐私机制（对汇总统计加入 calibrated noise），或使用合成数据生成发布可分享的替代数据集；同时建立数据使用审查流程，在项目启动阶段即评估再识别风险与临床用途边界。
参考：ImmPort User Agreement 第 1.1、2.5 条 https://www.immport.org/agreement
§6.6 数据增强
| 增强方法 | 安全性 | 说明 |
|---|---|---|
| 分析物层面标准化（z-score / 分位数归一化） | ✅ 安全 | 消除研究间与平台间的尺度差异，是小规模数据最有效的"增强" |
| 单位统一换算 | ✅ 安全 | 数值等价变换，不引入虚假信息 |
| 受试者级统计聚合（中位数/均值） | ✅ 安全 | 减少重复测量噪声，同时防止重复计数 |
| 缺失指示变量 | ✅ 安全 | 把缺失模式显式暴露给模型，不制造虚假数值 |
| 按研究分层的重采样 | ✅ 安全 | 缓解研究间样本量不平衡，须只在训练折内执行 |
| 数值特征加高斯噪声 | ⚠️ 谨慎 | 可提升稳健性，但免疫学指标存在检测限与生理边界，噪声需有界 |
| 跨研究混合生成合成样本（SMOTE 类） | ⚠️ 谨慎 | 会混合不同平台与不同人群的分布，易造出不符合免疫学规律的样本 |
| 对 FCS 文件做随机门控平移 | ❌ 危险 | 门控边界具有生物学含义，篡改会破坏细胞群体定义 |
| 重新分配研究归属以平衡类别 | ❌ 危险 | 直接破坏研究与人群的对应关系，构成数据伪造 |
| 用外部数据补齐缺失的受试者记录 | ❌ 危险 | 可能构成再识别尝试，违反 User Agreement |
核心原则：ImmPort 的"数据增强"应以标准化为主而非生成。跨研究异质性本身已经引入了足够大的分布差异，再叠加合成样本会掩盖真实的批次结构，让模型学到不存在的模式。
§6.7 模型推荐
| 任务类型 | 推荐模型 | 理由 | 注意事项 |
|---|---|---|---|
| 受试者级二分类（如应答/无应答） | 梯度提升树（LightGBM/XGBoost）+ 正则化 | 特征维度中等、样本量有限、非线性交互常见 | 必须按研究或受试者分组交叉验证 |
| 连续结局回归（如抗体滴度） | 岭回归 / Elastic Net 基线 + GBDT 对照 | 特征共线性强，线性基线提供可解释参照 | 滴度通常需对数变换后再建模 |
| 高维转录组特征 | 弹性网 + 通路评分（ssGSEA） | 样本量常不足以直接训练深度模型 | 特征选择必须在训练折内完成 |
| 流式细胞群体整合 | MetaCyto 等专用框架 | 专为跨平台细胞术数据设计 | 先统一标记名再做群体对齐 |
| 细胞自动分群 | FlowSOM / FLOCK（ImmPort Galaxy） | 平台内已有成熟实现与工作流 | 分群数需结合生物学先验确定 |
| 纵向免疫轨迹 | 混合效应模型 / 功能型数据分析 | 显式建模个体随机效应与时间动态 | 时间锚点须逐研究核准（见坑点 4） |
| 多研究 meta-analysis | 随机效应模型 + 研究作为随机截距 | 直接建模研究间异质性 | 需报告 I² 等异质性指标 |
| 生物医学文本与本体映射 | 生物医学预训练语言模型微调 | 分析物名称消歧、本体对齐 | 核查预训练语料是否已含 ImmPort 数据 |
选型建议：ImmPort 的多研究结构天然适合"以研究为分组单位的评估设计"，而这类评估对模型容量的回报有限——样本量常在一千至数万受试者量级，且噪声来自生物学与技术双源。因此在多数任务中，正则化的线性模型或梯度提升树的性价比高于深度模型；深度模型的优势主要体现在细胞术原始数据处理与跨模态融合等结构化任务上。
§6.8 硬件需求
| 任务 | 最小配置 | 推荐配置 | 说明 |
|---|---|---|---|
| 三份 AI-ready 子集建模（合计约 834.7 MB） | 8 GB 内存 / 4 核 CPU | 32 GB 内存 / 8 核 CPU | 可在笔记本完成，无需 GPU |
| 平台内多研究元数据 + 结果表（TSV） | 32 GB 内存 / 8 核 CPU | 128 GB 内存 / 16 核 CPU | 宽表透视后内存占用显著上升 |
| 含 FCS 原始文件的流式分析 | 64 GB 内存 / 16 核 CPU | 256 GB 内存 / 32 核 CPU / 大容量 SSD | 单研究 FCS 目录可达数十 GB |
| 深度模型训练（转录组或细胞术） | 单卡 GPU（16 GB 显存） | 单卡 GPU（24-80 GB 显存） | 通常需按需从 SSD 流式读取，避免全量驻留内存 |
| 云端流式分析（DRS Streaming） | 云实例 + 网络带宽优先 | 与 Cavatica/Terra 等平台集成 | 避免 TB 级数据落盘 |
存储建议：若计划使用平台全量的 FCS 文件，按 TB 级预留存储；同时保留原始下载包的归档副本（用于版本复现），但冷数据可置于低速存储。网络方面，从 us-east-1 区域拉取可显著降低延迟与流量成本（DRS S3 文件存于该区域）。
§6.9 评估指标
<details>
<summary><b>点击展开评估指标实现（分类/回归指标 + 逐研究报告）</b></summary>
# ImmPort 建模的评估指标实现
# 关键点：所有指标必须按研究分组报告，单点汇总会掩盖研究间异质性
import numpy as np
import pandas as pd
from scipy.stats import spearmanr
from sklearn.metrics import (roc_auc_score, average_precision_score,
brier_score_loss, mean_absolute_error, r2_score)
def classification_metrics(y_true, y_prob) -> dict:
"""二分类指标：AUC、PR-AUC、Brier 分数（概率校准）。"""
return {"auc": roc_auc_score(y_true, y_prob),
"pr_auc": average_precision_score(y_true, y_prob),
# Brier 分数衡量概率校准，免疫学预测中比单纯 AUC 更重要
"brier": brier_score_loss(y_true, y_prob),
"prevalence": float(np.mean(y_true))}
def regression_metrics(y_true, y_pred) -> dict:
"""回归指标：MAE、R²、Spearman 秩相关（免疫学指标多单调非线性）。"""
return {"mae": mean_absolute_error(y_true, y_pred),
"r2": r2_score(y_true, y_pred),
"spearman": spearmanr(y_true, y_pred).correlation}
def per_study_report(df: pd.DataFrame, y_col: str, p_col: str,
study_col: str = "study_accession",
task: str = "classification") -> pd.DataFrame:
"""逐研究报告指标，并输出研究间离散度。研究间性能的方差本身即是
重要结论：若某项研究显著偏离，应先排查其人群与技术平台特征，
而不是直接把均值写进论文。"""
rows = []
for study, g in df.groupby(study_col):
if len(g) < 10: # 样本过少不单独报告
continue
m = (classification_metrics(g[y_col], g[p_col])
if task == "classification"
else regression_metrics(g[y_col], g[p_col]))
m.update({study_col: study, "n": len(g)})
rows.append(m)
out = pd.DataFrame(rows)
if not out.empty and task == "classification":
out = out.sort_values("auc", ascending=False)
return out
# ---- 使用示例 ----
# pred_df 需含 subject_accession / study_accession / 真值 / 预测值
# report = per_study_report(pred_df, "y_true", "y_prob")
# print(report, "AUC 研究间标准差:", report["auc"].std())
</details>
指标选择要点：（1）二分类任务必须同时报告 AUC 与 Brier 分数，因为免疫学预测常需概率输出，校准质量与判别力同等重要；（2）回归任务建议用 Spearman 秩相关，免疫学指标多为单调非线性关系；（3）必须逐研究报告指标并给出研究间标准差，这是 ImmPort 评估与其他数据集评估最关键的差异点。
§6.10 MLOps 笔记
数据版本管理。 ImmPort 每月发布新版本，必须把发布版本号（DR 编号）与文件 MD5 纳入实验追踪，推荐将下载包归档到对象存储并用 DVC 或等效工具做内容寻址。管线幂等性。 预处理管线应从下载包到特征矩阵完全可重放；所有映射表（单位换算、分析物归一化、访视天数）都应版本化并随代码提交，禁止硬编码。特征漂移监控。 随着新研究纳入，平台整体的分析物分布与人口学结构会缓慢漂移，生产环境中应定期重算训练集特征分布并与线上输入分布对比（如 PSI、KS 检验），漂移超阈值即触发重训练评估。切分固化。 划分文件（splits.json）一旦确定即应冻结并纳入版本控制，如需调整应视为新的实验编号而非原地修改。报告规范。 论文或项目交付物中至少应包含：ImmPort 发布版本号与下载日期、纳入与排除的研究清单及理由（含文件可得性核查结果）、切分策略与泄漏排查结果、逐研究的性能分布而非仅汇总值、以及数据非临床用途声明。
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 自选择偏倚 | 数据由愿意共享的研究者提交，集中于资金充足、数据管理成熟的联盟 | 高 | 在分析中限定来源联盟并报告纳排；跨联盟验证 |
| 人群代表性偏倚 | 族裔、性别、年龄分布反映各研究纳入标准而非人群分布 | 高 | 报告各研究人口学构成；对人口学分层的结论谨慎外推 |
| 技术平台偏倚 | 跨越多代流式细胞仪、芯片与测序平台，技术差异与研究方向共线 | 高 | 把平台作为协变量或分层因素；批次校正并留一研究验证 |
| 时间偏倚 | 研究采集年份跨 2001-2026，疫苗策略、治疗标准与检测技术均在变化 | 中 | 按年份分层分析；时间泛化评估用前向验证 |
| 报告偏倚 | 阳性结果研究与大型试验更可能被提交共享 | 中 | 关注研究来源与资助；对效应量做漏斗图类检验 |
| 检测限与删失偏倚 | 低浓度分析物常低于检测限，删失机制与人群特征相关 | 中 | 使用删失感知的统计方法；不做无差别的零填充 |
| 规模不均衡 | 少数大型研究主导总样本量，多数研究为小样本 | 中 | 用随机效应模型；报告研究间异质性（I²）而非仅合并效应 |
| 语言与地域偏倚 | 文档与研究方案以英文为主，来源机构集中于北美与欧洲 | 低-中 | 在泛化性讨论中明确地域限制 |
§7.2 标注与策展质量
ImmPort 的质量控制机制是"策展 + 本体映射"的双层结构。策展层面，数据提交须通过 Validator 校验并对照数据模型检查，这是人工与自动结合的流程；本体映射层面，平台将关键字段锚定到 Disease Ontology、Cell Ontology、Gene Ontology 等外部权威本体，映射质量受本体自身覆盖度制约。平台未公开的量化质量指标包括：策展通过率、各字段缺失率统计、跨研究分析物映射覆盖率、研究级数据完整度评分。这正是使用 ImmPort 时最大的信息缺口——使用者无法从平台层面获知"这批数据的整体质量如何"，必须自行对目标研究集合做质量盘点。
可作为质量代理指标的信号：（1）研究是否含原始 FCS 文件（有则说明提交完整度高）；（2）analyte_preferred 相对 analyte_reported 的填充率（映射覆盖度）；（3）人口学字段的缺失率；（4）研究是否关联 PubMed 发表物；（5）研究是否经过多次版本更新。建议在项目启动时对目标研究集逐一核查这些信号。
§7.3 泛化性风险
| 应用场景 | 失效风险 | 证据 |
|---|---|---|
| 跨研究迁移（训练于 A 研究、应用于 B 研究） | 高：技术平台与人群差异导致性能显著下降 | 官方与社区均针对跨研究细胞术整合开发专用方法（MetaCyto），侧面印证异质性严重 |
| 跨平台迁移（如芯片训练、测序应用） | 高：平台差异与基因注释版本差异叠加 | 平台内同时存在 array 与 RNA-seq，二者不做协调 |
| 跨人群迁移（如以北美人群训练、应用于其他地区） | 中-高：免疫基线存在人群差异，且平台人群代表性偏斜 | 10k Immunomes 明确覆盖多种族，反映人群多样性是平台关注点 |
| 跨疾病迁移（如疫苗应答模型用于自身免疫病） | 高：免疫机制与结局定义均不同 | 平台按疾病分组，未提供跨疾病统一的免疫状态标签 |
| 时间外推（早期研究训练、近年数据应用） | 中-高：检测技术与疫苗策略随时间演进 | 研究采集跨度二十年，仪器与试剂更新换代 |
| 单研究内部泛化 | 低-中：同一研究内受试者同质度较高 | 同研究共享方案与平台，是相对可靠的评估设置 |
| 全平台汇总结论外部外推 | 高：源偏倚与规模不均衡直接影响推广 | Core Trust Seal 复评材料中亦承认资金周期限制 |
核心判断：ImmPort 的泛化性瓶颈不在样本量，而在异质性。平台提供的是"广度"（多研究、多疾病、多检测域）而非"同质性"（统一协议、统一平台、统一切分）。任何声称从 ImmPort 得到"普适免疫学规律"的模型，都必须用留一研究交叉验证或独立队列验证来支撑，否则结论只在该研究集合内部成立。
§7.4 伦理与合规
伦理基础。 ImmPort 收录的人类受试者数据来自已获伦理批准的原始研究，各研究方案文件（protocol.txt）与补充文档中保留知情同意相关信息；平台自身的研究活动定位于数据二次使用，不开展新的受试者接触。脱敏标准。 人类受试者数据在公开发布前脱敏至 HIPAA Safe Harbor 级别，移除直接标识符，受试者仅以假名标识符（subject_accession）引用；数据提供者保留数据所有权，并承诺在发现错误时更新。
使用协议约束。 用户须接受 ImmPort User Agreement，核心义务包括：不得尝试从数据中识别任何个人或实体（第 1.1 条）；不得共享账号密码（第 1.2 条）；数据按 “AS IS” 提供、无任何保证（第 2.1 条）；用户对二次分析结果的准确性负全责（第 2.3 条）；允许为任何合法目的使用与再分发，但再分发须采用与本协议相称的条款（第 2.4 条）；数据不适合用于人类治疗决策（第 2.5 条）；协议受哥伦比亚特区联邦法院管辖的联邦法律约束（第 3.1 条）。
实务要求。 涉及人类受试者数据的项目，机构伦理审查（IRB）通常要求说明数据来源与使用范围；由于 ImmPort 已完成脱敏且访问为注册制而非申请审核制，多数机构将其归为"非人类受试者研究"或豁免类别，但具体判定应咨询所在机构。涉及数据再分发时，须确保下游也接受相称条款。
§7.5 公平性
| 公平性维度 | 现状 | 风险 | 建议 |
|---|---|---|---|
| 族裔覆盖 | 平台含多种族数据，但各研究构成不一，部分研究族裔信息缺失 | 模型在族裔分层下性能差异可能未被察觉 | 逐族裔报告性能；族裔缺失率作为质量指标 |
| 性别代表性 | 自身免疫病研究中女性占比高，其他方向不一 | 按性别分层的模型可能失衡 | 报告性别构成；分层评估并报告差异 |
| 年龄覆盖 | 以成人为主，含儿科研究（如食物过敏试验） | 儿科模型训练数据稀疏 | 儿科任务应限定儿科来源研究 |
| 地域覆盖 | 集中于北美与欧洲研究机构 | 对全球其他地区人群的外推性不足 | 明确地域限制；优先国际多中心队列 |
| 疾病覆盖不均衡 | 疫苗与感染方向数据密集，多数疾病仅少数研究 | 罕见病模型中样本代表性差 | 罕见病任务改用小样本方法并报告不确定性 |
| 数据可及性 | 开放注册即得，无经济门槛 | 无显著获取不平等 | 保持开放；关注算法与算力层面的下游不平等 |
评估建议：ImmPort 未提供官方的公平性基准指标。使用者在建立模型后，应至少按性别与年龄组分别报告性能，并在族裔信息可得的子集上做同样的分层分析。若某分层的样本量过小无法支撑分层评估，应在局限部分明确说明，而非以汇总指标掩盖。
§7.6 数据漂移
| 漂移来源 | 机制 | 监测方式 |
|---|---|---|
| 平台内容漂移 | 每月新增研究与更新既有研究，改变整体统计分布 | 跟踪发布说明与平台统计；重算特征分布 |
| 技术漂移 | 新研究采用更新一代的检测平台与试剂 | 监控 measurement_technique 分布随时间变化 |
| 人群漂移 | 新纳入的队列人群构成与历史数据不同 | 监控人口学字段分布；PSI/KS 检验 |
| 疾病关注漂移 | 资助重点转移（如 COVID-19 期间的集中投入）导致研究主题分布变化 | 监控 research focus 与疾病分布 |
| 命名与本体漂移 | 标准本体版本更新导致 analyte_preferred 映射变化 |
在固定版本间做映射差异对比 |
实践建议：把"数据版本"视为实验的一等公民。每次使用 ImmPort 时记录发布版本号，并在项目中保留该版本的数据快照指纹（文件清单 + MD5）；跨版本比较时，先做一次映射层的差异分析，再判断结论变化是来自数据本身还是来自命名口径。
§7.7 DAIMS 24 项数据就绪度评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ⚠️ | 平台主体为长表（结果行式）结构，需使用者自行透视到受试者级宽表；三份 AI-ready 子集已提供协调后的较宽格式 |
| 2 | 唯一标识 | ✅ | 研究用 SDY、受试者用 SUB、样本用 BS、实验用 EXP、临床检验用 LT 编号，层级间可追溯 |
| 3 | 特殊字符 | ⚠️ | 分析物名称含希腊字母、连字符与大小写变体，直接用于列名或文件路径时易出错，须先规范化 |
| 4 | 重复行 | ⚠️ | 长表中同一受试者 × 分析物在不同访视下存在多行，属结构性重复；误判为脏数据直接去重会丢失时间信息 |
| 5 | 缺失编码 | ❌ | 平台未提供统一缺失值编码约定，缺失以空字段存在，语义须回溯至研究方案层判断 |
| 6 | 标签标识 | ⚠️ | 平台不提供统一 ground truth 标签；检测结果（滴度、细胞群体百分比）即为建模目标，需使用者定义任务标签 |
| 7 | 罕见类分组 | ⚠️ | 多数疾病仅少数研究、样本量小；罕见病与少数族裔类别需在建模中显式处理，平台不提供分组建议 |
| 8 | 偏倚评估 | ⚠️ | 平台未发布系统偏倚评估报告；自选择、人群代表性与技术平台偏倚须由使用者自行分析（见 §7.1） |
| 9 | 数据字典 | ✅ | 官方提供完整数据模型文档、提交模板说明与字段定义，公开可查 |
| 10 | 信息性缺失解释 | ⚠️ | 部分缺失可解释（未开展该检测、结果外链），但平台未对缺失原因做系统编码 |
| 11 | 设备记录 | ⚠️ | 检测技术名称（如 Flow Cytometry）有记录，但具体仪器型号与试剂批次等细粒度设备信息依研究而异、覆盖不完整 |
| 12 | 共线性 | ⚠️ | 检测平台与研究高度共线；同源分析物（如多个相关细胞因子）之间存在强共线性，需在建模中处理 |
| 13 | 编码映射 | ✅ | 关键字段映射到 Disease Ontology、Cell Ontology、Gene Ontology、IPD-IMGT/HLA 等权威本体 |
| 14 | 时间戳处理 | ⚠️ | 访视时间字段常因脱敏或未记录而缺失，且各研究的时间锚点定义不一致，动力学建模须逐研究核对方案 |
| 15 | 划分建议 | ⚠️ | 无官方划分；官方未提供切分脚本，社区惯例为按研究或按队列划分（见 §5.2） |
| 16 | 泄漏讨论 | ⚠️ | 官方文档未系统讨论泄漏问题；受试者重复计数与同源研究分裂是平台特有风险（见 §5.3） |
| 17 | 标签分布 | ⚠️ | 无平台级标签分布统计；结果域频次仅以官方交互图定性展示，无精确占比 |
| 18 | 测量偏倚 | ⚠️ | 检测结果由各研究自行质控，平台不做统一测量误差评估，跨研究可比性需使用者自行判断 |
| 19 | 外部验证建议 | ⚠️ | 官方不提供外部验证协议；建议按跨研究、跨平台、跨资源、前瞻队列四层设计（见 §5.5） |
| 20 | 版本记录 | ✅ | 月度发布机制明确，每次发布提供说明与完整包版本标识（DR 编号） |
| 21 | 预处理脚本 | ⚠️ | 官方教程提供查询、下载与基础分析 notebook，但无平台级端到端预处理管线；三份 AI-ready 子集附源码 |
| 22 | 合规要求 | ✅ | User Agreement 明确使用与再分发条款，配合 HIPAA Safe Harbor 脱敏与 Core Trust Seal 认证 |
| 23 | 多模态对齐 | ⚠️ | 同一受试者的多检测域数据可经 subject_accession 关联，但各域的时间戳与缺失各不相同，对齐需自行实现 |
| 24 | 去标识化 | ✅ | 人类受试者数据脱敏至 HIPAA Safe Harbor 级别，受试者以假名标识符引用，协议禁止再识别 |
DAIMS 评分：15.5 / 24。得分集中于"基础设施与治理"类目——唯一标识、数据字典、编码映射、版本记录、合规要求与去标识化六项均达 ✅，与它作为政府资助、经 Core Trust Seal 认证的专业仓储定位相符。扣分集中在"AI 就绪"类目：缺失编码（❌）是唯一的硬缺陷；其余 16 项 ⚠️ 的共同主题是平台把标准化责任下移给了使用者——无官方划分、无平台级预处理脚本、无统一标签定义、无系统偏倚评估、无外部验证协议。这不是设计疏漏，而是仓储定位与机器学习基准定位的差异。三份 AI-ready 子集的发布表明官方已意识到这一差距并开始补课，但子集覆盖的受试者仅占平台全量约 5%，主体部分仍需使用者自行处理。
对你意味着什么：（1）不要在 ImmPort 全量数据上直接开跑模型——先做研究集合的可用性盘点与字段对齐，这部分工作量通常超过建模本身。（2）把缺失处理写进方法学——平台无缺失编码约定，你的缺失策略必须显式声明并论证。（3）划分方案是你的核心贡献之一——没有官方切分意味着你的划分设计会被审阅，务必按 §5.3 完成泄漏排查。（4）优先从 AI-ready 子集起步——三份子集已替你完成大部分协调工作。（5）为版本漂移做工程准备——把 DR 编号与 MD5 纳入实验追踪，否则半年后结果无法复现。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 关键发现 |
|---|---|---|---|
| ImmPort SDY91（RAVE 试验）复分析 | UCSF Butte Lab | ANCA 相关血管炎患者缓解状态判别 | 识别出可区分 6 个月缓解者的粒细胞亚群；复用公开临床试验数据可产生新发现，无需新增受试者 |
| 10k Immunomes（源自 ImmPort 健康对照） | UCSF Butte Lab | 健康人免疫参考图谱构建（83 项研究 / 10,334 名受试者） | 证明跨研究协调可支撑人群级免疫基线刻画 |
| Immune Signatures Data Resource | HIPC 联盟 | 系统疫苗学应答预测（53 队列 / 24 疫苗 / 1,405 人） | 跨疫苗、跨队列的转录特征可部分共享 |
| MetaCyto 跨平台细胞术整合 | 社区工具（部署于 ImmPort Galaxy） | 跨研究流式细胞群体对齐 | 可识别人口学相关的循环免疫细胞差异；技术异质性是必须显式处理的障碍 |
| VIGET 疫苗诱导宿主反应门户 | 社区构建（基于 ImmPort 数据） | 基于 Reactome 通路的疫苗应答分析 | 第三方可基于 ImmPort 构建专用分析门户，印证数据可复用性 |
读法提示：上表所列验证均属"平台内或平台衍生"的复用研究，尚无独立第三方在同等人群上完成的前瞻性外部验证。这反映 ImmPort 的实际定位——它是数据基础设施而非临床验证平台。任何宣称基于 ImmPort 训练出可临床部署模型的结论，都需要在此表之外的独立前瞻队列中补足验证。
§8 基准性能与生态
§8.1 排行榜
ImmPort 不维护官方排行榜。 平台定位为数据仓储而非机器学习竞赛基准，没有官方模型性能排名表，也不提供统一评测服务器或提交机制。任何声称"在 ImmPort 上取得 SOTA"的表述都缺乏统一评测基础，因为不同研究对任务定义、数据子集、划分方式的选择各不相同，性能数字之间不具备可比性。下表列出的是使用 ImmPort 数据完成方法学研究的代表性工作，反映各自实验设置下的结果，不可直接相互比较，仅作生态方法清单使用。
| 模型/方法 | 性能/产出 | 年份 | 完整引用 | 代码 |
|---|---|---|---|---|
| MetaCyto | 跨平台细胞术群体对齐后可检出人口学相关差异 | 2018 | Hu Z, et al. Cell Rep. 2018;24(5):1377-1388. DOI 10.1016/j.celrep.2018.07.003 | Bioconductor |
| RImmPort | 按 CDISC 标准访问 ImmPort 数据模型 | 2017 | Shankar RD, et al. Bioinformatics. 2017;33(7):1101-1103. DOI 10.1093/bioinformatics/btw719 | Bioconductor |
| 10,000 Immunomes Project | 覆盖 83 项研究 / 10,334 名受试者的健康免疫参考 | 2024 | Zalocusky KA, et al. Cell Rep. 2024. 数据集 DOI 10.21430/RV23-WR13 | GitHub / Docker |
| FLOCK 自动门控 | 多维流式细胞数据的自动化群体识别 | 2010 | Qian Y, et al. Cytometry B Clin Cytom. 2010;78B(S1):S69-S82. DOI 10.1002/cyto.b.20554 | ImmPort Galaxy |
| immuneXpresso | 从 PubMed 摘要挖掘 300+ 细胞类型与 140 种信号分子的互作 | 2018 | 详见 ImmPort 平台论文引用的 immuneXpresso 相关工作 | 平台内资源 |
数值不可直接比较的原因：各研究使用的受试者子集不同（"ImmPort 数据"在不同论文中可能指完全不同的研究集合）；任务定义与评价指标各异；平台无统一划分，训练与测试集构造方式各不相同；平台内容随月度发布变化，同一方法在不同时间点运行会面对不同数据。
§8.2 SOTA 总结与选型建议
ImmPort 生态中的"最优方法"选择应当是任务驱动而非性能驱动：跨研究数据整合优先 MetaCyto（目前唯一明确针对跨平台流式与质谱流式整合、且已部署于 ImmPort Galaxy 的工具）；数据访问与重塑优先 RImmPort（按 CDISC 标准映射数据模型，显著降低多表关联工作量）；自动门控与群体识别优先 FLOCK 与 FlowSOM（在 Galaxy 中提供图形界面，无需编程）；文本与本体层面可用 immuneXpresso 挖掘的细胞互作知识解释数据驱动发现；健康基线对照使用 10k Immunomes；系统疫苗学使用 Immune Signatures Data Resource。
关键提醒：以上工具解决的是"数据可用性"问题，而非"模型性能"问题。在 ImmPort 上做 AI 研究时，真正决定结论可信度的往往不是模型选择，而是数据子集的界定、切分策略与批次效应的处理（见 §5 与 §7）。
§8.3 评测协议
由于官方无评测协议，下列六要素框架可作为自建基准的起点：
- 研究集合界定：明确列出纳入的 SDY 编号、纳入与排除标准、文件可得性核查结果，以及收编时的 ImmPort 发布版本号——这一部分的完整性直接决定研究的可复现性。
- 受试者级聚合：声明从结果行聚合到受试者级的规则（中位数、均值或首次测量），并说明该选择对目标生物学指标合理性的理由。
- 切分与泄漏排查：按 §5.3 的排查清单逐项执行并报告结果，特别是受试者跨集、研究跨集与批次共线性三项。
- 指标与分层报告：二分类任务同时报告 AUC 与 Brier 分数，回归任务报告 Spearman 秩相关，且都必须逐研究报告并给出研究间离散度。
- 基线与消融：至少包含一个不依赖免疫学特征的基线（如仅用年龄与性别），用于检验免疫学测量是否提供增量信息；消融应覆盖批次相关特征的作用。
- 外部验证层次：按 §5.5 的四层结构声明完成了哪一层验证，未完成的层级应在局限中明确说明。
§8.4 相关数据集
| 数据集/资源 | 与 ImmPort 的关系 | 互补性 |
|---|---|---|
| ImmuneSpace | HIPC 联盟的分析资源，消费 ImmPort 的策展数据 | 提供面向 HIPC 数据的交互式分析与可视化视图 |
| 10k Immunomes | ImmPort 的健康对照子集，由 UCSF 团队构建 | 提供已完成协调的健康人免疫基线 |
| Immune Signatures Data Resource | HIPC 构建的系统疫苗学纲要，收录于 ImmPort | 提供跨 24 种疫苗的标准化转录与抗体数据 |
| GEO | 独立的基因表达仓储 | 转录组覆盖更广，可作为 ImmPort 转录数据的补充来源 |
| dbGaP | 独立的基因型与表型仓储 | 提供 ImmPort 明确不接收的 GWAS 级基因型与全基因组测序数据 |
| TCGA | 独立的肿瘤多组学计划 | 提供 ImmPort 未覆盖的肿瘤纵向多组学与影像数据 |
使用建议：ImmPort 在"免疫学检测域"上具有不可替代性，但在基因组学广度与纵向肿瘤数据上明显弱于上述专业仓储。实际研究中常见的做法是以 ImmPort 提供免疫表型、以 GEO 或 dbGaP 提供分子层数据，再通过公共标识符在受试者或样本层做有限关联——但需注意这种关联往往只能做到队列级匹配，而非个体级。
§8.5 关键论文
- Bhattacharya S, Andorf S, Gomes L, et al. Immunol Res. 2014;58(2-3):234-239. DOI 10.1007/s12026-014-8516-1. PMID 24791905. — 平台创刊论文，介绍建站目标、数据组织方式与早期共享规模（近 100 项数据集），是理解平台设计意图的第一手文献。
- Bhattacharya S, Dunn P, Thomas CG, et al. Sci Data. 2018;5:180015. DOI 10.1038/sdata.2018.15. PMID 29485622. — 平台发展论文，阐述四组件架构（Private/Shared/Data Analysis/Resources）、ImmPort Galaxy 的设计动机、与 HIPC 及 AMP RA/SLE 等联盟的协作模式，以及以 SDY91 为例的复用示范。
- Shankar RD, Bhattacharya S, Jujjavarapu C, et al. Bioinformatics. 2017;33(7):1101-1103. DOI 10.1093/bioinformatics/btw719. PMID 28057685. — RImmPort 方法学论文，说明如何按 CDISC 临床数据标准重构 ImmPort 数据模型。
- Hu Z, Jujjavarapu C, Hughey JJ, et al. Cell Rep. 2018;24(5):1377-1388. DOI 10.1016/j.celrep.2018.07.003. — 跨平台细胞术整合方法论文，直接回应 ImmPort 中细胞术数据技术异质性带来的可比性问题。
- Qian Y, Wei C, Eun-Hyung Lee F, et al. Cytometry B Clin Cytom. 2010;78B(S1):S69-S82. DOI 10.1002/cyto.b.20554. — FLOCK 自动门控算法的原始论文，该算法被整合进 ImmPort 流式分析模块。
- Zalocusky KA, Kan MJ, Hu Z, et al. Cell Rep. 2024. 数据集 DOI 10.21430/RV23-WR13. — 10,000 Immunomes 项目：从 ImmPort 健康对照中构建人类免疫参考图谱。
- Thakar J, Diray-Arce J, Kleinstein SH. ImmPort. 2025. DOI 10.21430/DH2K-XR58. — Immune Signatures Data Resource：覆盖 53 个队列、24 种疫苗、1,405 名参与者的系统疫苗学纲要。
- Sarwal R, Gu Z, Smith S, Bhattacharya S. ImmPort. 2024. DOI 10.21430/DAFK-X473. — COVID-19 Dataset：汇集 22 项研究、2,282 名受试者的免疫学检测数据。
§8.6 社区活跃度
| 指标 | 现状 | 说明 |
|---|---|---|
| 数据发布节奏 | 月度发布，持续十余年 | Release 67 于 2026-08-29 上线，节奏稳定 |
| 官方教程库 | 活跃维护 | 覆盖数据模型、API 使用、编程基础与数据分析，提供 R 与 Python 双版本 notebook |
| 官方网络研讨会 | 持续举办 | 2022-2026 年间举办多场，主题涵盖 AI-ready 数据集、数据复用案例、FAIR 数据共享 |
| 第三方工具生态 | 中等 | RImmPort、MetaCyto、VIGET、Immcantation 等工具基于或对接 ImmPort 数据 |
| 期刊推荐 | 官方推荐仓储 | 被 PLOS One 与 Nature Scientific Data 列为推荐数据仓储 |
| 认证状态 | Core Trust Seal 持有者 | 2022-02 完成认证复评，多项指标达 4 级（完全实施） |
| 用户支持 | 邮件支持 | ImmPort_Helpdesk@immport.org 提供技术支持 |
活跃度评估：ImmPort 的活跃度体现在平台运营的持续性而非社区贡献的热度。它由联邦合同资助、按月发布、有专职策展与支持团队，稳定性高；但它不具备 GitHub 型开源社区那样的第三方贡献生态。对使用者而言，这意味着数据供应可靠、官方支持可及，但遇到冷门问题时可能缺乏社区讨论积累。
§8.7 生态快照
| 资源 | 类型 | 链接 | 推荐理由 |
|---|---|---|---|
| ImmPort Shared Data | 官方数据门户 | https://www.immport.org/ | 检索、浏览与下载共享数据的入口 |
| ImmPort 文档站 | 官方文档 | https://docs.immport.org/ | 数据模型、下载指南、提交指南、FAQ 与教程 |
| ImmPort Data Model | 官方规范 | https://www.immport.org/shared/dataModelTextAlt | 理解 Study/Subject/Assay/Result 层级关系的必备材料 |
| ImmPort Data Catalogs | 官方检索表 | https://docs.immport.org/help/navigation/datacatalogs/ | 7 张跨研究目录表，按分析物反查研究的关键工具 |
| ImmPort User Agreement | 官方协议 | https://www.immport.org/agreement | 使用与再分发的法律依据，必读 |
| NAIRR AI-Ready Datasets | 官方 AI 数据集 | https://www.immport.org/resources/aireadydatasets | 三份协调后的 AI-ready 子集与就绪度评估文档 |
| ImmPort Galaxy | 官方分析平台 | https://immportgalaxy.org/ | FLOCK/FlowSOM/MetaCyto 的图形化运行环境 |
| ImmPort Resources | 官方资源汇总 | https://dev.immport.org/resources | Cell Ontology Browser、Gene Lists、Cytokine Registry 等辅助资源 |
| ImmPort Blog | 官方博客 | https://blog.immport.org/ | 平台动态、数据发布说明与使用案例 |
| ImmuneSpace | 联盟分析资源 | https://www.immunespace.org/ | HIPC 数据的交互式分析与可视化 |
| RImmPort | 第三方 R 包 | Bioconductor | 按 CDISC 标准访问 ImmPort 数据模型 |
§9 相关资源与引用
§9.1 官方文档与教程
| 资源 | 链接 |
|---|---|
| 官方主页 / About | https://www.immport.org/ ；https://dev.immport.org/about |
| 文档站（含教程库、FAQ、网络研讨会） | https://docs.immport.org/ |
| 数据下载指南 / 数据提交指南 | https://docs.immport.org/download/ ；https://docs.immport.org/datasubmission/general/ |
| 数据模型规范 | https://www.immport.org/shared/dataModelTextAlt |
| 数据目录（7 张跨研究检索表） | https://docs.immport.org/help/navigation/datacatalogs/ |
| NAIRR AI-Ready Datasets | https://www.immport.org/resources/aireadydatasets |
| User Agreement（法律协议） | https://www.immport.org/agreement |
| ImmPort Galaxy（分析平台） | https://immportgalaxy.org/ |
§9.2 社区与第三方资源
| 资源 | 类型 | 说明 |
|---|---|---|
| ImmuneSpace | 门户 | HIPC 联盟的数据分析与可视化资源 |
| RImmPort | R/Bioconductor 包 | 按 CDISC 标准访问 ImmPort 数据模型 |
| MetaCyto | R/Bioconductor 包 | 跨平台流式与质谱流式数据的 meta-analysis |
| VIGET | Web 门户 | 基于 Reactome 通路与 ImmPort 数据的疫苗诱导宿主反应分析 |
| 10k Immunomes | 参考数据集 | 源自 ImmPort 的健康人免疫参考图谱，附 GitHub 与 Docker 资源 |
§9.3 BibTeX 引用
@article{bhattacharya2014immport,
title = {ImmPort: disseminating data to the public for the future of immunology},
author = {Bhattacharya, Sanchita and Andorf, Sandra and Gomes, Linda and
Dunn, Patrick and Schaefer, Henry and others},
journal = {Immunologic Research},
volume = {58}, number = {2-3}, pages = {234--239}, year = {2014},
doi = {10.1007/s12026-014-8516-1}, pmid = {24791905}
}
@article{bhattacharya2018immport,
title = {ImmPort, toward repurposing of open access immunological assay data
for translational and clinical research},
author = {Bhattacharya, Sanchita and Dunn, Patrick and Thomas, Cristel G and
Smith, Barry and Schaefer, Henry and others},
journal = {Scientific Data},
volume = {5}, pages = {180015}, year = {2018},
doi = {10.1038/sdata.2018.15}, pmid = {29485622}
}
@article{shankar2017rimmport,
title = {RImmPort: an R/Bioconductor package that enables ready-for-analysis
immunology research data},
author = {Shankar, Ravi D and Bhattacharya, Sanchita and Jujjavarapu, Chetan and
Andorf, Sandra and Wiser, Jeff A and Butte, Atul J},
journal = {Bioinformatics},
volume = {33}, number = {7}, pages = {1101--1103}, year = {2017},
doi = {10.1093/bioinformatics/btw719}, pmid = {28057685}
}
@article{hu2018metacyto,
title = {MetaCyto: A Tool for Automated Meta-analysis of Flow and Mass Cytometry Data},
author = {Hu, Zicheng and Jujjavarapu, Chetan and Hughey, Jocelyn J and
Andorf, Sandra and Wiser, Jeff A and others},
journal = {Cell Reports},
volume = {24}, number = {5}, pages = {1377--1388}, year = {2018},
doi = {10.1016/j.celrep.2018.07.003}
}
@article{qian2010flock,
title = {Elucidation of seventeen human peripheral blood B-cell subsets and
quantification of the tetanus response using a density-based method
for the automated identification of cell populations in
multidimensional flow cytometry data},
author = {Qian, Yu and Wei, Chungwen and Eun-Hyung Lee, F and Campbell, John and
Halliley, Jessica and others},
journal = {Cytometry Part B: Clinical Cytometry},
volume = {78B}, number = {S1}, pages = {S69--S82}, year = {2010},
doi = {10.1002/cyto.b.20554}
}
@misc{immport2026shareddata,
title = {ImmPort Shared Data, Data Release 67},
author = {{ImmPort Team}},
howpublished = {NIAID Division of Allergy, Immunology, and Transplantation},
year = {2026}, month = {aug}, url = {https://www.immport.org/}
}
§9.4 引用指南
引用 ImmPort 数据时，建议同时完成以下三项，以保证可复现性与归因完整：
-
引用平台论文。 使用共享数据前，优先引用 2018 年 Scientific Data 平台论文（DOI 10.1038/sdata.2018.15）；若讨论平台早期设计理念，可同时引用 2014 年 Immunologic Research 论文。如果使用了 ImmPort Galaxy、RImmPort 或 MetaCyto，应分别引用对应工具的方法学论文。
-
标注发布版本与访问日期。 在方法部分写明数据获取所使用的发布版本（如
ImmPort Data Release 67, 2026-08）与访问日期。由于平台按月更新，缺少版本标注的引用无法复现。 -
逐研究归因。 若分析涉及特定研究，应列出所使用的 SDY 编号，并尽可能引用原研究对应的 PubMed 文献。ImmPort 为每项研究提供关联发表物链接，遵循这一链条既是学术规范，也是对原始数据提供者的基本尊重。
引用格式示例：
本研究使用了 ImmPort（RRID 由平台官方提供）的共享数据，数据版本为 Data Release 67（2026 年 8 月），访问日期为 2026 年 9 月。所纳入的研究包括 SDY91、SDY212 与 SDY660。平台引用：Bhattacharya S, Dunn P, Thomas CG, et al. ImmPort, toward repurposing of open access immunological assay data for translational and clinical research. Sci Data. 2018;5:180015. DOI 10.1038/sdata.2018.15
§10 AI 使用声明卡
§10.1 AI 模型列表
| 模型/工具 | 版本 | 用途 |
|---|---|---|
| CodeBuddy Code（写作模型） | 2026-09 | 初稿生成：INFOBOX 数据汇编、§1-§9 结构化写作、§6 代码示例生成、JSON-LD 构建 |
| WebSearch（多源检索） | 2026-09-18 | 6 组检索：官方平台介绍、数据发布统计、论文与 DOI、许可与获取条款、数据域与数据模型、AI-ready 子集与工具生态 |
§10.2 AI 参与范围
AI 参与范围：初稿生成 + 资料整理 + 代码生成 + 格式化排版。
AI 在本页面的工作中负责：(1) 从 ImmPort 官方门户、官方文档站、Core Trust Seal 认证材料、NAIRR AI-Ready Datasets 页面与同行评审论文中整理结构化信息；(2) 生成 §6 的 Python/bash 代码示例；(3) 系统化组织 §6.5 的 8 个坑点与 §7.1 偏倚表；(4) 执行 G1/G2/G3 排版规范检查与中英文格式标准化；(5) 构建 §C 统一 JSON-LD @graph。
AI 未参与的部分：所有规模数字、DOI、许可证条款、发布版本号均来自官方页面与论文原文，不进行推测性填充；医学表述与 ICD-11/SNOMED CT 映射由人工审核者依据官方疾病分类核对。
§10.3 输入来源
本页面内容基于以下公开来源整理（完整 URL 清单见 FACTS.md 与 §8.7、§9.1）：
官方门户与文档：ImmPort 官方门户（Shared Data 首页统计）https://www.immport.org/ ；官方 FAQ https://docs.immport.org/help/faqs/ ；About 页面 https://dev.immport.org/about ；数据模型 https://www.immport.org/shared/dataModelTextAlt ；下载指南 https://docs.immport.org/download/ ；提交指南 https://docs.immport.org/datasubmission/general/ ；Data Catalogs https://docs.immport.org/help/navigation/datacatalogs/ ；User Agreement https://www.immport.org/agreement ；NAIRR AI-Ready Datasets https://www.immport.org/resources/aireadydatasets ；Resources 页面 https://dev.immport.org/resources ；官方博客与网络研讨会 https://blog.immport.org/posts/2020-04-07-immport--high-quality-immunological-data-immediately-available-for-the-research-community 、https://docs.immport.org/engagement/webinars
认证与第三方登记：Core Trust Seal 认证材料 https://www.coretrustseal.org/wp-content/uploads/2022/02/20220217-ImmPort-Repository_final.pdf ；healthdata.gov 数据资产登记 https://healthdata.gov/dataset/The-Immunology-Database-and-Analysis-Portal-ImmPor/6d6z-spz2 ；Johns Hopkins 仓储导航条目 https://reponavigator.library.jhu.edu/repository/immunology-database-and-analysis-portal-immport/ ；FAIR 实践讨论材料 https://philarchive.org/archive/DUNTIA-4
同行评审论文：Bhattacharya S, et al. Immunol Res. 2014;58(2-3):234-239. https://pubmed.ncbi.nlm.nih.gov/24791905/ ；Bhattacharya S, Dunn P, Thomas CG, et al. Sci Data. 2018;5:180015. https://www.nature.com/articles/sdata201815
§10.4 人工校验
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §2 医学背景（ICD-11 与 SNOMED CT 映射） | 千方病案医学编辑部 | 对照官方疾病分类与临床语义逐条核对 | ✅ 已验证 |
| §7.1 偏倚分析 | 千方病案医学编辑部 | 对照平台官方文档与认证材料核查 | ✅ 已验证 |
| §4 DAIMS 数据字典 | 千方病案医学编辑部（医疗 AI 数据工程师） | 对照官方数据模型文档核查字段语义 | ✅ 已验证 |
| §5 数据划分策略与泄漏分析 | 千方病案医学编辑部（医疗 AI 数据工程师） | 方法学合理性评审 | ✅ 已通过 |
| §6 预处理 Pipeline 与 8 个坑点 | 千方病案医学编辑部（医疗 AI 数据工程师） | 代码可运行性检查与坑点来源核查 | ✅ 已通过 |
| 规模数字与发布版本（§1.4、§3.2、§4.3） | 千方病案医学编辑部 | 对照官方 Shared Data 首页与 FAQ 逐项复核 | ✅ 已验证 |
| 许可证与合规条款（INFOBOX、§7.4） | 千方病案医学编辑部 | 对照 User Agreement 原文核对 | ✅ 已验证 |
| §8.5 关键论文与 §9.3 BibTeX | 千方病案医学编辑部 | 对照 PubMed 与期刊页面核对 DOI 与卷期页 | ✅ 已验证 |
§10.5 AI 生成章节标注
本页面全部章节均由 AI 参与初稿生成，并经上表所列人工审核流程校验后发布。其中：
- 数据驱动型章节（§3 数据集规格、§4 数据结构、§7.7 DAIMS 评估）：内容严格依据官方文档与统计页面，AI 负责结构化整理，人工负责数字复核。
- 方法型章节（§5 划分与使用建议、§6 AI 就绪指南）：AI 依据通用机器学习工程实践与平台特性生成，人工负责方法学合理性评审。
- 医学型章节（§2 医学背景、§7.4 伦理）：AI 依据官方疾病分类与协议文本整理，医学编辑负责临床语义核对。
§10.6 最后人工审核日期
最后人工审核日期：2026-09-05
页面状态：published（全部内容已完成审核并发布）
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tcga — 共享标签：基因组学与多组学 / 转录组 / 蛋白质组学
- human-protein-atlas — 共享标签：基因组学与多组学 / 转录组 / 蛋白质组学
- uniprot — 共享标签：基因组学与多组学 / 蛋白质组学
- alphafold — 共享标签：基因组学与多组学 / 蛋白质组学
- geo — 共享标签：基因组学与多组学 / 转录组
- fantom5 — 共享标签：基因组学与多组学 / 转录组
- cptac — 共享标签：基因组学与多组学 / 蛋白质组学
- tabula-sapiens — 共享标签：基因组学与多组学 / 转录组
- single-cell-portal — 共享标签：基因组学与多组学 / 转录组
- hcl — 共享标签：基因组学与多组学 / 转录组
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
