Martingales, Detrending Data, and the Efficient Market Hypothesis
Martingales, Detrending Data, and the Efficient
Market Hypothesis
Joseph L. McCauley+, Kevin E. Bassler++, and Gemunu H.
Gunaratne+++
Physics Department
University of Houston
Houston, Tx. 77204-5005
jmccauley@https://www.wendangku.net/doc/c316620628.html,
+Senior Fellow
COBERA
Department of Economics
J.E.Cairnes Graduate School of Business and Public Policy
NUI Galway, Ireland
++Texas Center for Superconductivity
University of Houston
Houston, Texas 77204-5005
+++Institute of Fundamental Studies
Kandy, Sri Lanka
Key Words: Martingales, Markov processes, detrending, memory, stationary and nonstationary increments, correlations, efficient market hypothesis.
Abstract
We discuss martingales, detrending data, and the efficient market hypothesis for stochastic processes x(t) with arbitrary diffusion coefficients D(x,t). Beginning with x-independent drift coefficients R(t) we show that Martingale stochastic
processes generate uncorrelated, generally nonstationary increments. Generally, a test for a martingale is therefore a test for uncorrelated increments. A detrended process with an x-dependent drift coefficient is generally not a martingale, and so we extend our analysis to include the class of (x,t)-dependent drift coefficients of interest in finance. We explain why martingales look Markovian at the level of both simple averages and2-point correlations. And while a Markovian market has no memory to exploit and presumably cannot be beaten systematically, it has never been shown that martingale memory cannot be exploited in 3-point or higher correlations to beat the market. We generalize our Markov scaling solutions presented earlier, and also generalize the martingale formulation of the efficient market hypothesis (EMH) to include (x,t)-dependent drift in log returns. We also use the analysis of this paper to correct a misstatement of the ‘fair game’ condition in terms of serial correlations in Fama’s paper on the EMH. We end with a discussion of Levy’s characterization of Brownian motion and prove that an arbitrary martingale is topologically inequivalent to a Wiener process.
1. Introduction
Recently [1] we focused on the condition for long time correlations like and including fractional Brownian motion (fBm), which is stationarity of the increments in a stochastic process x(t) with variance nonlinear in the time. There, we derived the 2-point and 1-point densities including the transition density for fBm. We will point out below that there are nonMarkov systems where the pair correlations canot be distinguished from those of a Markov process, but time series with stationary increments (like fBm) exhibit long time memory that can be seen at the level of pair
correlations: fBm cannot be mistaken for a Markov process at the 2-point level. We correspondingly emphasized that
neither 1-point averages nor Hurst exponents can be used to identify the presence or absence of history-dependence in a time series, or to identify the underlying stochastic process
(see [2] for the conclusion that an equation of motion for a 1-point density cannot be used to decide if a process is Markovian or not). In the same paper, we pointed out that
the opposite class, systems with no memory at all (Markov processes) and with x-independent drift coefficients generate uncorrelated, typically nonstationary increments. The
conclusions in [1] about Markov processes are more general than we realized at the time. Here, we generalize that work by focusing on martingales.
In applications to finance, by “x” we always mean x(t)=ln(p(t)/p c) where p(t) is a price at time t and p c is a
reference price, the consensus price or ‘value’ [3]. The consensus price p c is simply the price that determines the peak of the 1-point returns density f1(x,t). The reason why
log increments x(t;T)=lnp(t+T)/p(t) and price differences Δp=p(t+T)-p(t) generally cannot be taken as ‘good’ variables describing a stochastic process (neither theoretically nor in
data analysis) is explained below in part 4. It is impossible for a martingale, excepting the special case of a variance linear in the time t, to develop either stochastic dynamics or probability theory based on increments x(t;T) or Δp, because if the increments are nonstationary, as they generally are, then the starting time t matters and consequently histograms derived empirically from time series assuming that the starting time doesn’t matter exhibit ‘significant artifacts’ like fat tails and spurious Hurst exponents [3,4]. In contrast, in a system with long time autocorrelations (like fBm), the stationary increment x(t;T)=x(t+T)-x(t)=x(T), ‘in distribution’, is a perfectly good variable. But real markets [4] are hard to beat and rule out increment autocorrelations.
Stated briefly, if increments are nonstationary then the 1-point density that describes the increments is not independent of t (see part 5 below). Next, we define the required underlying ideas.
2. Conditional expectations with memory
Imagine a collection of time series generated by an unknown stochastic process that we would like to discover via data analysis. Simple averages require only a 1-point density f1(x,t), e.g.,
Two point conditional probability densities p k, or transition probability densities, can then be defined as [5,6]:
!f
2
(x
1
,t
1
;x
1
,t
1
)=p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
), (1)
!f
3
(x
3
,t
3
;x
2
,t
2
;x
1
,t
1
)=p
3
(x
3
,t
3
x
2
,t
2
,x
1
,t
1
)p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
) ,
(2)
and more generally as
!f
n
(x
n
,t
n
;...;x
1
,t
1
)=p
n
(x
n
,t
n
x
n"1
,t
n"1
; (x)
1
,t
1
)f
n"1
(x
n"1
,t
n"1
;...;x
1
,t
1
)
=p
n
(x
n
,t
n
x
n"1
,t
n"1
; (x)
1
,t
1
)...p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
)
, (3)
where p n is the 2-point conditional probability density to find x n at time t n, given the last observed point (x n-1,t n-1) and the previous history (x n-2,t n-2;…;x1,t1). When memory is present in the system then one cannot use the simplest 2-point transition density p2to describe the complete time evolution of the dynamical system that generates x(t).
In a Markov process the picture is much simpler. A Markov process [5,6] remembers only the last observed point in the time series. There, we have
!
f
n
(x
n
,t
n
;...;x
1
,t
1
)=p
2
(x
n
,t
n
x
n"1
,t
n"1
)...p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
),
(4)
because all transition rates p n, n>2, are built up as products of p2,
!
p
k
(x
k
,t
k
x
k"1
,t
k"1
;...;x
1
,t
1
)=p
2
(x
k
,t
k
x
k"1
,t
k"1
),
(5)
for k=3,4, …. , and so p2cannot depend on an initial state (x1,t1) or on any previous state other than the last observed point (x k-1,t k-1). Only in the absence of memory does the 2-
point density p2 describe the complete time evolution of the dynamical system. E.g., we can prove that for an arbitrary process with or without memory
!
p
k"1
(x
k
,t
k
x
k"2
,t
k"2
;...;x
1
,t
1
)=dx
k"1
p
k
(x
k
,t
k
x
k"1
,t
k"1
;...;x
1
,t
1
)
#p
k"1
(x
k"1
,t
k"1
x
k"2
,t
k"2
;...;x
1
,t
1
)
(6)
and therefore that
!
p
2
(x
3
,t
3
x
1
,t
1
)=dx
2
p
3
(x
3
,t
3
x
2
,t
2
;x
1
,t
1
)
"p
2
(x
2
,t
2
x
1
,t
1
),
(7)
whereas the Chapman-Kolmogorov (CK) equation for a Markov process follows with p n=p2 for n=2,3,…, from (6) so that
!
p
2
(x
3
,t
3
x
1
,t
1
)=dx
2
p
2
(x
3
,t
3
x
2
,t
2
)
"p
2
(x
2
,t
2
x
1
,t
1
). (8)
The Markov property is expressed by p n=p2 for all n≥3, the complete lack of memory excepting the last observed point. The CK Equation (8) is a necessary but not sufficient condition for a Markov process [7,8,9,10].
A time translationally invariant Markov process defines a 1-parameter semi-group U(t2,t1) of transformations [10], where p2(x n,t n:x n-1,t n-1)=p2(x n,t n-t n-1:x n-1,0)), but time translational invariance is not a property of FX data [4] and will not be assumed here. In any and all cases, the identity element is defined by the equal times transition density
!
p
2
(y,t x,t)="(y#x). (9)
Arbitrary processes with memory do not obey the CK eqn. Instead, the class of path-dependent time evolutions is defined by the entire hierarchy eqns. (3,6), for n=2,3,4,… . That the transition density for fBm, e.g., obeys no CK eqn. is shown implicitly in Appendix B of [11], where the authors show that for general Gaussian processes one obtains the semi-group property iff. the Gaussian describes a Markov process. However, both CK and Fokker-Planck eqns. have been shown to hold for Ito processes with only finitely many states in memory [9].
Memory-dependent processes in statistical physics have been discussed by H?nggi and Thomas [11]. They point our that
!p
2
(x
3
,t
3
x
2
,t
2
)=
dx
1
p
3
(x
3
,t
3
x
2
,t
2
;x
1
,t
1
)p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
)dx
1
"
p
2
(x
2
,t
2
x
1
,t
1
)f
1
(x
1
,t
1
)dx
1
"
(10)
is a functionals of the initial state f1(x1,t1) in which the system was prepared at the initial time t1, unless the process is Markovian. In a nonMarkov system one may sometimes be able to mask this dependence on state preparation by choosing the initial condition to be f1(x1,t1)=δ(x1). If, instead, we would or could choose f1(x1,t1)=δ(x1-x’o) at t1=0, e.g., then we obtain p2(x3,t3;x2,t2)= p3(x3,t3;x2,t2,x o’), introducing a dependence on x o’ in both the drift and diffusion coefficients. So in this case, what appears superficially as p2is really a special case of p3. The authors of [11] point out that the origin of memory in statistical physics is often a consequence of averaging over other, rapidly changing, variables. We will mention memory as a consequence of averaging over other variables in the section below on the efficient market hypothesis.
A class of Markov processes with scaling more general than Hurst exponent scaling [1,3,12] is defined as follows: let
!
f
1
(x,t)="
1
#1(t)F(u)(11)
with initial condition f1(x,0)=δ(x), where u=x/σ1(t), with variance1
!
"2(t)=x2(t)="
1
2(t)u2.(12)
1Mathematicians often write x(t)=tH x(1). The variable x(1) is the same as our variable u: the time t is here dimensionless, otherwise the diffusion coefficient D(x,t) must be multiplied by a constant factor with dimension sec-1.
Then with the diffusion coefficient scaling as
!D(x,t)=(d"
1
2/dt)D (u)(13)
where dσ1/dt>0 is required, f1(x,t) satisfies the Fokker-Planck pde
!"f
1
"t
=1
2
"2(Df
1
)
"x2
(14)
and yields the scale invariant part of the solution
!F(u)=
C
(u)
e"udu/D (u)
#. (15)
An example is given by Hurst exponent scaling σ1(t)=t H, 0 The Green function g(x,t;x o,t o) of (14) for an arbitrary initial condition (x o,t o)≠(0,0) does not scale [12], but then the 2-point transition density p2(x2,t2; x1,t1) for fBm does not scale either1. In all cases scaling, when it occurs, can only be seen in the special choice of conditional density f1(x,t)=p2(x,t;0,t o) with t o=0 for a Markov process. The same 1-point density f1(x,t) may describe nonMarkovian processes because a 1-point density taken alone, without the 1 In [1] it is wrongly asserted that x(-∞)=0 for fBm. Instead, x(0)=0 and the variance diverges at t=-∞. I.e., every path is ‘filtered’ through the point x(0)=0. In different ‘runs’ of the Gedankenexperiment, initial conditions x(t o) are drawn from a Gaussian, with the limits t o=-∞, σ2(-∞)=∞. information provided by the transition densities, defines no specific stochastic process and may be generated by many different completely unrelated processses, including systems with long time increment autocorrelations like fBm [1]. We will show below that the 2-point transition density delineates fBM from a martingale, but that pair correlations cannot be used to distinguish an arbitrary martingale from a drift-free Markov process. 3. Absence of trend and martingales By a trend, we mean that d A trivial drift coefficient R(t) is a function of time alone. A nontrivial drift coefficient R(x,t) depends on x, on (x,t), or on (x,t) plus memory {x}, and is defined for Ito/Langevin processes by [5,6] !R(x,t,{x})" 1 T dy #$ $ %(y#x)p n(y,t+T;x,t,{x})(16) as T vanishes, where {x} denotes the history dependence in p n, e.g. with y=x n and x=x n-1(y,t+T,x,t;{x}) denotes (x n,t n;x n-1,t n-1,x n-2,t n-2,…,x1,t1) with y=x n and x=x n-1. If R(x,t)=0 then ! dy "# # $yp n(y,t+T;x,t,{x})=x,(17) so that the conditional average over x at a later time is given by the last observed point in the time series, This is essentially the content of the Martingale Representation Theorem [14], which states that an arbitrary martingale can be built up from a Wiener process B(t), the most fundamental martingale, via stochastic integration ala Ito, ! x(t)=b(x(s),s;{x})dB(s) ". (18) There is no drift term in (18). If a stochastic differential equation (sde) ! dx(t)=b(x(t),t;{x})dB(t), (19) follows from (18) then the diffusion coefficient is defined by [5,6] !D(x,t,{x})" 1 T dy(y#x)2p n (y,t+T x,t,{x}) $(20) as T vanishes, so that D=b2. In a Markov system the drift and diffusion coefficients depend on (x,t) alone, have no history dependence. Ito calculus based on martingales has been developed systematically by Durrett, including the derivation of Girsanov’s Theorem for arbitrary diffusion coefficients D(x,t) [13]. Many discussions of Girsanov’s Theorem [14,15] implicitly rule out the general case (19) where D(x,t) may depend on x as well as t. In this paper we do not appeal to Girsanov’s theorem because the emphasis is on application to data analysis, to detecting martingales in empirical data. A new and simplified proof of Girsanov’s theorem for variable diffusion coefficients has been presented elsewhere [16]. There are stochastic processes that are inherently biased, and fBm provides an example. There, although the absolute average vanishes ! x(t) cond =dyyp 2 (y,s x,t)=C(t,s)x "(21) instead of the martingale condition (19). Here, d Note next that subtracting an average drift ∫ ! x(t)=x(t"T)+R(x(s),s;{x})ds+b(x(s),s;{x}dB(s) # t"T t #, (22) does not produce a martingale. Here, if we replace x(t) by x(t)-∫ ! R=dxR(x,t)p 2 "(x,t x1,t1)(23) depends on t alone we do not get drift free motion, and choosing absolute or other averages of R will not change this. In financial analysis, e.g., !x(t)=x(t"T)+R(x(s),s;{x})ds"R t"T t #ds+b(x(s),s;{x}dB(s) # t"T t # (24) and is not a martingale unless R is independent of x: we obtain With that assumption we can, for our present purposes, divide stochastic processes into those that satisfy the martingale condition ! x(t) cond =x(t o ), (25) where <..>cond denotes the conditional average (19), and those that do not. Those that do not satisfy (19) can be classified further into processes that consist of a nontrivial (i.e., (x,t)-dependent) drift plus a martingale (20), and those (including fBm) that are not defined by an underlying martingale. Finally, an Ito sde with or without drift included can be used to derive a Fokker-Planck pde for a stochastic process with memory. The Fokker-Planck pde is usually derived from the CK eqn. for a Markov process as an approximation, but this is not necessary. The derivation of the Fokker-Planck pde from the Ito sde, without assuming a C-K eqn. apriori, is provided in [9,19] goes through even if the drift and diffusion coefficients R and D are memory dependent. In that case one has a pde for a 2-point conditional probability p n depending on a history of n-2 earlier states. 4. Stationary vs. nonstationary increments Let us preface this section with a comment: in contrast with what is assumed in the econophysics and finance literature, we know of only two stochastic processes with both finite variance and stationary increments: the Wiener process and fractional Brownian motion. Furthermore, we know of no finance data with stationary increments. Furthermore, stationary increments is a very different condition than either time or space translational invariance. Nonstationary increments are ubiquitous in both theory and data analysis. In this section we generalize an argument in [1] that assumed Markov processes with trivially removable drift R(t). In fact, that argument was based on no specifically Markovian assumption and applies quite generally to nonMarkovian martingales. In the analysis that follows, we assume a drift-free nonstationary process x(t) with the initial condition x(t o)=0, so that the variance is given by σ2= mean x(t;T) = x(t+T)-x(t) and x(t;-T)=x(t)-x(t-T). We state in advance that we assume that [-∞ Stationary increments are defined by !x(t+T)"x(t)=x(T), (27) ‘in distribution’, and by nonstationary increments [1,3,4,5] we mean that !x(t+T)"x(t)#x(T). (28) in distribution. When (27) holds, then given the density of ‘positions’ f1(x,t), we also know the density f1(x(T),T)=f1(x(t+T)-x(t),T) of increments independently of the starting time t. Whenever the increments are nonstationary then any analysis of the increments inherently requires the two-point density, f2(x(t+T),t+T;x(t),t). From the standpoint of theory there exists no 1-point density of increments f(x;T),T) depending on T alone, independent of t, and spurious 1-point histograms of increments are typically constructed empirically by assuming that the converse is possible [4]. Next, we place an important restriction on the class of stochastic processes under consideration. According to Mandelbrot, so-called ‘efficient market’ has no memory that can be easily exploited in trading [18]. Beginning with that idea we can assert the necessary but not sufficient condition, the absence of increment autocorrelations, !(x(t 1 )"x(t 1 "T 1 ))(x(t 2 +T 2 )"x(t 2 ))=0,(29) when there is no time interval overlap, t1 Consider a stochastic process x(t) where the increments (29) are uncorrelated. From this condition we easily obtain the autocorrelation function for positions (returns), sometimes called ‘serial autocorrelations’. If t>s then ! x(t)x(s)=(x(t)"x(s))x(s)+x2(s)=x2(s)>0, (30) since with x(t o)=0 x(s)-x(t o)=x(s), so that ! x(t n )x(t k )=dx n ...dx 1 x n "x k p n(x n,t n x n,t n,...,x n,t n,...)p n#1(...)...p k+1(...)f k(...) =x k 2 "f k(x k,t k;...;x1,t1)dx k...dx1=x2 "f1(x,t)dx=x k2(t k) (31) where ! x m dx m p m (x m ,t m x m"1 ,t m"1 ;...;x 1 ,t 1 )=x m"1 #. (32) Every martingale generates uncorrelated increments and conversely, and so for a Martingale In a martingale process, the history dependence cannot be detected at the level of 2-point correlations, memory effects can at best first appear at the level 3-point correlations requiring the study of a transition density p3. Here, we have not postulated a martingale, instead we’ve deduced that property from the lack of pair wise increment correlations. But this is only part of the story. What follows next is crucial for avoiding mistakes in data analysis [4]. Combining ! (x(t+T)"x(t))2=+(x2(t+T)+x2(t)"2x(t+T)x(t) (33) with (34), we get ! (x(t+T)"x(t))2=x2(t+T)"x2(t)(34) which depends on both t and T, excepting the case where 2 Note that (30,31) hold for time translationally invariant martingales, where p 2 (x,t:y,s)=p2(x,t-s:y,0). One can easily check this for a drift-free Gaussian Markov process. I.e., time translational invariance does not imply that a function of t-s alone. Time translational invariance of p n, n≥2, does not imply that a statistical equilibrium density f1(x) exists and is approached asymptotically by f1(x,t) [21]. I.e., a time translationally invariant martingale on [-∞,∞] cannot yield a stationary process, cannot lead to statistical equilibrium. distinguished empirically from a drift-free Markov process. To see the memory in a martingale one must study at the very least the 3-point correlations. Summarizing, we’ve shown explicitly that fBm is not a martingale [1], while every Markov process with trivial drift R(t) can be transformed into a (local) Martingale via the substitution of x(t)-∫Rdt for x(t): Ito sdes with vanishing drift describe local martingales [13]. A martingale may have memory, and we’ve provided a model diffusion coefficient to illustrate the appearance of memory (any drift or diffusion coefficient depending on a state (x’,t’) other than the present state (x,t) exhibits memory, so diffusive models with memory are quite easy to construct). We’ve shown that uncorrelated increments are nonstationary unless the variance is linear in t. This means that looking for memory in two point correlations is useless: at that level of description a martingale with memory will look Markovian. To find the memory in a martingale one must study the transition densities p n and correlations for n≥3. This has not been discussed in the literature, so far as we know. 5. The Efficient Market Hypothesis We begin by sumarizing our viewpoint for the reader. Real finance markets are hard to beat, arbitrage posibilites are hard to find and, once found, tend to disappear fast. In our opinion the EMH is simply an attempt to mathematize the idea that the market is very hard to beat. If there is no useful information in market prices, then those prices can be counted as noise, the product of ‘noise trading’. A martingale formulation of the EMH embodies the idea that the market is hard to beat, is overwhelmingly noise, but leaves open the question of hard to find correlations that might be exploited for exceptional profit. A strict interpretation of the EMH is that there are no correlations, no patterns of any kind, that can be employed systematically to beat the average return Mandelbrot [18] proposed a less strict and very attractive definition of the EMH, one that directly reflects the fact that financial markets are hard to beat but leaves open the question whether the market can be beaten in principle at some high level of insight. He suggested that a martingale condition on returns realistically reflects the notion of the EMH. A martingale may contain memory, but that memory can’t be easily exploited to beat the market precisely because the expectation of a martingale process x(t) at any later time is simply the last observed return. In addition, as we’ve shown above, pair correlations in increments cannot be exploited to beat the market either. The idea that memory may arise (in commodities, e,g.) from other variables (like the weather) [18] correponds in statistical physics [11] to the appearance of memory as a consequence of averaging over other, more rapidly changing, variables in the larger dynamical system. The martingale (as opposed to Markov) version of the EMH is also interesting because technical traders assume that certain price sequences give signals either to sell or buy. In principle, that is permitted in a martingale. A particular price sequence (p(t n), ….,p(t1)), were it quasi-systematically to repeat, can be encoded as returns (x n,…,x1) so that a conditional probability density p n(x n;x n-1,…,x1) could be interpreted as a providing a risk measure to buy or sell. By ‘quasi-repetition’ of the sequence we mean that p n(x n;x n-1,…,x1) is significantly greater than a Markovian prediction. Typically, technical traders make the mistake of trying to interpret random price sequences quasi-deterministically, which differs from our interpretation of ‘technical trading’ based on conditional probabilities (see Lo et al [25] for a discussion of technical trading claims, but based on a non-martingale, non-empirically based model of prices). With only a conditional probability for ‘signaling’ a specific price sequence, an agent with a large debt to equity ratio can easily suffer the Gamblers’ Ruin. In any case, we can offer no advice about technical trading, because the existence of market memory has not been firmly established (the question is left open by the analysis of ref. [25]), liquid finance markets look pretty Markovian so far as we’ve been able to understand the data [4], but one can go systematically beyond the level of pair correlations to try to find memory. Apparently, this remains to be done, or at least to be published. Memory could reflect heavy trading around a particular price and can, of course, be lost in the course of time. The writer remembers well the period of a few months ca. 1999 when CPQ sold for around $22, and was traded often in the range $18-$25 before crashing further. Whether that provides an example is purely speculation at this point. Fama [26] took Mandelbrot’s proposal seriously and tried to test finance data at the simplest level for a fair game condition. We continue our discussion by first correcting a mathematical mistake made by Fama (see the first two of three unnumbered equations at the bottom of pg. 391 in [26]), who wrongly concluded in his discussion of martingales as a fair game condition that ! x(t+T)x(t)=xdx cond(x) f 1 (x,t) ". (40) Fama states that this vanishes because In our discussion of the EMH we shall not follow the economists’ tradition and discuss three separate forms (weak, semi-strong, and strong [27]) of the EMH, where a 免疫学的临床应用有两个方面：一是应用免疫理论来阐明许多疾病的发病机制和发展规律；二是应用免疫学原理和技术来诊断和防治疾病。本章内容主要是后者。此外，免疫学不仅应用于传统的传染病中，而且在肿瘤、自身免疫病、免疫缺陷病、器官移植、生殖免疫等中均广泛应用。 免疫学防治是指应用免疫制剂或免疫调节药物调整机体的免疫功能，对疾病进行预防和治疗。特异性免疫的获得方式有自然免疫和人工免疫两种。自然免疫主要指机体感染病原体后建立的特异性免疫，也包括胎儿或新生儿经胎盘或乳汁从母体获得抗体而产生的免疫。人工免疫则是人为地使机体获得免疫，是免疫预防的重要手段，包括人工自动免疫、人工被动免疫和过继免疫。 人工自动免疫是给机体接种疫苗或类毒素等抗原物质，刺激机体产生特异性免疫。国内常将用细菌制作的人工主动免疫的生物制品称为菌苗，而将用病毒、立克次体螺旋体等制成的生物制品称为疫苗，而国际上把细菌性制剂，病毒性制剂及类毒素统称为疫苗。经人工自动免疫产生的免疫力出现较慢，但免疫力较持久，故临床上多用于预防。人工自动免疫制剂其主要有灭活疫苗、减毒活疫苗、类毒素、以及各种新型疫苗。 人工被动免疫是给机体输入抗体等制剂，使机体获得特异性免疫力，输入抗体后立即获得免疫力，但维持时间短，约2~3周，临床上用于治疗或紧急预防。人工被动免疫的生物制品主要有抗毒素、抗菌血清与抗病毒血清、胎盘球蛋白和血浆丙种球蛋白。 过继免疫治疗是指给患者转输具有在体内继续扩增效应细胞的一种疗法。如给免疫缺陷病患者转输骨髓细胞；给肿瘤患者输入体外激活扩增的特异肿瘤浸润淋巴细胞或非特异性的LAK细胞等。应用时应考虑供者与受者之间HLA型别是否相同，否则输注的细胞会被迅速清除，或者发生移植物抗宿主反应。再如造血干细胞移植：取患者自身或异体骨髓或脐血输入患者，移植物中的多能干细胞可在体内定居、增殖、分化、使患者恢复造血功能和形成免疫力。造血干细胞移植可用于治疗再生障碍性贫血、白血病以及某些免疫缺陷病和自身免疫病等。 在医学制剂影响免疫功能的制剂主要有两类：免疫增强剂和免疫仰制剂。免疫增强剂是指通过不同方式，达到增强机体免疫力的一类免疫治疗药物。临床上常用于治疗与免疫功能低下有关的疾病及免疫缺陷病。免疫增强剂种类很多，按其作用的先决条件可分为三类：一是免疫替代剂，用来代替某些具有免疫增强作用的生物因子的药物。按其作用机制可分为提高巨噬细胞吞噬功能的药物，提高细胞免疫功能的药物，提高体液免疫功能的药物等；按其作用性质又可分为特异性免疫增强剂和非特异性免疫增强剂；按其来源则可分为细菌性免疫增强剂及非细菌性免疫增强剂。二是免疫恢复剂，能增强被抑制的免疫功能，但对正常免疫功能作用不大。常用的免疫增强剂如：卡介苗、短小棒状杆菌、内毒素、免疫核糖核酸、胸腺素、转移因子、双链聚核苷酸、佐剂等。免疫抑制剂是对机体的免疫反应具有抑制作用的药物。能抑制与免疫反应有关细胞的增殖和功能，能降低抗体免疫反应的制剂。常用的免疫抑制剂主要有五类：（1）糖皮质激素类，如可的松和强的松、泼尼松龙等；（2）微生物代谢产物，如环孢菌素和藤霉素等；（3）抗代谢物，如硫唑嘌呤和6-巯基嘌呤等；（4）多克隆和单克隆抗淋巴细胞抗体，如抗淋巴细胞球蛋白和OKT3等；（5）烷化剂类，如环磷酰胺等。 免疫学诊断是指应用免疫学原理和方法对传染病、免疫性疾病等进行和免疫功能进行测定。由于免疫学检测具有高特异性和敏感性，因此常用临床诊断的一种重要手段。目前常用的免疫诊断方法具有体液免疫试验。细胞免疫试验和皮肤试验三种。 抗原抗体反应在体内表现为溶细胞、杀菌、促进吞噬、中和毒素或引起免疫病理损伤等；在体外可出现凝集、沉淀、细胞溶解和补体结合等可见反应。由于抗体主要存在于血清中，临床上多用血清标本进行试验，故体外的抗原抗体反应曾被称为血清学反应。但随着免疫学 常用免疫学检验技术的基本原理 免疫学检测即是根据抗原、抗体反应的原理，利用已知的抗原检测未知的抗体或利用已知的抗体检测未知的抗原。由于外源性和内源性抗原均可通过不同的抗原递呈途径诱导生物机体的免疫应答，在生物体内产生特异性和非特异性T 细胞的克隆扩增，并分泌特异性的免疫球蛋白（抗体）。由于抗体－抗原的结合具有特异性和专一性的特点，这种检测可以定性、定位和定量地检测某一特异的蛋白（抗原或抗体）。免疫学检测技术的用途非常广泛，它们可用于各种疾病的诊断、疗效评价及发病机制的研究。 最初的免疫检测方法是将抗原或抗体的一方或双方在某种介质中进行扩散，通过观察抗原－抗体相遇时产生的沉淀反应，检测抗原或抗体，最终达到诊断的目的。这种扩散可以是蛋白的自然扩散，例如环状沉淀试验、单向免疫扩散试验、双向免疫扩散实验。单向免疫扩散试验就是在凝胶中混入抗体，制成含有抗体的凝胶板，而将抗原加入凝胶板预先打好的小孔内，让抗原从小孔向四周的凝胶自然扩散，当一定浓度的抗原和凝胶中的抗体相遇时便能形成免疫复合物，出现以小孔为中心的圆形沉淀圈，沉淀圈的直径与加入的抗原浓度成正比。 利用蛋白在不同酸碱度下带不同电荷的特性，可以利用人为的电场将抗原、抗体扩散，例如免疫电泳试验和双向免疫电泳。免疫电泳首先将抗原加入凝胶中电泳，将抗原各成分依次分散开。然后沿电泳方向平行挖一直线形槽，于槽内加入含有针对各种抗原的混合抗体，让各抗原成分与相应抗体进行自然扩散，形成沉淀线。然后利用标准的抗原－抗体沉淀线进行抗原蛋白（或抗体）的鉴别。上述的方法都是利用肉眼观察抗原－抗体反应产生的沉淀，因此灵敏度有很大的局限。比浊法引入沉淀检测产生的免疫比浊法就是利用浊度计测量液体中抗原－抗体反应产生的浊度，根据标准曲线来计算抗原（或抗体）的含量。该方法不但大大提高了检测的灵敏度，且可对抗原、抗体进行定量的检测。 免疫学发展简史 分三个时期：①经验免疫学时期（公元前400年～18世纪末）； ②免疫学科建立时期（19世纪～1975年）；③现代免疫学时期（1975年至今）。 一、经验免疫学时期（公元前400年～18世纪末） （一）天花的危害 天花是一种古老的、世界流行的烈性传染病，死亡率可高达25％～40％，我国民间早有“生了孩子算一半，得了天花才算全”的说法。患天花痊愈后留下永久的疤痕，但可获得终身免疫。 16世纪由于西班牙殖民者侵略，将天花传播到美洲，墨西哥土著人从16世纪初（1518年）的2000～3000万人到16世纪末减少到100万人，阿茨特克帝国消亡。16世纪中期之后向南进发，在美洲中部毁灭了玛雅和印加文明，随后又毁灭了秘鲁。 （二）人痘苗接种 1．人痘苗接种实践： 中医称天花为“痘疮”，据史书记载人痘苗接种预防天花的方法是在公元前约400年由我们中华民族的祖先建立的。Zinsser微生物学（1988）：发明于中国2000多年之前。 明庆隆年间（1567～1572）；16～17世纪人痘苗接种预防天花已在全国普遍展开。清康熙27年（1688）俄国曾派医生到北京学习种痘技术。并经丝绸之路东传至朝鲜、日本和东南亚国家，西传至欧亚、北非及北美各国。 1700年传入英国/Momtagu夫人在英国积极推广人痘苗接种中起了重要的作用。 1721～1722年天花在英国爆发流行期间，英国皇家学会在国王的特许下，主持进行了用犯人和孤儿做人痘苗接种的试验，均获得了成功，试验者无一人死于天花。在此基础上，1722年给英国威尔士王子的两个女儿（一个9岁，一个11岁）也进行了人痘苗接种，也都获得成功。 2．人痘苗接种意义：有三个方面： ①能有效预防天花。 ②在接种方法、痘苗的制备和保存建立了一整套完整的科学方法，为以后疫苗的发展提供了丰富的经验和借鉴。 清代吴谦所著的《医宗金鉴·幼科种痘心法要旨》（1742年）中介绍了四种接种法：痘衣法－痘浆法－旱苗法－水苗法。并指出这些方法的优劣：“水苗为上，旱苗次之，痘衣多不应验，痘浆太涉残忍。” 对痘苗保存指出：“若遇热则气泄，日久则气薄，触污秽则气不清，藏不洁则气不正，此蓄苗之法。”“须贮新磁瓶内，上以物密覆 免疫学诊断技术的发展及趋势 免疫学广泛应用于三大方面：①传染病预防：接种菌苗、疫苗，使机体主动产生免疫力.严重急性呼吸道综合征（SARS）及艾滋病，终将有赖于疫苗的发明（详见第二十五章）。②疾病治疗：包括肿瘤、慢性传染病及超敏性疾病，可用抗体、细胞因子、体外扩增的免疫细胞及治疗性抗原疫苗治疗。③免疫诊断：按抗原与抗体及T 细胞受体特异结合的原理；按抗原能活化特异的适应性免疫应答，发展起多种特异敏感的免疫学诊断方法，已广泛用于ABO血型定型，传染病诊断，妊娠确诊等等 天花曾是人类历史上的烈性传染病，是威胁人类的主要杀手之一。在欧洲，十七世纪中叶，患天花死亡者达30%。我国早在宋朝（十一世纪）已有吸入天花痂粉预防天花的传说。到明代，即公元十七世纪七十年代左右，则有正式记载接种“人痘”，预防天花。从经验观察，将沾有疱浆的患者的衣服给正常儿童穿戴，或将天花愈合后的局部痂皮磨碎成细粉，经鼻给正常儿童吸入，可预防天花。这些方法在北京地区较为流行，且经陆上丝绸之路西传至欧亚各国，经海上丝绸之路，东传至朝鲜、日本及东南亚国家。英国于1721年流行天花期间，曾以少数犯人试种人痘预防天花成功，但因当时英国学者的保守，未予推广。由于种“人痘”预防天花具有一定的危险性，使这一方法未能非常广泛地应用。然而， 其传播至世界各国，对人类寻求预防天花的方法有重要的影响。 公元十八世纪后叶，英国乡村医生Jenner 观察到牛患有牛痘，局部痘疹酷似人类天花，挤奶女工为患有牛痘的病牛挤奶，其手臂部亦得“牛痘”，但却不得天花。于是他意识到接种“牛痘”可预防天花。为证实这一设想，他将牛痘接种于一8 岁男孩手臂，两个月后，再接种从天花患者来源的痘液，只致局部手臂疱疹，未引起全身天花。他于1798年公布了他的论文，把接种牛痘“Vaccination”（拉丁语中，牛写为Vacca），即接种牛痘，预防天花。在Jenner年代，人们全然不知天花是由天花病毒感染所致，而他在实践观察中，总结发现的种牛痘预防天花，既安全、又有效，是一划时代的发明。接种牛痘在十九世纪初至中叶，在欧洲广泛推广。总之，在十九世纪以前，人们从经验得知接种人痘或牛痘，可获得免疫力，预防天花，但对病原体及获得免疫的道理却全然不知。 细胞免疫学的发展明确了T 及B 淋巴细胞经表面受体识别抗原分子，受体 当今免疫学的发展 免疫学是生命科学及医学领域中的前沿学科,涉及抗感染免疫、血液病、自身免疫病、移植免疫和肿瘤免疫等诸多范畴。该学科近二十年来与细胞生物学、分子生物学、分子遗传学以及生物化学相互渗透,发展迅猛。分子生物学、分子遗传学以及细胞生物学的发展促进了分子免疫学、免疫遗传学以及免疫生物学等新的分支学科的形成,使人们在分子水平上对免疫系统的结构与功能有了更加深刻的认识。生命科学中许多重大问题的发现、解决或应用都首先与免疫学研究的突破有关,免疫学基础理论研究的突破不断导致生命科学领域的革命。自1960年迄今共有13位免疫学家获得诺贝尔医学奖。本文仅就免疫学研究近年来的发展现状以及今后的发展趋势做简要的评述。 1 免疫学在分子水平上的深化与发展 分子免疫学近年来的突破性进展层出不穷。例如,发现天然免疫系统可通过特异性受体识别病原体共有的保守性分子特征(pattern),称此种受体为特征识别受体(pattern recognition receptor,PRR)。目前对PRR分子结构与信号转导途径正在深入研究中,并探讨天然免疫系统对获得性免疫应答类型导向作用的分子机制。此外,应用单克隆抗体及分子生物学技术发现了大量膜分子,被统一命名的白细胞膜表面分化抗原(CD分子)已有250个之多。再之,对免疫球蛋白分子、主要组织相容性(抗原)复合物(major histocompa-bility complex, MHC)分子、T细胞和NK 细胞识别受体、补体分子、细胞因子以及趋化因子等的分子结构、生物学功能、基因结构等均有了相当深入的了解。近年来对淋巴细胞发育的分子机制研究也有突破性进展。例如,发现PU.1/Ikaros可调控T、B细胞的发育,GATA-3影响T谱系的发育,EIA/EBF/Pax可调控B细胞的发育等。对T细胞在胸腺内分化发育分子机制的研究表明,胸腺细胞膜分子、pTA/TCR分子、Bortch分子、CD30/CD153以及CD69等分子与其分化相关。此外还发现Ras-MAPK信号转导与阳性选择相关,而与阴性选择无关。对T、B细胞活化、增殖、分化、凋亡的分子机制研究发现,T、B细胞在免疫应答过程中涉及多种膜受体分子如TCR/BCR复合分子、粘附分子、趋化因子受体、补体受体、Fc受体以及Fas等。这些分子在免疫应答过程中发挥不同的作用。小鼠和人辅助性T细胞(Th)可在不同的环境条件下(如APC类型、抗原种类、细胞因子)发育分化为不同功能性Th细胞(如Th1、Th2、Th3等)亚群。目前区分这些T细胞亚群的主要指标是它们分泌细胞因子的特点,可以预测在不久的将来还会发现可用于区别不同Th细胞亚群的膜表面分子。Th1/Th2平衡调节可导向免疫应答类型,其在免疫性疾病中的作用倍受重视。 2 免疫系统与神经内分泌系统的相互作用 80年代初发现免疫细胞可以合成阿片肽,其后对免疫系统和神经内分泌系统相互关系的研究进展迅速,极大地丰富了我们对机体内环境稳定机制的理解。目前已证实免疫细胞表面具有神经递质和内分泌激素受体,而神经细胞表面也具有细胞因子受体,因此各系统可通过各自表面受体及其释放的介质进行信息交流及功能调节,藉以维持机体内环境的稳定。 免疫学发展简史 分三个时期:①经验免疫学时期(公元前4０0年～18世纪末);②免疫学科建立时期(19世纪~１975年);③现代免疫学时期(197５年至今)、 一、经验免疫学时期(公元前4０0年~18世纪末) (一)天花得危害 天花就是一种古老得、世界流行得烈性传染病,死亡率可高达２5％～40％,我国民间早有“生了孩子算一半,得了天花才算全”得说法。患天花痊愈后留下永久得疤痕,但可获得终身免疫。 16世纪由于西班牙殖民者侵略,将天花传播到美洲,墨西哥土著人从１6世纪初(151８年)得20０0～300０万人到１6世纪末减少到１0０万人,阿茨特克帝国消亡、1６世纪中期之后向南进发,在美洲中部毁灭了玛雅与印加文明,随后又毁灭了秘鲁。 (二)人痘苗接种 1、人痘苗接种实践: 中医称天花为“痘疮",据史书记载人痘苗接种预防天花得方法就是在公元前约4０0年由我们中华民族得祖先建立得、Zｉｎssｅｒ微生物学(1988):发明于中国2000多年之前、 明庆隆年间(1567~15７2);16～17世纪人痘苗接种预防天花已在全国普遍展开。清康熙2７年(1688)俄国曾派医生到北京学习种痘技术、并经丝绸之路东传至朝鲜、日本与东南亚国家,西传至欧亚、北非及北美各国。 1700年传入英国/Momtagu夫人在英国积极推广人痘苗接种中起了重要得作用。 1721～1722年天花在英国爆发流行期间,英国皇家学会在国王得特许下,主持进行了用犯人与孤儿做人痘苗接种得试验,均获得了成功,试验者无一人死于天花、在此基础上,1７22年给英国威尔士王子得两个女儿(一个9岁,一个１１岁)也进行了人痘苗接种,也都获得成功。 2。人痘苗接种意义:有三个方面: ①能有效预防天花。 ②在接种方法、痘苗得制备与保存建立了一整套完整得科学方法,为以后疫苗得发展提供了丰富得经验与借鉴。 清代吴谦所著得《医宗金鉴·幼科种痘心法要旨》(1742年)中介绍了四种接种法:痘衣法—痘浆法－旱苗法－水苗法。并指出这些方法得优劣:“水苗为上,旱苗次之,痘衣多不应验,痘浆太涉残忍、” 对痘苗保存指出:“若遇热则气泄,日久则气薄,触污秽则气不清,藏不洁则气不正,此蓄苗之法、”“须贮新磁瓶内,上以物密覆之,置之洁净之所,清凉之处。” 痘苗有“时苗"与“熟苗”之分,开始采用得痘痂叫时苗,经人体接种传代后制备得叫熟苗。清代朱奕梁编著得《种痘心法》中写道:“其苗传种愈久,则药力之 免疫学在医学发展中的作用 摘要：现代免疫学已成为医学中的前沿科学，免疫学发展水平是反映一个国家综合科学实力及发展水平的指标之一。免疫学在20世纪取得的辉煌成就，在消灭传染病及理解人类感染及非感染性疾病方面获得的巨大成效，在揭示生命活动基本规律，发展生物论和方法上的任何一次突破和进展，均会极大地促进医学的发展。 关键词：免疫学，应用 1、 免疫学为人类防治疾病作出了重要贡献，并有更加广阔的需 求和应用 人类生存和发展依赖于与有害环境和疾病的抗争和防御。基于最初对免疫学的基本要素“抗原与抗体”的认识和应用，疫苗的预防接种使人类得以消灭及控制流行已久的严重传染病。从18世纪牛痘苗的发明应用，到1980年世界卫生组织（WHO）宣布“天花已在全世界被消灭”，到鼠疫、霍乱、黄热病等等的有效控制。免疫学在抗感染性疾病方面取得了辉煌的成就。抗体的应用，也从20世纪初最早的马源抗体用作临床治疗，到用抗体进行ABO血型鉴定，使异体间输血成为可能，到如今基因工程技术利用小鼠生产出的完全人化抗体，应用于肿瘤及自身免疫病的治疗。免疫学为医学各领域带来了全新的突破。 多年来，免疫学基础理论的发展，使免疫学进入到现代免疫学时期，免疫学研究主要以基因活化及分子作用为基础，理解免疫细胞的生命活动与功能，理解细胞与细胞间及免疫系统与机体整体间的功能。基于现代免疫学对“免疫应答及免疫效应是免疫学核心”的认识，以及对“抗原特异的适应性免疫应答”的深入理解，建立了以免疫学有效防治相关疾病的基础。从而使免疫学家可以利用新型研发的疫苗去征服严重威胁人类生命的传染病，如艾滋病、肝炎，结核；可以从免疫学角度深入认识并解决肿瘤、心脑血管疾病、自身免疫性疾病、老年疾呆等困扰人类已久的疾病以及新认识的疯牛病；可以发展以干细胞的异体移植为主体的再生医学，免疫学的介入，将提供有力的研究支持，开辟全新的争决途径。目前，新的医学研究发现心脑血管疾病的发病，与外来的病原体与血管壁的某种抗原成分借分子模拟，发生抗原的交叉递呈，引起自身免疫应答有密切关系。由治疗医学模式向预防医学模式的转变是现代医学发展的方向。人们如何保持自己的健康？免疫学可提供提高人体自身免疫力的有效手段，从而能解决日益突出的老年医学问题，精神 医学免疫学免疫球蛋白 大纲要求 一、基本概念 二、免疫球蛋白的结构 三、免疫球蛋白的类型 四、免疫球蛋白的功能 五、各类免疫球蛋白的特性和功能 六、抗体的制备 一、基本概念 （一）抗体（antibody, Ab） 是B细胞接受抗原刺激后增殖分化为浆细胞所产生的糖蛋白，主要存在于血清等体液中，是介导体液免疫的重要效应分子。 （二）免疫球蛋白（immunoglobulin, Ig） 指具有抗体活性的或化学结构与抗体相似的球蛋白。 二、免疫球蛋白（Ig）的结构 （一）Ig的基本结构 由两条相同的重链（H链）和两条相同的轻链（L链）借链间二硫键连接组成。 可变区（V区）和恒定区（C区） 可变区：H链近氨基端（N端）1/4或1/5区域内的氨基酸、L链近N端1/2区域内的氨基酸序列多变，称为V区。 超变区（HVR）：VH和VL各有3个区域的氨基酸组成和排列顺序高度可变，称为HVR，也称为互补决定区（CDR）。一般CDR3变化程度更高。 骨架区（FR） 恒定区：H链和L链靠近C端区域的氨基酸序列相对稳定，称为C区。 免疫球蛋白的类、亚类、型、亚型 根据CH不同分为五类： CH：γαμδε Ig： IgG IgA IgM IgD IgE 亚类：IgG1~IgG4; IgA1、IgA2。 根据CL不同分为两型：κ型、λ型 亚型：λ1~λ4 （二）Ig的功能区 L链：VL、CL。 H链： VH、CH1、CH2、CH3（IgA、IgG、IgD）VH、CH1、CH2、CH3、CH4（IgM、IgE）铰链区：位于CH1与CH2之间，易弯曲。各功能区主要功能： VH、VL：与抗原特异性结合部位 CH和CL：遗传标志所在处 IgG的CH2和IgM的CH3:激活补体 IgG的CH2/CH3和IgE的CH4:结合细胞 常用免疫学检查参考值 血清免疫球蛋白分类Ig通常是指具有抗体活性和（或）抗体样结构的球蛋白。 应用免疫电泳与超速离心分析可将Ig分5类：IgG、IgA、IgM、IgD、IgE。 IgG：含量最多或最主要的Ig（75%），唯一能够通过胎盘的Ig。主要由脾脏和淋巴结中的浆细胞合成与分泌。 IgA：约占10%，SIgA在局部免疫中起重要作用。主要由肠系淋巴组织中的浆细胞产生。 血清免疫球蛋白 IgM：分子量最大，由5个IgM单体通过J链连接。是最早出现的Ig，是抗原刺激后最早出现的抗体，其杀菌、溶菌、溶血、促吞噬以及凝集作用比IgG高500-1000倍。 测定方法：单向免疫扩散法（RID）或免疫比浊法。 血清免疫球蛋白测定参考值 参考值：IgG：7.6-16.6g/L （RID法）IgA：710-3350mg/L IgM ：0.48-2.12 g/L 临床意义 免疫球蛋白增高 多克隆增高:常见于各种慢性感染、慢性肝病、肝硬化、淋巴瘤和某些自身免疫性疾病，如SLE、类风湿关节炎等。 单克隆增高:主要见于免疫增殖性疾病，如多发性骨隋瘤、原发性巨球蛋白血症等。 免疫球蛋白降低：常见于各类先天性免疫缺陷病、获得性免疫缺陷病、联合免疫缺陷病及长期使用免疫抑制剂的病人。 血清IgD测定 免疫扩散法：0-62mg/L 已发现有些抗核抗体、抗基底膜抗体、抗甲状腺抗体和抗“O”抗体等均属IgD，但活性甚低。 血清IgE：主要由鼻咽部、支气管、胃肠道等粘膜固有层的浆细胞分泌，为亲细胞抗体，能与肥大细胞、嗜碱性粒细胞膜上的FceR结合，产生I型变态反应。 ELASA：0.1-0.9mg/L 临床意义： 1. I型变态反应 2. IgE型骨髓瘤、寄生虫感染等 3. 慢性肝炎、SLE、类风湿性关节炎等。 血清M蛋白测定（M protein，monoclonal immunoglobulins）是一种单克隆B淋巴细胞异常增殖时产生的IgG分子或片段，一般不具有抗体活性。 参考值：蛋白电泳法，免疫电泳法：阴性 意义：1.多发性骨髓瘤（MM），占35%-65%，其中IgG型占60%左右；IgA型占20%左右；轻链型占15%左右；IgD、IgE型罕见。2.巨球蛋白血症。3.重链病（HCDs）。4.半分子病。5.恶性淋巴瘤。6.良性M蛋白血症。 血清补体测定 补体是具有酶活性的一种不耐热球蛋白，分3组：9种补体成分（C1-C9）；B、D、P、H、I 因子；补体调节蛋白，如C1抑制物、C4结合蛋白、促衰变因子等。 总补体溶血活性（CH50）测定 参考值试管法：50000-100000U/L 意义：增高见于急性炎症、急性组织损伤、恶性肿瘤及妊娠。降低见于急性肾小球肾炎、自身免疫性疾病、亚急性感染性心内膜炎、慢性肝病、肝硬化、AIDS、严重烧伤等。 XX学院 Hefei University 医学免疫学 题目:医学免疫学述 系别:生物与环境工程系 专业:_ 12级生物技术 学号: 1202021037 XX:戎晓娜 指导教师:甤 2015年4月10日 医学免疫学综述 摘要:免疫(Immunity)的根本概念是机体识别自我与非我，产生免疫应答以清除异己抗原或者诱导免疫耐受以维持自身内环境稳定。免疫学(Immunology)是研究免疫系统的结构与功能的学科,涉及到免疫识别、免疫应答与免疫耐受免疫调节等的免疫学基本科学规律与机制研究以及免疫机制在相关疾病发生发展中的作用、免疫学技术在疾病诊断、治疗与预防中应用。 关键词：免疫学；临床应用；发生机制；发展前景 一．免疫学研究的主要内容 免疫学研究内容包括：一是基础免疫学研究,二是临床免疫学研究和应用,三是免疫学技术的研发与应用。综合来看,基础免疫学研究主要包括以下10个方面: 1：免疫系统的形成机制 2：免疫器官与免疫细胞组成以及不同种类免疫细胞和亚群的形成与相互之间调控机制 3：抗原的结构特性与免疫识别 4：免疫应答的关系与机制 5：免疫细胞感受外界危险信号、识别抗原的物质结构基础 6：天然免疫应答的细胞与分子机制 7：获得性免疫应答的细胞与分子机制 8：免疫耐受及免疫负相调控的方式与机制 9:免疫效应分子的结构、功能与作制 10:免疫细胞的功能调控及其信号转导机制 临床免疫学涉及的内容非常广泛,分支学科也很多,主要围绕着重大疾病如感染性疾病、肿瘤、自身免疫性疾病与过敏性疾病以及器官移植排斥等的发生发展机制、诊断与病程的动态观察和预后分析、治疗与预防措施开展应用性研究。具有挑战性的研究内容也很多,例如,肿瘤免疫逃逸机制与肿瘤防治新方法的设计以及肿瘤早期特异性免疫诊断如何提高,急性感染与免疫病理现象,慢性感染与免疫耐受现象,器官移植排斥的预警与免疫药物和免疫调节控制,自身免疫性疾病的诊断与治疗等等。 临床免疫学研究的热点包括应用基础免疫学研究的成果阐明肿瘤、感染、移植排斥、自身免疫性疾病等重要疾病的发病机制的研究、特异性的预防和治疗措施的建立、新型疫苗的研制和开发、免疫相关生物制品的研制和应用等。基础免疫学与临床免疫学结合更加紧密,基础研究与应用研究并重且紧密结合,两者相辅相成；基础免疫学为众多免疫相关性疾病的发展机制和治疗的研究提供理论指导,如HIV 疫苗研制、类风湿性关节炎的靶向药物治疗等。 另一方面,临床免疫学的实际问题为基础免疫学发展提供新的需求。如Tetramer-peptide检测CTL技术的发展,实验性动物模型的建立,以研究人类疾病的发病。免疫学与其他多医学与生命学科的交叉极大地促进了免疫学和其他学科的发展:如免疫学和生物信息学、结构生物学的交叉在分子、原子水平研究免疫识别、免疫反应的发生机制将有助于加深在基础免疫学方面对经典免疫学理论的认识,这种交叉也 免疫学研究的发展趋势及我国免疫学研究的现状与展望 来源：中国知网发表时间2004年 1 免疫学的重要研究方向与发展趋势 免疫(Immunity)的根本概念是机体识别/自我0与/非我(异己)0、产生免疫应答以清除/异己0抗原或者诱导免疫耐受以维持自身内环境稳定。免疫学(Immunology)是研究免疫系统的结构与功能的学科,涉及到免疫识别、免疫应答与免疫耐受/免疫调节等的免疫学基本科学规律与机制研究以及免疫机制在相关疾病发生发展中的作用、免疫学技术在疾病诊断、治疗与预防中应用。 目前国际免疫学研究主要有三大方面,一是基础免疫学研究,二是临床免疫学研究和应用,三是免疫学技术的研发与应用。综合来看,基础免疫学研究主要包括以下10个方面:1免疫系统的形成机制、免疫器官与免疫细胞组成以及不同种类免疫细胞和亚群的形成过程与相互之间调控机制;o抗原的结构特性与免疫识别、免疫应答的关系与机制;免疫细胞感受外界危险信号、识别抗原的物质结构基础;?天然免疫应答的细胞与分子机制;获得性免疫应答的细胞与分子机制;免疫耐受及免疫负相调控的方式与机制;?免疫效应分子的结构、功能与作制;à免疫细胞的功能调控及其信号转导机制;á免疫细胞的迁移触发、迁移过程与定居机制;?免疫记忆形成的细胞与分子机制。临床免疫学涉及的内容非常广泛,分支学科也很多,主要围绕着重大疾病如感染性疾病、肿瘤、自身免疫性疾病与过敏性疾病以及器官移植排斥等的发生发展机制、诊断与病程的动态观察和预后分析、治疗与预防措施开展应用性研究,具有挑战性的研究内容也很多,例如,肿瘤免疫逃逸机制与肿瘤防治新方法的设计以及肿瘤早期特异性免疫诊断如何提高,急性感染与免疫病理现象,慢性感染与免疫耐受现象(例如机体为何不能有效识别、清除HBV感染而导致慢性乙肝),器官移植排斥的预警与免疫药物和免疫调节控制,自身免疫性疾病的诊断与治疗等等。免疫学技#10#中国免疫学杂志2009年第25卷术的研发与应用在促进基础免疫学理论研究的同时,也极大地推动了生命科学、生物技术及其产业化的发展,特别是以疫苗、单克隆抗体、基因工程、细胞因子和免疫抑制药物等相关的免疫学技术的发展与应用,为生命科学和人类健康做出了巨大贡献,也催生了具有巨大市场效益的生物技术产业。 目前,国际免疫学的发展趋势体现在如下几个方面:1基础免疫学研究更加深入和广泛:对免疫学的研究从原来的细胞水平深入到分子和基因水平,免疫学理论得到极大的丰富和完善,与此同时也产生了很多新的研究方向和热点,如免疫细胞的分化发育、功能调控及其信号机制、新型免疫细胞及其亚群的发现,其功能的调节作用、抗原识别、活化的分子结构基础、免疫特异性应答的细胞与分子机制包括免疫效应细胞与效应分子杀伤靶细胞的机制、免疫调节(负性)的方式及其机制、自身免疫耐受的机制、免疫记忆的细胞与分子机制、新型免疫分子的发现、结构和功能等。o临床免疫学在临床的价值更为明显,免疫学已经渗透到临床的几乎每一个角落,应用免疫学技术和方法研究和治疗疾病越来越受到重视:目前,临床免疫学研究的热点包括应用基础免疫学研究的成果阐明肿瘤、感染、移植排斥、自身免疫性疾病等重要疾病的发病机制的研究、特异性的预防和治疗措施的建立、新型疫苗的研制和开发、免疫相关生物制品的研制和应用等.基础免疫学与临床免疫学结合更加紧密,基础研究与应用研究并重且紧密结合,两者相辅相成:基础免疫学为众多免疫相关性疾病的发展机制和治疗的研究提供理论指导,如HIV疫苗研制、类风湿性关节炎的靶向药物治疗等。另一方面,临床免疫学的实 薇免疫学发展简史 芈 芄分三个时期：①经验免疫学时期（公元前400年?18世纪末）；②免疫学科建立时期（19世纪?1975年）；③现代免疫学时期（1975年至今）。 莁一、经验免疫学时期（公元前400年?18世纪末） 羈（一）天花的危害 螆天花是一种古老的、世界流行的烈性传染病，死亡率可高达25%?40%，我 国民间早有生了孩子算一半，得了天花才算全”的说法。患天花痊愈后留下永久的疤痕，但可获得终身免疫。 肃16世纪由于西班牙殖民者侵略，将天花传播到美洲，墨西哥土著人从16世 纪初（1518年）的2000?3000万人到16世纪末减少到100万人，阿茨特克帝国消亡。16世纪中期之后向南进发，在美洲中部毁灭了玛雅和印加文明，随后又毁灭了秘鲁。 蒁（二）人痘苗接种 荿1.人痘苗接种实践： 蒇中医称天花为“痘疮”据史书记载人痘苗接种预防天花的方法是在公元前约400年由我们中华民族的祖先建立的。Zinsser微生物学（1988）:发明于中国2000 多年之前。 螂明庆隆年间（1567?1572）; 16?17世纪人痘苗接种预防天花已在全国普遍展开。清康熙27年（1688）俄国曾派医生到北京学习种痘技术。并经丝绸之路东传至朝鲜、日本和东南亚国家，西传至欧亚、北非及北美各国。 薁1700年传入英国/Momtagu夫人在英国积极推广人痘苗接种中起了重要的作用。 蝿1721?1722年天花在英国爆发流行期间，英国皇家学会在国王的特许下，主持进行了用犯人和孤儿做人痘苗接种的试验，均获得了成功，试验者无一人死于 天花。在此基础上，1722年给英国威尔士王子的两个女儿（一个9岁，一个11 岁）也进行了人痘苗接种，也都获得成功。 羅2.人痘苗接种意义：有三个方面： 袄①能有效预防天花。 蚁②在接种方法、痘苗的制备和保存建立了一整套完整的科学方法，为以后疫 苗的发展提供了丰富的经验和借鉴。 羆清代吴谦所著的《医宗金鉴?幼科种痘心法要旨》（1742年）中介绍了四种接种法：痘衣法-痘浆法-旱苗法-水苗法。并指出这些方法的优劣：“水苗为上，旱苗次之，痘衣多不应验，痘浆太涉残忍。” 蚇对痘苗保存指出：“若遇热则气泄，日久则气薄，触污秽则气不清，藏不洁则气不正，此蓄苗之法。” “须贮新磁瓶内，上以物密覆之，置之洁净之所，清凉之处。” 薃痘苗有“时苗”和“熟苗”之分，开始采用的痘痂叫时苗，经人体接种传代后制备的叫熟苗。清代朱奕梁编著的《种痘心法》中写道：“其苗传种愈久，则药力之提拔愈清。人工之选炼愈熟，火毒汰尽，精气独存，所以万全而无害也。若‘时苗’ 能连种七次，精加选炼，则为‘熟苗'，不可不知。” 蚁③“以毒攻毒”的思想对防治疾病意义深远。 莇首届诺贝尔医学奖获得者贝林（Emil von Behring）深受“以毒攻毒”这种观念的影响，开创了抗毒素免疫治疗的方法。他说：“中国人远在两千年前即知’以毒攻毒’的医理，这是合乎现代科学的一句古训！” 肅（三）牛痘苗接种 莂英国乡村医生琴纳（Edward Jenne）1798发明牛痘苗接种，1804年传入中国。牛痘接种预防天花既安全又有效，是一划时代的发明。 螀他于1796年9月17日给一个8岁男孩的右臂划痕接种了牛痘，两天后男孩感到有些不适，可是很快就好了。6周后再接种天花患者的痘浆，未发生天花。以后又继续试验，证实了牛痘苗接种预防天花的作用。于1798年公布了他的研 究论文。 免疫学在食品科学中的应用 吉林大学生物与农业工程学院 09级食品质量与安全 （45090729） 免疫学在食品科学中的应用 1.免疫学在食品检测中的应用 现今食品检测技术已日趋成熟，在可检出方法中挑选出快速、灵敏、准确，并且还能进行多组分分析的检测技术也就显得特别重要。免疫反应最大的特点是高度选择性，抗原抗体的亲和数通常为109或更高。作为一种分析手段，免疫分析技术操作简单、速度快、分析成本低，在食品安全检测中已表现出巨大的应用潜力。随着免疫技术的发展，标准化的抗体将会生产与供应；灵敏、抗干扰强的标记物和标记方法的发展；加上多残留组分免疫测定技术的应用和免疫分析的自动化；免疫分析技术与其他技术联用，分子印迹技术、流动注射免疫分析技术和免疫核酸探针技术等新方法在食品检验中的应用，免疫学检测技术必将在食品安全检验中发挥越来越重要的作用[1-2]。下面就介绍3种食品检测中常用的免疫学方法。 1.1免疫酶技术（Enzyme immunoassay EIA） 1.1.1基本原理 免疫酶技术[3]是将抗原、抗体特异性反应和酶的高效催化作用原理有机结合的免疫学分析技术，该方法可在细胞水平上进行抗原或抗体的定位研究，还可定性或定量地检测体内的半抗原、抗原或抗体。其原理是将酶与抗原或抗体用交联剂等结合起来，此种标记抗原或抗体可与组织内的或固相载体上的相应抗体或抗原发生特异性反应。底物加入相应酶时，底物被酶催化生成可溶性或不溶性呈色产物。可用肉眼或分光光度计定性或定量。根据呈色深浅，确定待测抗原或抗体的浓度与活性。不溶性呈色产物，则可用光学显微镜或电镜进行检测。 1.1.2主要特点及其在食品科学中的应用 免疫酶技术所用的酶要求纯度高、催化反应的转化率高、专一性强、性质稳定、来源丰富、价格不贵、制备成的酶标抗体或抗原性质稳定，继续保留着它的活性部分和催化能力。目前在食品科学中出现的许多快速检测沙门氏菌的方法是利用免疫酶技术。其中酶联免疫吸附试验已用于食品、饲料以及生物材料中黄曲霉毒素（AFT）测定。AOAC及IUPAC已将该方法列入了正式方法[4]。并且许多商品性试剂盒也被研制成功，应用于对AFT的快速检测。1.2放射免疫技术(Radio Immunoassay，RIA) 1.2.1基本原理 应用放射性同位素标记待测物，形成标记抗原。以一定量的标记抗原，与各种不同量的 免疫学对生理学发展的重 要性 贵州大学生命科学学院 2008级生物科学 张萌 学号：080704110118 免疫学对生理学发展的重要性 摘要：免疫( Immunity) 的根本概念是机体识别“自我”与“非我(异己) ”、产生免疫应答以清除“异己”抗原或者诱导免疫耐受以维持自身内环境稳定。免疫学 ( Immunology) 是研究免疫系统的结构与功能的学科,涉及到免疫识别、免疫应答与免疫耐受/ 免疫调节等的免疫学基本科学规律与机制研究以及免疫机制在 相关疾病发生发展中的作用、免疫学技术在生理学上的应用意义重大，通过对免疫学的研究，提出了很多治疗生理学上的疾病的方法。本文通过对国内相关文献的查阅，阐述了免疫学对生理学发展的重要意义。 关键词：免疫；生理；疾病 前言： 免疫学是研究生物体对抗原物质免疫应答性及其方法的生物-医学科学。免疫应答是机体对抗原刺激的反应，也是对抗原物质进行识别和排除的一种生物学过程。由于免疫学在治疗疾病和保护人类生命安全方面的重要作用, 诺贝尔生理学或医学奖自1901年设立以来在20世纪共颁发的98次奖项中, 与免疫学研究有关的奖项就达27次, 占27.6%; 获奖人数达40多人。说明免疫学在生命科学和医学中具有非常重要的地位。免疫学的研究在传染病，肿瘤，遗传病，自身免疫性等疾病方面的治疗都提供了一些治疗方法，对于医学生理学都有其重要的意义。 1免疫学研究在传染病方面贡献 1.1传染病： 传染病〔Infectious Diseases〕是由各种病原体引起的能在人与人、动物与动物或人与动物之间相互传播的一类疾病。病原体中大部分是微生物，小部分为寄生虫，寄生虫引起者又称寄生虫病。有些传染病，防疫部门必须及时掌握其发病情况，及时采取对策，因此发现后应按规定时间及时向当地防疫部门报告，称为法定传染病。中国目前的法定传染病有甲、乙、丙3类，共39种。 1.2乙肝病毒引起的慢加急肝衰竭： 本文章主要研究的传染病是乙肝病毒引起的慢加急肝衰竭。其在我国并不罕见，以病理上肝细胞的大块或桥接坏死为特征，同时出现血胆红素水平升高、凝血酶原时间延长，死亡率高。肝脏与胃肠道的关系甚为密切，人类的肠道定植了大概400种不同的菌种，总数达1014，主要包括对人体有益的“共生菌”及在一般情况下不致病的“中间菌群"。肠道菌群促进了机体物理和免疫屏障的成熟， 合肥学院 Hefei University 医学免疫学 : 生物与环境工程系 专业:_ 12级生物技术 学号: 1202021037 姓名: 戎晓娜 指导教师: 李甤 2015年 4月 10日 医学免疫学综述 摘要:免疫(Immunity)的根本概念是机体识别自我与非我，产生免疫应答以清除异己抗原或者诱导免疫耐受以维持自身内环境稳定。免疫学(Immunology)是研究免疫系统的结构与功能的学科,涉及到免疫识别、免疫应答与免疫耐受免疫调节等的免疫学基本科学规律与机制研究以及免疫机制在相关疾病发生发展中的作用、免疫学技术在疾病诊断、治疗与预防中应用。 关键词：免疫学；临床应用；发生机制；发展前景 一．免疫学研究的主要内容 免疫学研究内容包括：一是基础免疫学研究,二是临床免疫学研究和应用,三是免疫学技术的研发与应用。综合来看,基础免疫学研究主要包括以下10个方面: 1：免疫系统的形成机制 2：免疫器官与免疫细胞组成以及不同种类免疫细胞和亚群的形成与相互之间调控机制 3：抗原的结构特性与免疫识别 4：免疫应答的关系与机制 5：免疫细胞感受外界危险信号、识别抗原的物质结构基础 6：天然免疫应答的细胞与分子机制 7：获得性免疫应答的细胞与分子机制 8：免疫耐受及免疫负相调控的方式与机制 9:免疫效应分子的结构、功能与作制 10:免疫细胞的功能调控及其信号转导机制 临床免疫学涉及的内容非常广泛,分支学科也很多,主要围绕着重大疾病如感染性疾病、肿瘤、自身免疫性疾病与过敏性疾病以及器官移植排斥等的发生发展机制、诊断与病程的动态观察和预后分析、治疗与预防措施开展应用性研究。具有挑战性的研究内容也很多,例如,肿瘤免疫逃逸机制与肿瘤防治新方法的设计以及肿瘤早期特异性免疫诊断如何提高,急性感染与免疫病理现象,慢性感染与免疫耐受现象,器官移植排斥的预警与免疫药物和免疫调节控制,自身免疫性疾病的诊断与治疗等等。 临床免疫学研究的热点包括应用基础免疫学研究的成果阐明肿瘤、感染、移植排斥、自身免疫性疾病等重要疾病的发病机制的研究、特异性的预防和治疗措施的建立、新型疫苗的研制和开发、免疫相关生物制品的研制和应用等。基础免疫学与临床免疫学结合更加紧密,基础研究与应用研究并重且紧密结合,两者相辅相成；基础免疫学为众多免疫相关性疾病的发展机制和治疗的研究提供理论指导,如HIV 疫苗研制、类风湿性关节炎的靶向药物治疗等。 另一方面,临床免疫学的实际问题为基础免疫学发展提供新的需求。如Tetramer-peptide检测CTL技术的发展,实验性动物模型的建立,以研究人类疾病的发病。免疫学与其他多医学与生命学科的交叉极大地促进了免疫学和其他学科的发展:如免疫学和生物信息学、结构生物学的交叉在分子、原子水平研究免疫识别、免疫反应的发生机制将有助于加深在基础免疫学方面对经典免疫学理论的认识,这种交叉也 论免疫学诊断技术的发展现状及趋势 免疫学是研究宿主免疫系统识别并消除有害生物及其成分的应答过程及机制的科学。近几十年来，随着生物医学的研究进展，免疫学以其独特的优势有力的推动了医学和生物学中各个领域的发展。人们对免疫的本质有了更加全面的认识。目前，免疫学已经成为医学和生物学领域的带头学科之一。它主要包括以下内容：免疫系统的组织结构，免疫系统对抗原的识别及应答，免疫系统对抗原的排异效应及其机制，免疫耐受的诱导、维持、破坏及其机制等。医学免疫学既是一门生物科学，又是一门医学应用科学，是医学工作者必修的基础课程。除学习和掌握基础免疫学知识外，还要学习与临床相关的免疫学问题，为学习其它基础医学、临床医学及预防医学奠定坚实的基础。 应用免疫学的理论、技术和方法诊断各种疾病和测定免疫状态。在医学上，它是确定疾病的病因和病变部位，或是确定机体免疫状态是否正常的重要方法。此外，还应用于法医学的血迹鉴定、生物化学的血清成分鉴定和物种进化关系的研究等。可在体内和体外进行。 从免疫学的角度免疫诊断可应用于①检查免疫器官和功能发生改变的疾病如免疫缺陷病、自身免疫病；②由免疫机制引起的疾病：如输血反应、移植排斥反应; ③一些内分泌性的疾病：从临床学的角度来说，免疫诊断可应用于检查传染性疾病、免疫性疾病、肿瘤和其他临床各科疾病。就所检测的反应物免疫诊断大致可以分为两类，即①免疫血清学诊断：检测病人血清或组织内有无特异性抗体或特异性抗原；②免疫细胞学诊断：测定病人细胞免疫力的有无和强弱。 免疫诊断须体现3项要求:①特异性强，尽量不出现交叉反应，不出现假阳性，以保证诊断的准确性；②灵敏度高，能测出微量反应物质和轻微的异常变化，有利于早期诊断和排除可疑病例；③简便、快速、安全。 过敏性哮喘的基本病理学改变是气道炎症，属于变应性炎症的性质，因此，过敏性哮喘的免疫学诊断可从“过敏”和“炎症”着手，围绕过敏性哮喘的本质，做病因诊断和气道炎症及其严重程度的判断。判断患者是否为过敏和对 什么过敏，可通过与过敏相关的免疫学试验进行，主要包括血清总免疫球蛋白免疫学的临床应用
常用免疫学检验技术的基本原理
免疫学发展简史
免疫学诊断技术的发展及趋势
当今免疫学的发展
免疫学发展简史
免疫学在医学发展中的作用
医学免疫学免疫球蛋白
常用免疫学检查参考值
免疫学研究报告现状及发展前景
免疫学研究的发展趋势现状
免疫学发展简史
免疫学在食品科学中的应用-
免疫学综述
免疫学研究现状及发展前景
论免疫学诊断技术的发展现状及趋势