近日，东南大学附属中大医院医学检验科主任吴国球教授团队围绕阿尔茨海默病（Alzheimer’s disease，AD）早期筛查与数字化分型管理需求，在国际权威数字医学期刊《npj Digital Medicine》（中科院一区Top期刊）发表题为“A Machine Learning–Enabled Blood Transcriptomic Signature for Digital Diagnosis and Subtyping of Alzheimer’s Disease”的研究成果。该研究聚焦“血液样本实现AD早期识别与分型”的临床痛点，为AD的无创筛查与数字化分层管理提供了新的解决方案。东南大学医学院博士研究生马硕、硕士研究生陈达文为共同第一作者，吴国球教授为通讯作者。
据介绍，AD早期识别对延缓疾病进展与优化诊疗路径至关重要，但传统检测在大规模筛查场景中常受侵入性、高成本与设备普及性限制。为此，吴国球教授团队以“乳酸化（lactylation）相关分子网络”为机制切入点，整合多队列转录组数据并建立标准化机器学习建模流程（z-score标准化、随机森林筛选、plsRglm建模及10折交叉验证），构建了可解释的血液转录组风险评分—乳酸化衍生评分（Lactylation-Derived Score，LDS），并在外部脑转录组数据集及独立临床血浆队列（n=540）中完成验证。其创新在于以机制驱动提炼出便于临床转化的小面板（7基因：GFAP、GTF2I、RB1、PFKM、BCLAF1、SPR、SMARCC1），并与血浆p-tau181/217进行互补融合以提升实用性。研究结果显示，LDS在训练队列区分AD与正常对照（NC）的AUC为0.897，在独立临床血浆队列中AUC为0.772；联合LDS+p-tau181+p-tau217后，三指标模型在独立临床血浆队列中的AUC提升至0.859；同时LDS对AT⁺个体具有分层识别能力（AUC 0.861），并为前驱期人群分层提供线索（基于LDS基因衍生的五基因分类器对aMCI的AUC为0.809）。
该研究为“血液样本即可实现AD数字化诊断与分型”提供了系统证据：一方面有望支持记忆门诊分诊、体检/社区筛查与随访监测中的风险评估与分层管理，提升早期识别的可及性；另一方面，通过与成熟血浆蛋白标志物的联合策略，可在更贴近真实临床流程的条件下获得更稳健的判别能力，为推进AD早筛与精准干预提供新的工具与思路。（通讯员赵峰峰 编辑崔玉艳 校对蔡逸秋编审程守勤）
热门跟贴