跳到正文
Scientific Reports· Dan Li·· 8 天前AI 评分25

Scientific Reports:基于血液的多生物标志物 panel 在单中心嵌套交叉验证中区分阿尔茨海默病与健康对照

Blood based multi biomarker panel discriminates Alzheimer disease from healthy controls in a single center nested cross validation

AI 导读

正式发表于 Scientific Reports 的单中心研究纳入 200 例参与者(100 例 AD、100 例健康对照),用 12 项血液生物标志物区分两组,LASSO 模型 AUROC 达 0.9999。

AI 深度导读基于原文整理的分节解读
背景
阿尔茨海默病(AD)涉及多条并行的病理通路,传统单变量分析难以刻画这种复杂性。血液标志物取样便捷,被用于区分 AD 患者与健康对照(HC),但既有思路多为逐个指标考察,缺少把神经营养因子、tau 蛋白、神经元损伤标志物与外周炎症指标放进同一框架比较的做法。本研究的目的是筛选具有判别力的血液标志物,并评估它们区分已确诊 AD 与 HC 的表现。
做法
研究招募 200 名受试者,其中 AD 患者 100 例、健康对照 100 例。检测的 12 种血液标志物覆盖四类:神经营养因子、tau 蛋白、神经元损伤标志物和外周炎症指标。分析按步骤展开:先用 PCA 和 OPLS-DA 做探索性可视化,观察样本在标志物空间中的分布;再用嵌套分层十折交叉验证建模,作者说明这一设计是为避免数据泄漏;特征选择以 L1 惩罚的 LASSO 逻辑回归为主要方法,同时构建 stacking 集成模型用于基准比较。两条流程各自筛选变量,再比对所选标志物是否一致,以此判断哪些指标对不同建模策略稳健。年龄、性别、中性粒细胞和血小板计数也被纳入候选变量一并考察。
结论
在 lambda.1se 准则下,LASSO 保留了 8 个预测性标志物。BDNF、NGF、NFL 和 pTau217 是两条流程一致选出的稳健标志物;pTau231 与 S100β 属于第二梯队稳定标志物。PLR 和 SII 被 LASSO-1se 排除,但在 stacking 中偶尔被选中;Lym 仅在 LASSO-1se 中保留。年龄、性别、中性粒细胞和血小板计数在两个模型中都被剔除。作者指出,核心 AD 神经病理标志物的跨模型可重复性优于非特异性系统性炎症指标。判别性能方面,LASSO 衍生的模型达到 out-of-fold AUROC 0.9999、AUPRC 0.9999,stacking 模型为 AUROC=0.999、AUPRC=0.999。全部性能指标均来自单中心内部交叉验证。
机制
作者对标志物筛选结果差异给出的解释落在病理归属上:核心 AD 神经病理标志物与疾病过程直接相关,因此在两套建模流程中都能被稳定选中;而 PLR、SII 这类非特异性系统性炎症指标反映的是外周免疫状态,跨模型可重复性较差。最终保留下来的标志物组合被归纳为同时反映 tau 病理、轴突损伤、神经营养缺乏和外周免疫扰动四条通路。
意义
结果指向一种由多通路血液标志物构成的判别组合,而非依赖单一指标:tau 蛋白类标志物与神经损伤、神经营养因子指标各自贡献不同层面的信息。对无创区分 AD 与健康对照这一方向而言,两条流程一致选出的核心变量提供了一份可优先进入后续验证的候选项清单,也把这些外周信号与 AD 的多条病理通路联系起来。
局限
作者明确指出,所有性能指标都来自单中心内部交叉验证,比较对象是已确诊 AD 与健康对照,并未涉及与其他痴呆类型的鉴别或更早期阶段的区分。AUROC 与 AUPRC 接近 1 的结果只在这一内部验证设定下成立,作者强调临床应用前必须先做外部多队列验证。
下一步
作者给出的下一步是外部多队列验证,认为这是该标志物组合走向临床应用前的必要环节。原文除这一项外,未提出其他具体的后续研究计划。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

来源:Scientific Reports · nature.com