一种用于诊断六种与痴呆相关状况的深度联合学习蛋白组学模型

为何简单的血液检测对大脑健康至关重要

痴呆并非单一疾病，而是一类常常相互重叠的脑部疾病，这使得诊断缓慢、代价高且常有不确定性。本研究提出一个令人期待的问题：一次血液检测，经由人工智能解读，是否能帮助医生在严重记忆丧失出现之前，同时发现若干与痴呆相关的不同脑部状况？

将血样转化为大脑健康快照

研究人员构建了一个名为 ProtAIDe-Dx 的系统，该系统分析人体血液中数千种漂浮的蛋白，并利用这些蛋白估算与痴呆相关的六种状况的发生概率：阿尔茨海默病、帕金森病、额颞叶痴呆、肌萎缩性侧索硬化、既往中风或短暂性脑缺血以及正常认知。该方法不依赖于脑部扫描或脑脊液采集，而是基于常规抽血和一种可一次性测量超过7000种蛋白的实验室技术。随后训练一个深度学习模型，识别这些蛋白在各类患者中常见的模式。

基于血液的人工智能检测表现如何

研究团队在全球19个地点收集的超过一万七千份血样上训练和测试了 ProtAIDe-Dx。训练时系统从未使用年龄、性别、就诊机构、诊断或认知评分等信息；它仅依赖蛋白模式。即便如此，在大多数情况下它仍能将某些疾病患者与健康对照正确区分开来。准确率在肌萎缩性侧索硬化和帕金森病中最高，平衡分类正确率超过90%，而对所有六种状况的准确率均保持在70%以上。模型给出的阿尔茨海默病概率与已知风险因素相关：携带更多 APOE ε4 风险等位基因和记忆测试表现较差的人，往往获得更高的阿尔茨海默病概率评分。

揭示隐藏的脑疾病混合体

由于 ProtAIDe-Dx 为六种状况中的每一种都输出一个概率，它能够提示血液模式暗示存在多个潜在问题的人群。当研究者将每个人根据这些概率绘制在一个坐标图上时，出现了反映临床诊断的簇，同时也揭示了重要的重叠。例如，一些被标记为阿尔茨海默病的个体落入以中风或帕金森病模式为主的区域，而某些肌萎缩性侧索硬化的亚群则靠近额颞叶痴呆。这些群体展现了独特的临床特征和蛋白签名，提示传统诊断可能忽略的混合或非典型疾病生物学。该模型还可指出与总体大脑抗损伤能力或脆弱性相关的蛋白网络，而不仅限于单一疾病。

在真实世界记忆门诊中的工具测试

研究人员随后在一个近1800人的独立记忆门诊队列中测试了 ProtAIDe-Dx，该队列具备详细的脑部影像和脑脊液检测数据。尽管该门诊的数据未用于训练系统，其给出的概率仍与许多疾病特异性的脑部标志物一致。较高的类中风概率与MRI上更多的白质损伤相关，而较高的阿尔茨海默病概率则对应于升高的tau标志物和在该病中常见的脑区变薄。当将 ProtAIDe-Dx 与诸如年龄、简单认知测试以及少数血液和影像标志物等常规指标结合使用时，医生能比仅用常规临床工具更准确地区分阿尔茨海默病、帕金森病、额颞叶痴呆和中风。

这对患者和医生可能意味着什么

ProtAIDe-Dx 目前还不足以取代脑部扫描或腰椎穿刺，并且在不同医院和检测点间的泛化能力仍存在挑战。但它已经提供了一项新工具：一次创伤小的血液检测即可快速给出多种脑部状况的概率性概览，同时指出塑造每位受检者结果的具体蛋白质。这可能帮助医生判定谁需要更高级的检测、发现可能解释复杂症状的混合病理，并在未来为更个体化的治疗提供线索。这项工作表明，血液中的丰富蛋白模式包含有关大脑健康的有意义信号，人工智能能协助将这些信号解读并应用于日常的痴呆护理中。

引用: An, L., Pichet Binette, A., Hristovska, I. et al. A deep joint-learning proteomics model for diagnosis of six conditions associated with dementia. Nat Med 32, 1852–1864 (2026). https://doi.org/10.1038/s41591-026-04303-y

关键词: 痴呆诊断, 血浆蛋白组学, 阿尔茨海默病, 人工智能, 血液生物标志物