基于潜在类别线性混合模型（LCLMM）的间歇性双瓶选择大鼠模型酒精摄入群体分类优化研究

本研究针对酒精使用障碍（AUD）临床前模型中传统分类方法（如百分位数、K-means聚类）的局限性，创新性应用潜在类别线性混合模型（LCLMM）分析纵向酒精摄入数据，实现了高/低消费群体的精准分类（准确率0.94）。该研究为AUD亚型特征解析提供了更稳健的统计工具，对提升临床前研究可重复性具有重要意义。

　　

酒精使用障碍（AUD）是全球公共卫生的重大挑战，每年导致约300万人死亡。尽管间歇性双瓶选择（Intermittent-Access Two-Bottle Choice, IA2BC）大鼠模型被广泛用于模拟人类AUD行为特征，但传统分类方法（如基于均值/百分位数的阈值划分）存在主观性强、忽略个体动态变化等缺陷。如何通过更科学的统计方法识别高/低酒精消费亚群，成为优化临床前研究的关键问题。

为解决这一难题，来自墨西哥国立自治大学（UNAM）的研究团队在《Progress in Neuro-Psychopharmacology and Biological Psychiatry》发表论文，首次将潜在类别线性混合模型（Latent Class Linear Mixed Model, LCLMM）应用于IA2BC数据分析。该研究通过36只Wistar大鼠的20次饮酒会话纵向数据，系统比较了LCLMM与传统方法（百分位数、K-means聚类、层次聚类）的性能差异，发现LCLMM凭借对个体轨迹的全局分析能力，分类准确率高达0.94，显著优于其他方法。

关键技术方法包括：1）IA2BC实验设计（20%乙醇浓度，每周3次间歇性暴露）；2）四种分类算法实现（LCLMM纳入性别、体重为协变量）；3）300组模拟数据集验证（样本量n=18/36/54）；4）五维评估指标（AIC/BIC/R²
_conditional
/ICC/RMSE）。

研究结果揭示：

1. 真实数据乙醇摄入：雄性大鼠摄入量显著高于雌性（2.80±1.94 vs 2.05±1.41 g/kg/24 h），血乙醇浓度（BEC）与摄入量强相关（r=0.76）。
2. 模型性能评估：LCLMM在R²
   _conditional
   （0.326）、ICC（0.183）和RMSE（1.332）指标上表现最优，虽AIC/BIC略高于K-means，但其置信区间更贴合实际轨迹（图2D）。
3. 模拟数据验证：LCLMM在n=54样本中准确率达0.9479，灵敏度/特异性均超0.9，显著优于其他方法（表3）。

讨论部分指出，LCLMM的三大优势使其成为AUD研究的理想工具：
1）整合全周期纵向数据，避免单次测量偏差；
2）通过随机效应控制个体内变异；
3）协变量调整可消除性别/体重等混杂因素。该研究还发现约22%大鼠呈现高消费表型，与人类AUD流行病学数据一致，且消费 escalation 多始于第7-9次会话（PND65），提示关键时间窗口的存在。

这项研究为AUD机制解析提供了方法论突破：通过开源ShinyApp工具（https://github.com/DiegoAngls/IA2BC_LCLMM），研究者可更精准识别消费亚型，助力个性化治疗靶点发现。未来需在更多动物品系中验证LCLMM的普适性，并探索多类别分类的临床应用潜力。