Clear Sky Science · ru

Структурный отпечаток плазменных белков классифицирует состояние болезни Альцгеймера

· Назад к списку

Почему важен анализ крови при потере памяти

Болезнь Альцгеймера часто развивается задолго до появления заметных проблем с памятью, однако существующие методы раннего выявления могут быть инвазивными, дорогими или труднодоступными. В этом исследовании рассматривается иной подход: способны ли крошечные изменения трехмерной формы белков в крови показать, где человек находится на шкале от здорового старения через лёгкие нарушения памяти до полноценной болезни Альцгеймера. В случае успеха такой анализ крови мог бы упростить скрининг, поддержать более раннее лечение и помочь исследователям отслеживать, кто получает пользу от новых терапий.

Внимание к форме белка, а не только к его количеству

Большинство анализов крови измеряют, сколько того или иного молекулы присутствует. Здесь ученые сосредоточились на форме белков. Внутри клеток существует система контроля качества, которая поддерживает правильное сворачивание белков; по мере старения эта система может давать сбои, и неправильно свернутые белки накапливаются и повреждают нейроны. Авторы предположили, что распад «домашнего хозяйства» белков оставляет структурный отпечаток в белках крови. У 520 добровольцев, которые были когнитивно здоровы, имели лёгкие когнитивные нарушения (MCI) или страдали болезнью Альцгеймера, взяли кровь и с помощью химического метода, называемого ковалентным профилированием белков, пометили открытые участки белков. Чем более открыт участок, тем легче его пометить, что даёт числовой отпечаток формы белка, в значительной степени независимый от общего количества белка.

Figure 1
Figure 1.

Поиск структурных отпечатков в крови

По почти 900 маркированным фрагментам белков исследователи обнаружили тонкую, но последовательную тенденцию: по мере перехода людей от здоровья к MCI и далее к Альцгеймеру поверхности некоторых белков становились менее доступными и более вариабельными между людьми. Этот паттерн согласуется с идеей о том, что контроль сворачивания белков в организме ухудшается по мере прогрессирования болезни. Команда также изучила, как главный генетический фактор риска Альцгеймера — вариант APOE ε4 — влияет на форму белков. Они обнаружили, что носители двух копий ε4 демонстрировали характерные структурные сдвиги в нескольких белках, взаимодействующих с белком APOE, что указывает на то, что этот рискованный ген влияет не только на состав белков, но и на их свёрнутость и организацию.

Связь белков крови с настроением и поведением

Альцгеймер затрагивает гораздо больше, чем лишь память: такие симптомы, как возбуждение, депрессия и галлюцинации, распространены и часто различаются у мужчин и женщин. Исследователи сопоставили клинические оценки 12 типов нейропсихиатрических симптомов с измерениями формы белков. В обоих полах более выраженные симптомы, как правило, сопровождались тем, что белки становились структурно «менее открытыми». Некоторые белки, включая кластерин и несколько других, связанных с накоплением амилоида, отражали тяжесть симптомов сходным образом у мужчин и женщин, тогда как у других наблюдались полособственные паттерны. Эти находки наводят на мысль, что структура белков в крови может отражать не только наличие болезни, но и то, как она проявляется в поведении и настроении.

Панель из трёх белков для классификации стадии болезни

Чтобы превратить эти сложные измерения в нечто клинически полезное, команда подала структурные данные в 18 разных алгоритмов машинного обучения. Лучшая модель, основанная на глубоком обучении, опиралась всего на три фрагмента белков из C1QA, кластерина (также называемого CLUS) и аполипопротеина B (ApoB). Используя только структурные показания этих трёх фрагментов, модель правильно распределяла людей по группам: здоровые, MCI или Альцгеймер примерно в 83% случаев на независимом контрольном наборе. При решении более простых двухклассовых задач — например, отделить здоровых от MCI или MCI от Альцгеймера — эффективность панели была ещё выше, с показателями точности, сопоставимыми или превосходящими многие существующие подходы на основе уровня белков, а не их структуры.

Figure 2
Figure 2.

Наблюдение за людьми с течением времени

У исследователей также были повторные образцы от 50 участников, взятые примерно до восьми месяцев позже. У людей, у которых диагноз ухудшался — например, со статуса «здоров» до MCI или с MCI до Альцгеймера — комбинированный балл по трёхбелковой панели смещался в том же направлении, отражая прогрессирование болезни. Напротив, у лиц с неизменным клиническим статусом изменения баллов панели были незначительными. Общий «коэффициент уверенности в Альцгеймере» панели тесно коррелировал со стандартными когнитивными тестами, с показателями повседневной активности, с атрофией мозга на МРТ и с установленными спинномозговыми маркерами амилоида и тау, что указывает на то, что структурный сигнал в крови отражает изменения в мозге.

Что это может значить для пациентов

В совокупности работа показывает, что небольшие координированные изменения формы всего нескольких распространённых белков крови могут надежно сигнализировать о том, является ли человек когнитивно здоровым, имеет лёгкие нарушения или страдает болезнью Альцгеймера. Поскольку тест использует кровь, а не спинномозговую жидкость или нейровизуализацию, его, в принципе, можно масштабировать для рутинного скрининга или для отбора и мониторинга участников в клинических испытаниях. Авторы отмечают, что требуются более крупные и длительные исследования, а используемая химия пока остаётся специализированной. Тем не менее их результаты указывают на структуру белков — а не только на их уровни — как на перспективный источник информации для более раннего и более точного обнаружения и отслеживания болезни Альцгеймера.

Цитирование: Son, A., Kim, H., Diedrich, J.K. et al. Structural signature of plasma proteins classifies the status of Alzheimer’s disease. Nat Aging 6, 597–611 (2026). https://doi.org/10.1038/s43587-026-01078-2

Ключевые слова: биомаркеры болезни Альцгеймера, анализ крови на деменцию, изменения сворачивания белков, диагностика с помощью машинного обучения, кластерин и C1QA