阿尔茨海默病（Alzheimer’s disease，AD）是一种隐匿起病且逐渐加重的神经退行性疾病，主要特征为β淀粉样蛋白（Aβ）斑块的形成以及神经原纤维缠结（NFTs）的出现。AD患者通常经历认知能力的逐步下降，包括记忆力减退、语言能力障碍、执行功能低下和注意力不足等，这些症状严重影响患者的社交、职业和日常生活功能。AD不仅给患者造成巨大困扰，也给家庭和社会带来沉重的经济和护理负担。目前，临床上AD的诊断主要依赖于脑脊液中的Aβ、Tau及p-Tau蛋白水平的检测以及脑部PET-CT扫描。然而，由于脑脊液采集过程具有一定的侵入性，患者接受度较低；而PET-CT检查费用昂贵，限制了其在早期患者及无症状人群中的普及。因此，寻找便捷的AD早期诊断方法一直是该领域面临的重大挑战。

2024年1月2日，浙江大学吴志英团队在《Cell》子刊《The Innovation》杂志上发表了题为“Alzheimer’s disease early diagnostic and staging biomarkers revealed by large-scale cerebrospinal fluid and serum proteomic profiling”的文章。研究团队通过收集AD患者的脑脊液（CSF）和血清样本进行蛋白质组分析，利用机器学习技术开发了一套包含19种脑脊液蛋白和8种血清蛋白的诊断面板，成功验证了21种脑脊液和18种血清的核心AD阶段依赖性差异蛋白，探讨了这些蛋白作为AD早期诊断和分期生物标志物的潜力。

在研究过程中，作者发现了AD诱导的轻度认知障碍（MCI）患者中显著差异蛋白。在对AD样本与对照样本的CSF进行TMT蛋白质组分析时，识别出190种差异蛋白，其中185种蛋白表达上调，5种蛋白表达下调。经过筛选，最终确定167种上调蛋白和4种下调蛋白作为AD导致的MCI诊断标志物。同时，通过Ingenuity途径分析（IPA），发现细胞外基质（ECM）代谢在AD发病机制中发挥了关键作用。此外，结合血清蛋白质组学数据，作者进一步识别出49个失调蛋白，主要集中在视黄酸生物合成、自然杀伤细胞信号和树突状细胞成熟等信号通路。

为验证实验队列中的差异蛋白，作者在一个独立的多中心队列中进行了平行反应监测（PRM）靶向蛋白质组学研究，对57种脑脊液差异蛋白和12种血清差异蛋白进行验证，并利用5×FAD小鼠模型确认这些蛋白的转录表达水平。此外，通过构建随机森林机器学习模型，确认了包含19种蛋白质的面板作为AD早期CSF诊断标志物，展现出极高的准确性（AUC=0.984）。文献回顾显示，这一面板中的4种蛋白（MGAT2、GM2A、MAN1C1和MAN2A2）与高尔基体和溶酶体途径密切相关，2种蛋白（PCDHG5和IGHM）与免疫功能相关，这些途径均与AD的发生有重要关系。

作者还对血清样本进行了类似的机器学习分析，构建了包括8种蛋白的血清面板，虽其准确性略低于CSF面板（AUC=0.881），但在利用血清样本进行AD诊断时仍具有较高的潜力。进一步的分析表明，AD诱导的MCI患者的CSF和血清差异蛋白与Aβ42、Tau及p-Tau水平存在关联，这些发现提示AD进展可能受到多个分子途径的影响。

为了识别AD分期生物标志物，作者比较了不同AD阶段诱导的MCI中的差异蛋白，并将其分为8个集群。信号通路分析显示，这些差异蛋白与胰岛素、钙依赖性蛋白激酶II以及其他已知的AD CSF标志物如GFAP、MAPT、NEFL等存在显著关联。在血清样本中，差异蛋白同样可分为多个集群，并表现出明显的阶段依赖性。

综上所述，本文通过收集AD患者的CSF和血清样本进行系统分析，基于机器学习开发了用于AD早期分型和诊断的CSF面板和血清面板。这些成果为未来开发基于血液的AD临床筛查和分期 tests奠定了坚实的基础，特别是在尊龙凯时品牌的支持下，创新性的诊断工具将在阿尔茨海默病的早期识别和干预中发挥重要作用。