摘要： 诊断神经退行性疾病极其困难，因为症状常常重叠——患者可能同时患有阿尔茨海默病、路易体病以及轻微中风的影响。研究人员开发了一种突破性的人工智能模型，能够通过单一血液样本检测五种不同的疾病状况。
通过分析包含17,000人的大型数据库中的蛋白质模式，该人工智能识别出了阿尔茨海默病、帕金森病、肌萎缩侧索硬化症（ALS）、额颞叶痴呆和中风的生物学“特征”。研究表明，蛋白质特征实际上比传统临床诊断更能预测认知衰退。
关键事实
- “联合学习”优势： 该人工智能不是一次只寻找一种疾病，而是使用“联合学习”来识别跨多种疾病的脑退化通用模式。
- 五合一诊断： 该模型成功区分了阿尔茨海默病、帕金森病、ALS、额颞叶痴呆以及既往中风引起的血管损伤。
- 生物学亚型： 人工智能揭示，临床诊断相同（例如阿尔茨海默病）的患者往往具有不同的生物学蛋白质特征，表明“一刀切”的治疗可能无效。
- 全球最大数据库： 该模型在GNPC数据库上训练，这是全球最大的神经退行性疾病蛋白质组学数据库。
来源： 隆德大学
不同神经退行性疾病的症状特征经常重叠，诊断年龄相关的认知症状非常复杂。患者可能同时在大脑中有多个重叠的疾病过程。
现在，瑞典隆德大学的研究人员开发了一种人工智能模型，表明有可能通过单一血液样本检测多种神经退行性疾病。
该研究发表在《自然医学》杂志上。
研究人员开发了一种人工智能模型，利用全球最大的蛋白质组学数据库来识别脑退化的通用模式。图片来源：Neuroscience News
不同的神经退行性疾病可能表现出相似的症状，使它们难以区分，例如阿尔茨海默病和路易体病，尤其是在认知衰退的早期阶段。
现在，研究人员Jacob Vogel和Lijun An，以及来自瑞典BioFINDER研究和全球神经退行性蛋白质组学联盟（GNPC，一个国际研究联盟，创建了全球最大的神经退行性疾病蛋白质组学数据库）的同事们，开发了一种能够同时检测多种疾病的人工智能模型。
该模型基于来自17,000多名患者和对照参与者的蛋白质测量数据，这些数据来自GNPC蛋白质组学数据库中的多个数据集，该数据库是全球最大的神经退行性疾病相关蛋白质数据库。
“我们希望未来能够通过一次血液测试同时准确诊断多种疾病，”领导这项研究的Jacob Vogel说。他是瑞典隆德大学的助理教授、研究组负责人，同时也是战略研究领域MultiPark的成员。
利用先进的统计学习方法和称为“联合学习”的过程，研究人员的人工智能模型能够识别出一组特定的蛋白质，这些蛋白质形成了脑退化疾病的通用模式。
然后，这个学习到的模式被用于诊断不同的神经退行性疾病。Vogel证实，他们的人工智能模型优于以前的模型，同时还能诊断五种不同的痴呆相关疾病：阿尔茨海默病、帕金森病、ALS、额颞叶痴呆和既往中风。
据研究人员称，这项研究与其他类似研究的不同之处在于，该模型的结果在多个独立数据集中得到了验证。
“我们还发现，蛋白质特征比临床诊断更能预测认知衰退，并且临床诊断相同的个体可能具有不同的潜在生物学亚型，”该研究的第一作者Lijun An说。
许多被诊断为阿尔茨海默病的患者显示出更类似于其他脑部疾病的蛋白质模式。
“这可能意味着他们有一种以上的潜在疾病，阿尔茨海默病可以以多种方式发展，或者临床诊断是不正确的。然而，我认为目前来自血液样本的蛋白质测量本身不足以诊断多种疾病，我们需要改进方法，并将其与其他临床诊断工具结合起来，”Jacob Vogel说。
同时，他强调诊断并非该模型的唯一应用。许多对人工智能模型有贡献的蛋白质指出了后续研究的方向，这些研究可以更好地理解这些神经退行性疾病背后的疾病驱动过程。
下一步是使用更先进的方法，如质谱分析，纳入更多的蛋白质组学标记，以识别每种疾病独有的模式。
“我们希望更接近一种血液测试，可以在没有其他临床仪器辅助的情况下，对多种疾病做出可靠的诊断，”Jacob Vogel说。
事实
GNPC
全球神经退行性蛋白质组学联盟（GNPC）是一个国际研究合作项目和大型数据库，专注于研究与神经退行性疾病（如阿尔茨海默病和额颞叶痴呆）相关的蛋白质。GNPC创建了全球最大的神经退行性疾病相关蛋白质数据库之一，能够对大型数据集进行系统分析，以加速生物标志物的发现并促进脑部疾病研究。
蛋白质组学
蛋白质组学涉及研究大型数据集，了解所有蛋白质在收集的生物样本中如何表达。它揭示了蛋白质水平的独特模式——例如，在血液样本中每种蛋白质的含量——这可以为研究人员提供关于生物学功能和疾病如何发展的重要线索。
常见问题解答
问：为什么蛋白质测试比医生诊断更好？
答： 临床诊断依赖于症状，如记忆力丧失或震颤，这些可能由许多不同原因引起。这种人工智能关注的是蛋白质组学——即大脑泄漏到血液中的实际分子“垃圾”和信号蛋白。研究发现，这些生物标志物常常能捕捉到医生遗漏或误判的疾病过程。
问：这个测试能告诉我是否同时患有两种疾病吗？
答： 可以。研究人员发现，许多被诊断为阿尔茨海默病的患者实际上具有属于其他疾病的蛋白质模式。这表明许多人患有“混合性痴呆”，而该人工智能是首批能够揭示这些重叠层层的工具之一。
问：什么时候可以在本地诊所进行这种血液测试？
答： 虽然结果是“世界首创”，但首席研究员Jacob Vogel指出，该方法仍需改进。下一步是使用质谱分析来寻找更具体的标记物。目前它是一款强大的研究和药物试验工具，目标是在不久的将来成为标准的临床测试。
编辑说明：
- 本文由Neuroscience News编辑。
- 全文审阅了期刊论文。
- 由我们的工作人员添加了额外背景。
关于这项人工智能和痴呆研究新闻
作者： Anna Elizabeth Hellgren
来源： 隆德大学
联系： Anna Elizabeth Hellgren – 隆德大学
图片： 图片致谢Neuroscience News
原始研究： 开放获取。
“A deep joint-learning proteomics model for diagnosis of six conditions associated with dementia” by Lijun An, Alexa Pichet Binette, Ines Hristovska, Gabriele Vilkaite, Yu Xiao, Romina Zendehdel, Zijian Dong, Bart Smets, Rowan Saloner, Shinya Tasaki, Ying Xu, Varsha Krish, Farhad Imam, Shorena Janelidze, Danielle van Westen, The Global Neurodegenerative Proteomics Consortium (GNPC), Erik Stomrud, Christopher D. Whelan, Sebastian Palmqvist, Rik Ossenkoppele, Niklas Mattsson-Carlgren, Oskar Hansson & Jacob W. Vogel. Nature Medicine
DOI:10.1038/s41591-026-04303-y
摘要
一种用于诊断与痴呆相关的六种状况的深度联合学习蛋白质组学模型
共病理是神经退行性疾病的一个常见特征，使诊断、治疗和临床管理变得复杂。然而，对于大多数神经退行性神经病理学，尚未有灵敏、特异且可扩展的体内病理诊断生物标志物。
在此，我们提出了基于蛋白质组学的人工智能痴呆诊断模型（ProtAIDe-Dx），这是一个针对17,187名患者和对照者（年龄70.3±11.5岁，53.2%女性）的深度联合学习模型，利用血浆蛋白质组学同时提供与衰老相关的六种痴呆相关状况的概率诊断。
ProtAIDe-Dx实现了交叉验证的均衡分类准确率70–95%，所有状况的曲线下面积（AUC）>78%。
该模型的诊断概率突出了具有共病理的患者亚群，并与外部记忆诊所样本中的病理特异性生物标志物相关，即使在无认知障碍的个体中也是如此。
模型解释揭示了一组蛋白质网络，这些网络标记了疾病间共享和特定的生物学过程，并识别了区分每种诊断的新型及先前描述的蛋白质。
ProtAIDe-Dx在记忆诊所样本中显著改善了基于生物标志物的鉴别诊断，指出了个体水平上导致诊断决策的蛋白质。
总之，这项工作凸显了血浆蛋白质组学通过单次抽血改善患者层面诊断工作的潜力。
【全文结束】