MINT工具箱：基于多层网络整合的多模态阿尔茨海默病亚型识别与预测新方法

斯坦福大学团队开发Python工具包MINT，通过Similarity Network Fusion(SNF)和Generalized Louvain算法整合MRI、PET、CSF等多模态数据，成功识别阿尔茨海默病(AD)的AD-dominant和CN-dominant亚型，预测准确率达92.65%。该研究为AD早期诊断和异质性解析提供了创新性计算框架。

　　

阿尔茨海默病(AD)作为全球最常见的神经退行性疾病，其病理机制涉及β-淀粉样蛋白(Aβ)沉积、tau蛋白缠结等多重因素，临床表现具有高度异质性。传统单模态研究方法难以捕捉这种复杂性，而现有计算工具在跨模态数据整合、社区检测稳定性和临床可解释性等方面存在明显局限。针对这一挑战，斯坦福大学C-BRAIN实验室的Saman Sarraf、Barbara Avelar-Pereira等研究人员开发了多层网络整合工具箱MINT(Multilayer Integration of Networks Toolbox)，相关成果发表于《Communications Biology》。

研究团队采用ADNI队列的206名受试者基线数据（含结构MRI、淀粉样蛋白PET、脑脊液CSF生物标志物、认知评估和APOE基因型），通过创新性整合Similarity Network Fusion(SNF)和Generalized Louvain算法，建立了包含数据标准化、交叉验证和模态优化的完整分析流程。关键技术包括：1）基于Spearman相关构建多模态相似性矩阵；2）通过非线性迭代实现SNF网络融合；3）采用改进的轮廓系数(silhouette score)优化模态组合；4）10折交叉验证增强结果稳健性。

研究结果部分显示：
"Multilayer Integration of Networks Toolbox(MINT)"：成功开发开源Python工具包，实现从数据预处理到社区检测的全流程自动化，支持自定义31项参数配置。

"MINT successfully predicts future AD"：在主要队列中，优化后的SNF模型识别出AD-dominant（81.5%AD患者）和CN-dominant（92.6%认知正常者）两个社区，预测敏感性84.38%、特异性92.65%。AD-dominant社区显著表现为更高APOEε4携带率(p<5.82×10^-9
)、更差MMSE评分(p<0.001)及异常CSF Aβ₄₂
/tau水平(p<0.001)。

"MINT captures amyloid positivity"：AD-dominant社区100%为淀粉样蛋白阳性，其CN成员脑内Aβ负荷甚至高于CN-dominant社区的AD患者(CSF ptau:p<0.001)。纵向分析显示，归属AD-dominant社区的CN个体更易转化为MCI/AD。

"Validation and early signs of Alzheimer's pathology"：在143人的独立验证队列中重现核心发现，AD-dominant社区78.3%为AD患者，且海马体积显著萎缩(p<0.001)，证实模型的泛化能力。

讨论部分强调，MINT的创新性体现在三方面：首先，通过多模态协同增强弱信号，如单独预测价值有限的CSF指标经整合后贡献显著；其次，优化模块自动筛选PET+CSF为最佳组合，使轮廓系数提升27%；最后，算法成功识别出临床诊断未捕捉的高危群体——AD-dominant社区的CN个体具有与确诊患者相当的病理负荷。该工具可扩展至癌症、精神疾病等复杂疾病研究，其开源特性（代码仓库：code.stanford.edu/cbrain/mint）将促进精准医学发展。研究局限性在于缺乏尸检病理验证，未来需结合纵向多中心数据进一步优化。