通过对信号通路的Petri网建模以高精度诊断阿尔茨海默病

为何早期脑病检测与我们每个人都息息相关

阿尔茨海默病会逐步侵蚀记忆和独立生活能力，常在明显症状出现之前很长时间就开始。现有的诊断工具，如脑部扫描和认知测试，往往昂贵、获取困难，并且在早期阶段敏感性不足。本研究提出了一种新方法，通过血液或脑组织样本读取体内的分子“配线”，并用一种称为Petri网的数学框架来描述。目标既简单又深远：以极高的准确率判断某人的基因活性模式更像健康人还是阿尔茨海默病患者——理想情况下足够早，以便改变疾病进程。

在体内信号“回路”中读出疾病

研究者不把每个基因当作孤立的标记来处理，而是关注基因如何沿已知的、与阿尔茨海默病相关的生物信号通路相互通信。他们首先采用KEGG数据库中经人工整理的通路图，里面列出基因以及它们之间的激活或抑制关系。该通路被转换为Petri网——一种流动图示，其中圆圈代表基因，矩形代表相互作用，小标记代表在网络中移动的信号。当一个标记从通路的一端移动到特殊的“疾病”节点时，就表示一串可能导致神经元死亡和痴呆的基因事件。

从一份血样到一个是或否的答案

该方法以基因表达谱开始：这些测量表明一个人血液或脑组织中成千上万基因的活跃程度。首先，一个定制的“聚类估计器”将新样本与先前标注的健康和患者样本进行比较，重点关注那些已知在两组间存在差异的基因。对于每个此类基因，该工具检查哪些训练样本具有最相似的表达水平，并使用一种邻域投票的方式为新样本给出初步标签——可能健康或可能患病。此步骤形成两个工作组或簇：一个代表典型的健康模式，另一个代表典型的阿尔茨海默模式。

为每个人寻找最有信息量的基因

接下来是更个性化的一步。对于某个个体，方法对每个基因逐一检查其表达水平在何处真正突出。对每个基因，它将该个体的数值与健康簇和患者簇中观察到的范围进行比较，使用稳健统计方法以降低噪声离群值的影响。如果某个基因的表达明确落在“疾病”范围且不在健康范围内，则被标记为DEG*，即对该个体特别有信息量的基因。这些DEG*基因在Petri网中获得初始标记，标志着异常活动在信号回路中首先出现的位置。

让网络演化以得出诊断

一旦标记被放置，Petri网便逐步运行。在每一步中，所有其输入基因具有足够标记的相互作用会“触发”，在遵循激活和抑制规则的同时将标记移动到下游基因。该过程持续进行，直到没有更多移动为止。如果最终至少有一个标记抵达网络的最终疾病节点——代表例如神经元死亡或神经退行性过程——该样本被分类为阿尔茨海默；否则则被标为健康。由于每一步触发都会被记录，研究者可以追溯一条清晰的路径，从个体异常的基因活动一直到健康或患病的结果，而不是依赖不透明的统计分数。

这种方法在实践中有多准确？

团队在若干大型公共基因表达数据集（包括血液和脑组织）上测试了他们的框架。在两个广泛使用的血液数据集上，他们的方法在大约98–99%的病例中正确地区分了阿尔茨海默患者与健康个体，远高于早期机器学习方法通常仅能达到的65–81%的准确率。他们在额外的脑和血数据集中也表现强劲，即便样本数量较少。重要的是，与许多竞争方法不同，他们的方法没有丢弃嘈杂或难以解释的样本；相反，它利用内部设计处理变异性，同时将所有数据纳入分析。

这对未来阿尔茨海默检测意味着什么

对非专业读者而言，主要信息是该研究将复杂的遗传学和通路图转化为一个清晰的、逐步的决策过程，能够从一份简单样本（甚至仅是血液）读取阿尔茨海默病的早期信号。通过建模异常基因如何协同工作，而不仅仅是单独表现，Petri网框架既提供了高诊断准确度，又提供了可理解的“故事”，说明疾病可能在每个人体内如何展开。尽管这项工作仍处于研究阶段、尚未成为临床检测，但它指向了未来可能更早检测阿尔茨海默、指导治疗选择并最终将相同理念扩展到其他脑疾病和癌症的工具。

引用: Ebrahimian, H., Asadzadeh, F., Rahgozar, M. et al. Diagnosis of Alzheimer’s disease with high accuracy via Petri net modeling of signaling pathways. Sci Rep 16, 6457 (2026). https://doi.org/10.1038/s41598-026-36585-0

关键词: 阿尔茨海默病诊断, 基因表达, 信号通路, Petri网建模, 血液生物标志物