Надёжные транскриптомные сигнатуры прогрессирования болезни Альцгеймера: валидация объяснимого подхода ИИ

Почему это исследование важно для семей и пациентов

Болезнь Альцгеймера постепенно лишает людей памяти и независимости, но у врачей по‑прежнему нет простых инструментов, которые точно показывают, насколько далеко зашло заболевание в мозге. В этом исследовании изучают непосредственно ткань мозга, чтобы определить, какие гены включаются или выключаются на разных стадиях Альцгеймера, применяя прозрачные методы искусственного интеллекта для выявления паттернов, которые однажды могут помочь врачам точнее отслеживать болезнь и подбирать лечение для каждой стадии.

Взгляд внутрь стареющего мозга

Исследователи проанализировали образцы мозга 125 человек в крупном посмертном исследовании. Каждый мозг уже был оценён по стандартной шкале, называемой стадированием Браака, которая отслеживает, как нейрофибриллярные клубки Альцгеймера распространяются от глубинных центров памяти к более широким областям, отвечающим за мышление. Вместо того чтобы рассматривать болезнь как просто присутствующую или отсутствующую, команда сгруппировала образцы по Ранней, Средней и Поздней стадиям, а затем изучила активность генов в одиннадцати ключевых областях мозга, вовлечённых в память, эмоции и мышление, таких как гиппокамп, височные доли и лобные участки.

Как алгоритмы «читают» активность генов

Команда работала с данными РНК‑секвенирования, которые отражают степень активности тысяч генов в каждой области мозга. Они очистили и стандартизировали эти данные, затем использовали метод машинного обучения XGBoost, чтобы научиться распознавать паттерны, отличающие Раннюю, Среднюю и Позднюю стадии на основе профилей активности генов. Чтобы компенсировать неравномерное число образцов в каждой стадии, применили метод повторной выборки, чтобы модель виделa более сбалансированный набор примеров. Критически важно то, что это объединили с объяснимым методом ИИ SHAP, который присваивает каждому гену понятный вклад — насколько он смещает пример в сторону той или иной стадии.

Нахождение специфичных для стадии «отпечатков» мозга

Модель по областям мозга смогла отличать стадии лучше случайного, при этом особенно сильные сигналы давали задняя поясная кора и некоторые лобные и височные участки. Исследователи затем задали более глубокий вопрос: какие гены имеют наибольшее значение и сохраняются ли они на протяжении болезни? Они обнаружили, что ведущие гены оказались поразительно специфичны для стадии, с пересечением всего около 1,7 процента между Ранними, Средними и Поздними сигнатурами. Ранним стадиям соответствовали гены, связанные с энергопотреблением и базовыми клеточными механизмами; Средним — с иммунными и стрессовыми ответами; Поздним — с функцией митохондрий и синаптическими соединениями, что отражает переход симптомов от тонких изменений к широкому отказу мозга.

Фокус на новых кандидатных маркёрах

Из тысяч генов исследование выделило несколько многообещающих кандидатов, которые последовательно помогали модели классифицировать стадии и одновременно показывали значимые биологические связи с известными путями. Один ген, ARX, проявил себя как потенциальный маркёр Ранней стадии, связанный с тормозными нейронами, помогающими балансировать активность мозга. Кандидат для Средней стадии, MKNK2, ассоциировался с воспалением и клеточным стрессом. На Поздних стадиях гены, такие как SLC25A16 и NEURL1B, указывали на проблемы в энергообразующих структурах и в пределах синаптических соединений. Команда подтвердила эти связи, проверив, насколько сильно эти гены склонны повышаться и понижаться вместе с установленными маркёрами обмена веществ, иммунитета и синапсов.

Что это значит для будущего ухода

Проще говоря, эта работа показывает, что «генетический голос» мозга изменяется характерными способами по мере прогрессирования Альцгеймера, и что объяснимый ИИ может надёжно выявлять, какие гены говорят громче на каждом этапе. Хотя результаты получены на одной когорте и требуют валидации в других группах и у живых пациентов, они дают дорожную карту для разработки стадийно‑ориентированных тестов крови или мозга и для создания терапий, лучше согласованных с биологией Ранней, Средней или Поздней стадии, а не с лечением всех стадий одинаково.

Цитирование: Shafik, R.A., Afify, Y.M., Badr, N. et al. Robust transcriptomic signatures of Alzheimer’s disease progression: validated explainable AI approach. Sci Rep 16, 15478 (2026). https://doi.org/10.1038/s41598-026-47879-8

Ключевые слова: болезнь Альцгеймера, экспрессия генов, биомаркёры, объяснимый ИИ, стадирование Браака