基于脑脊液拉曼光谱的阿尔茨海默病分类：一项混合临床队列的精准诊断研究

《Alzheimer's Research & Therapy》：Classification of Alzheimer’s disease in a mixed clinical cohort using biofluid Raman spectroscopy

本研究针对痴呆症诊断缺乏可扩展、易获取的客观工具这一临床难题，开发了一种基于脑脊液（CSF）拉曼光谱（RS）的机器学习分类模型。通过对143例混合临床队列（包括阿尔茨海默病（AD）及其他神经退行性疾病患者）的CSF样本进行分析，研究实现了AD与非AD的93%分类准确率。光谱生物标志物主要源于蛋白质芳香族氨基酸振动，且与Aβ42、p-tau181、t-tau等经典生物标志物浓度显著相关。该技术无需标记试剂、操作简易，为痴呆症的快速分层诊断提供了潜在突破。

　　

随着全球人口老龄化加剧，阿尔茨海默病（Alzheimer's disease, AD）已成为最常见的痴呆症类型，给家庭和社会带来沉重负担。然而，AD的临床诊断长期面临挑战：尸检研究显示，临床诊断与金标准神经病理学结果的一致性不足50%，部分原因在于患者异质性和诊断工具局限性。近年来，基于生物标志物（如脑脊液中的Aβ₄₂、磷酸化tau蛋白）的生物学定义逐渐取代单纯症状学诊断，但现有检测方法依赖复杂仪器或专用实验室，难以普及。拉曼光谱（Raman Spectroscopy, RS）作为一种无标记、快速的光学技术，能够通过分子振动信号直接获取生物样本的“化学指纹”，在癌症等领域已展现潜力，但其在AD诊断中的实际应用价值尚未在真实世界临床队列中得到验证。

为评估RS在AD诊断中的实用性，George Devitt等研究者开展了一项前瞻性研究，论文发表于《Alzheimer's Research & Therapy》。研究团队收集了143例因认知主诉就诊患者的脑脊液样本，所有患者均经过长达2年的综合临床评估（包括神经影像学和CSF生物标志物分析），最终确诊为AD或其他非AD疾病（如其他神经退行性疾病、发育性障碍等）。关键技术方法包括：通过离心过滤法去除CSF中盐分干扰，利用液滴沉积拉曼光谱（Droplet Deposition Raman Spectroscopy, DDRS）采集光谱数据，结合机器学习算法（如支持向量机SVM、卷积神经网络CNN）进行模型训练与验证，并提取光谱生物标志物与经典AD标志物（Aβ₄₂/p-tau₁₈₁/t-tau）进行相关性分析。

生成AD特异性拉曼特征

研究首先通过拉曼光谱检测获得了AD与非AD患者的CSF平均光谱，发现蛋白质相关峰（如苯丙氨酸1003 cm^?1、酰胺I/III区）为主导信号。通过曼-惠特尼U检验筛选出9个显著差异光谱区域，构建“光谱条形码”，主成分分析显示这些特征能将高置信度AD样本与对照区分开（聚类准确率84%）。

基于光谱条形码的可解释AD分类

进一步从全队列光谱中提取10个光谱生物标志物（如苯丙氨酸、酪氨酸振动峰），线性判别分析表明这些特征可有效聚类AD样本（77%非AD、80%AD正确分类）。通过袋装决策树模型训练，测试集样本级AUC达0.92。全局LIME分析显示，苯丙氨酸（1003 cm^?1）和酪氨酸（1328–1338 cm^?1）相关特征对分类贡献最大。部分光谱区域强度与CSF生物标志物浓度显著相关（如特征3与p-tau正相关，r=0.298），提示其生物学相关性。

基于全拉曼指纹的AD分类

使用全光谱指纹训练的CNN与SVM模型表现更优，测试集样本级AUC分别达0.92和0.93，分类准确率最高达93%。模型输出与患者PLM（Paris-North Lille Montpellier）生物标志物评分显著正相关（CNN: r=0.64），证实其与AD病理的高度一致性。

讨论与意义

本研究首次在真实世界混合临床队列中验证了拉曼光谱对AD的诊断能力。光谱生物标志物主要反映蛋白质构象变化，尤其是芳香族氨基酸振动，与AD相关蛋白病理（如Aβ、tau）存在关联，为“光谱组学”策略提供了机制支持。相比传统免疫检测或影像学，RS技术无需标记试剂、样本需求量低（1μl），且设备可便携化，有望在基层医疗场景中实现快速诊断。局限性在于样本量较小（N=143）且缺乏尸检验证，未来需扩大队列并探索血液等更易获取样本的应用。该研究为AD乃至其他神经退行性疾病的差异化诊断开辟了新途径，凸显了光谱技术在高通量、低成本精准医疗中的潜力。