在预测医学领域取得重大突破，一个研究团队发布了FINGERS-7B，这是首个专门设计用于预防阿尔茨海默病的人工智能基础模型。
该模型通过整合包括生活方式、基因组学和蛋白质组学在内的大量数据，形成单一的"生物指纹"，实现了4倍更准确的临床前诊断。通过在症状出现前长达十年的时间内识别疾病，FINGERS-7B旨在将阿尔茨海默病从不可避免的衰退转变为可管理且可能预防的疾病。
关键事实
- 多组学突破：与传统模型一次只分析一种数据源（如仅基因组数据）不同，FINGERS-7B同时读取生活方式、临床、基因组和蛋白质组信号。这种整体视角使其能够发现其他工具无法察觉的"多组学生物标志物"。
- 更高准确性：在全球WW-FINGERS网络数据集上，该模型提供了130%更优的响应者分层能力，意味着它可以更准确地预测谁将真正从特定干预措施（如饮食改变或新药物）中受益。
- 个性化预后：根据个人数据，该模型可以预测其特定风险水平、潜在认知衰退的时间线，以及哪些个性化干预措施（从生活方式到治疗）可能最有效。
- 开源与全球覆盖：该模型权重和训练代码完全开源，并部署在AD Workbench中，这是一个由40多个国家的研究人员使用的安全云平台。这使得全球科学界可以在不移动敏感患者数据的情况下使用和改进该模型。
- 快速发展：该项目由麻省理工学院(MIT)的"衰老大脑倡议"于十个月前启动，现已与达沃斯阿尔茨海默病合作组织建立合作伙伴关系，确保该模型反映全球人口的多样性。
来源：麻省理工学院皮考尔学习与记忆研究所
阿尔茨海默病最好尽早处理，理想情况下是在症状变得明显之前。
为了使个人和整个人群能够早期、准确地预测风险，一个以麻省理工学院为中心的AI研究人员、医生和科学家团队发布了FINGERS-7B，这是首个旨在使阿尔茨海默病可预防的人工智能基础模型。
该团队将于4月27日在里约热内卢举行的ICLR（最大的AI会议之一）上展示该模型。
FINGERS-7B整合了数万名高风险个体的生活方式、临床、基因组和蛋白质组数据，以发现临床前阿尔茨海默病的多组学生物标志物。在WW-FINGERS网络数据集上，它提供的临床前诊断准确性比以往技术高4倍，响应者分层能力提高了130%。该模型是开源的，并部署在AD Workbench中。
该模型是开源的，部署在阿尔茨海默病数据计划(ADDI)运营的安全云环境AD Workbench中，全球阿尔茨海默病研究人员都使用该环境。
FINGERPRINT将FINGERS-7B与运行自动化多组学分析的AI代理配对。该模型在数万名阿尔茨海默病高风险人群的数据上进行训练，并同时从生活方式、临床、生物标志物、基因组和蛋白质组信号中学习。
新概念是多组学生物标志物。FINGERS-7B不是一次读取一个组学领域，而是同时读取它们。这使得更早、更准确的检测成为可能，而单一数据源无法做到这一点。
"我们每个人都有一个生物指纹，基本上是一组独特的信号组合，揭示疾病风险，如果理解得当，可以帮助预防和治疗阿尔茨海默病，"麻省理工学院-诺和诺德AI研究员Adrian Noriega说道。他与Broad研究所研究员Arvid Gollwitzer共同领导FINGERPRINT项目，并负责FINGERS-7B的设计和训练。
"FINGERPRINT是一个由专业代理和新基础模型组成的发现加速引擎，它们解释这些生物信号，帮助我们找到新的生物标志物、预防干预措施和治疗方法。"
FINGERS-7B已经识别出一组用于临床前阿尔茨海默病的新型诊断生物标志物，这一阶段可能比记忆症状提前十年或更久。这些生物标志物使临床前诊断准确性提高4倍，响应者分层能力比以往技术提高130%。
该模型还生成个性化分析：根据个人数据，预测风险、认知衰退的可能时间线，以及候选干预措施（从饮食改变到治疗）的效果。
"即使像我们这样的阿尔茨海默病研究实验室已经能够生成大量数据，包括来自人体组织样本的遗传、表观遗传和蛋白质组谱，我们也面临着真正整合所有这些数据以全面了解个人风险、预后和可能的治疗反应的挑战，"麻省理工学院皮考尔学习与记忆研究所所长、皮考尔教授Li-Huei Tsai表示。
"早期就很明显，FINGERPRINT将成为AI如何提供帮助的一个显著例子。"
该项目建立在Miia Kivipelto教授在认知功能未受损但有风险的老年人中进行的标志性FINGER研究基础上，以及受其启发的全球WW-FINGERS网络。这些研究现已覆盖40个国家和3万名参与者，专注于可以预防疾病发作的风险因素和生活方式干预。FINGERPRINT将其临床和生活方式数据与来自合作实验室和行业伙伴的生物标志物、基因组和蛋白质组数据集整合在一起。
Tsai领导的麻省理工学院"衰老大脑倡议"去年六月向Noriega和机械工程教授Giovanni Traverso提供了10万美元的资助，启动了这项努力。在十个月内，团队训练了FINGERS-7B，部署了AD Workbench，并向外部开放了该模型。
模型权重、训练代码和评估流程全部公开。任何研究小组都可以将FINGERS-7B应用于自己的队列，并将结果反馈回来。在AD Workbench中的部署使该模型直接面向已经从事阿尔茨海默病预防研究的研究人员和临床医生，而无需他们移动敏感的患者数据或建立新的基础设施。
FINGERPRINT的其他成员包括Tsai、Traverso和Kivipelto。行业合作伙伴包括Alamar Biosciences和诺和诺德。其他机构合作伙伴包括Broad研究所、耶鲁大学、伦敦帝国理工学院和布莱根妇女医院。
甚至在公开发布之前，FINGERPRINT就已经准备对阿尔茨海默病研究产生全球影响。今年二月，达沃斯阿尔茨海默病合作组织和FINGERS脑健康研究所宣布合作，利用FINGERPRINT推进阿尔茨海默病预防研究。
该合作伙伴关系的一个关键目标是以涵盖全球人口的方式进行，捕捉全球人口的真实多样性。该团队上个月还从约200个团队中脱颖而出，成为在哥本哈根参加由ADDI和盖茨风险投资赞助的AI Insights数据奖的决赛选手。
"有人将构建阿尔茨海默病预防的基础模型堆栈，"Gollwitzer说，"它应该是开源的，而且应该是现在。"
关键问题解答：
问：如果AI今天说我"有阿尔茨海默病风险"，是否意味着我一定会得病？
答：不一定。FINGERS-7B的全部意义在于识别"临床前阶段"，这是一个10年以上的窗口期，在此期间记忆仍然完好但生物变化已经开始。这是"预防窗口"，生活方式改变或早期治疗最有可能阻止疾病发展。
问：为什么我们需要"AI代理"来做这个？
答：数据量对人脑来说太大了。一个人的"指纹"涉及数百万个遗传标记和数千种蛋白质。FINGERPRINT AI代理运行自动化的复杂分析，这将花费人类研究人员数月时间，为临床医生提供即时见解。
问：我能自己使用这个模型来检查我的风险吗？
答：目前，该模型是通过AD Workbench供研究人员和临床医生使用的工具。然而，由于它是开源的，它被设计成最终集成到标准医疗系统中，允许您的医生使用常规检查数据和血液测试来监测您的大脑健康"指纹"。
编辑说明：
- 本文由Neuroscience News编辑编辑。
- 完整审阅了期刊论文。
- 我们的工作人员添加了额外背景。
关于这项AI和阿尔茨海默病研究新闻：
作者：David Orenstein
来源：麻省理工学院皮考尔学习与记忆研究所
联系人：David Orenstein – 麻省理工学院皮考尔学习与记忆研究所
图片：图片由Neuroscience News提供
原始研究：研究结果将在ICLR会议上展示
【全文结束】
