近日，東南大學(xué)附屬中大醫(yī)院醫(yī)學(xué)檢驗(yàn)科主任吳國球教授團(tuán)隊(duì)圍繞阿爾茨海默?。ˋlzheimer’s disease，AD）早期篩查與數(shù)字化分型管理需求，在國際權(quán)威數(shù)字醫(yī)學(xué)期刊《npj Digital Medicine》（中科院一區(qū)Top期刊）發(fā)表題為“A Machine Learning–Enabled Blood Transcriptomic Signature for Digital Diagnosis and Subtyping of Alzheimer’s Disease”的研究成果。該研究聚焦“血液樣本實(shí)現(xiàn)AD早期識(shí)別與分型”的臨床痛點(diǎn)，為AD的無創(chuàng)篩查與數(shù)字化分層管理提供了新的解決方案。東南大學(xué)醫(yī)學(xué)院博士研究生馬碩、碩士研究生陳達(dá)文為共同第一作者，吳國球教授為通訊作者。

據(jù)介紹，AD早期識(shí)別對(duì)延緩疾病進(jìn)展與優(yōu)化診療路徑至關(guān)重要，但傳統(tǒng)檢測在大規(guī)模篩查場景中常受侵入性、高成本與設(shè)備普及性限制。為此，吳國球教授團(tuán)隊(duì)以“乳酸化（lactylation）相關(guān)分子網(wǎng)絡(luò)”為機(jī)制切入點(diǎn)，整合多隊(duì)列轉(zhuǎn)錄組數(shù)據(jù)并建立標(biāo)準(zhǔn)化機(jī)器學(xué)習(xí)建模流程（z-score標(biāo)準(zhǔn)化、隨機(jī)森林篩選、plsRglm建模及10折交叉驗(yàn)證），構(gòu)建了可解釋的血液轉(zhuǎn)錄組風(fēng)險(xiǎn)評(píng)分—乳酸化衍生評(píng)分（Lactylation-Derived Score，LDS），并在外部腦轉(zhuǎn)錄組數(shù)據(jù)集及獨(dú)立臨床血漿隊(duì)列（n=540）中完成驗(yàn)證。其創(chuàng)新在于以機(jī)制驅(qū)動(dòng)提煉出便于臨床轉(zhuǎn)化的小面板（7基因：GFAP、GTF2I、RB1、PFKM、BCLAF1、SPR、SMARCC1），并與血漿p-tau181/217進(jìn)行互補(bǔ)融合以提升實(shí)用性。研究結(jié)果顯示，LDS在訓(xùn)練隊(duì)列區(qū)分AD與正常對(duì)照（NC）的AUC為0.897，在獨(dú)立臨床血漿隊(duì)列中AUC為0.772；聯(lián)合LDS+p-tau181+p-tau217后，三指標(biāo)模型在獨(dú)立臨床血漿隊(duì)列中的AUC提升至0.859；同時(shí)LDS對(duì)AT?個(gè)體具有分層識(shí)別能力（AUC 0.861），并為前驅(qū)期人群分層提供線索（基于LDS基因衍生的五基因分類器對(duì)aMCI的AUC為0.809）。

LDS在AD中的開發(fā)與轉(zhuǎn)化應(yīng)用總體工作流程

該研究為“血液樣本即可實(shí)現(xiàn)AD數(shù)字化診斷與分型”提供了系統(tǒng)證據(jù)：一方面有望支持記憶門診分診、體檢/社區(qū)篩查與隨訪監(jiān)測中的風(fēng)險(xiǎn)評(píng)估與分層管理，提升早期識(shí)別的可及性；另一方面，通過與成熟血漿蛋白標(biāo)志物的聯(lián)合策略，可在更貼近真實(shí)臨床流程的條件下獲得更穩(wěn)健的判別能力，為推進(jìn)AD早篩與精準(zhǔn)干預(yù)提供新的工具與思路。（通訊員趙峰峰 編輯崔玉艷 校對(duì)蔡逸秋編審程守勤）