Maskininlärningsbaserade prediktiva modeller och subtypmönster i perifert blod vid schizofreni baserat på ett maskininlärnings-beräkningsramverk

Varför blod kan hjälpa till att avkoda en komplex sinnessjukdom

Schizofreni är en allvarlig psykisk sjukdom som kan störa tankar, känslor och vardagsliv, men läkare förlitar sig fortfarande i stor utsträckning på beteendeobservationer för att ställa diagnos. Denna studie ställer en enkel men kraftfull fråga: kan ett vanligt blodprov avslöja dolda biologiska mönster som hjälper till att upptäcka schizofreni tidigare och dela in patienter i mer skräddarsydda behandlingsgrupper?

På jakt efter ledtrådar i ett provrör med blod

Forskarna började med att samla flera befintliga dataset där blod från personer med schizofreni och friska frivilliga redan hade analyserats för genaktivitet. Varje gen kan ses som en liten strömbrytare som är upp- eller nedreglerad. Genom att kombinera tusentals sådana brytare från fem separata studier och korrigera för tekniska skillnader skapade teamet en stor, enhetlig karta över genaktivitet i perifert blod. Därefter sökte de efter gener som konsekvent uppvisade annorlunda beteende hos patienter jämfört med kontroller, med fokus på de som är kopplade till inflammation, immunrespons och hur celler bearbetar fetter och andra molekyler.

Lära datorer att upptäcka en dold signatur

Eftersom ingen människa lätt kan se användbara mönster över så många gener samtidigt vände sig teamet till maskininlärning, en gren av datavetenskapen som låter algoritmer lära från data. De testade 12 olika maskininlärningsmetoder och många sätt att kombinera dem, och landade slutligen i en kombination som valde de mest informativa generna och byggde en klassificerare kring dem. Denna process ledde till en kompakt uppsättning av 16 gener vars samlade aktivitetsmönster på ett tillförlitligt sätt kunde skilja schizofrenipatienter från friska personer över åtta olika dataset. Författarna omvandlade sedan denna 16‑gens “signatur” till ett grafiskt poängverktyg, kallat nomogram, som i princip skulle kunna hjälpa kliniker att uppskatta sannolikheten för att ett givet blodprov kommer från någon med schizofreni.

Vad nyckelgenerna säger om kroppen

De 16 gener som modellen lyfte fram är inte slumpmässiga. Många är kopplade till immunsystemet, cellernas stressresponser och hur kroppen hanterar fetter och signalmolekyler. En gen i synnerhet, kallad AZI2, framstod som central i signaturen. Dess aktivitet var starkt kopplad till vägar som styr inflammation och immuncellbeteende, och till hur celler svarar på signaler som säger åt dem att växa, dela sig eller genomgå celldöd. När teamet undersökte mönster av immunceller härledda från bloddata fann de förändringar i flera typer av vita blodkroppar vid schizofreni, vilket stöder en bild där immunsystemet är varaktigt förändrat vid sjukdomen.

Två biologiska varianter av samma diagnos

Att ha en diagnostisk signatur är användbart, men schizofreni är känd för att vara mycket varierande mellan individer. För att undersöka denna mångfald använde forskarna osupervisade klustringsmetoder, som grupperar prover efter likhet utan att veta vem som är patient eller vilka symtom de har. Dessa metoder delade schizofrenigruppen i två huvudsakliga blodbaserade subtyper, och vidare in i finare undergrupper. Ett mönster var starkare kopplat till förändringar i metabolism, såsom hur celler använder energi och fetter, medan det andra var mer förknippat med inflammation och immunaktivitet. Grupperna skilde sig också åt i uppsättningar av proteiner och genvägar relaterade till blodets koagulation, hjärnans signalering och svar på infektion, vilket antyder att patienter med samma kliniska etikett faktiskt kan ha olika underliggande biologi.

Vad detta kan innebära för framtida vård

Tillsammans tyder detta arbete på att en liten panel gener mätta från ett enkelt blodprov kan bidra till att stödja schizofrenidiagnos och, kanske viktigare, avslöja biologiskt distinkta subtyper av sjukdomen. Även om vidare prövningar i större, noggrant följda patientgrupper krävs innan sådana verktyg kan användas i kliniken, erbjuder studien en färdplan mot mer personaliserad psykiatri, där behandlingsbeslut styrs inte bara av symtom utan också av kroppens molekylära signaler.

Citering: Li, Z., Sun, Q., Li, H. et al. Machine learning-based predictive models and subtypes patterns in peripheral blood of schizophrenia based on a machine learning computational framework. Schizophr 12, 46 (2026). https://doi.org/10.1038/s41537-026-00744-z

Nyckelord: schizofreni, blodbioindikatorer, maskininlärning, genuttryck, immunsystemet