基于脑脊液蛋白质组学与机器学习揭示阿尔茨海默病tau蛋白异常与正常亚型的特异性生物标志物

推荐：本研究通过数据非依赖采集(DIA)蛋白质组学结合Astral质谱平台，对138例阿尔茨海默病(AD)患者脑脊液(CSF)进行深度分析，发现Aβ+/tau+与Aβ+/tau-亚型具有差异蛋白特征。机器学习筛选出15个蛋白分类器，可准确区分AD亚型及对照组，为AD早期诊断和精准分型提供新策略。

　　

阿尔茨海默病(AD)作为最常见的神经退行性疾病，其病理机制复杂且临床表现异质性高。尽管淀粉样斑块(Aβ)沉积和tau蛋白缠结是AD的典型特征，但越来越多的证据表明AD存在不同亚型，这给精准诊断和治疗带来巨大挑战。特别是部分AD患者表现出Aβ病理但tau水平正常（Aβ+/tau-），这类患者与典型AD（Aβ+/tau+）在临床症状上难以区分，却可能对治疗产生不同反应。因此，开发能够区分AD亚型的生物标志物成为当前研究的迫切需求。

为解决这一关键问题，来自意大利巴勒莫大学医院的研究团队开展了一项创新性研究。他们采用先进的数据非依赖采集(DIA)蛋白质组学技术，结合新型Astral质谱平台，对138例受试者（包括Aβ+/tau+、Aβ+/tau- AD患者及非AD对照）的脑脊液样本进行深度分析。研究不仅验证了已知AD生物标志物，更重要的是发现了能够区分AD亚型的特异性蛋白特征，相关成果发表在《Molecular 》杂志上。

研究采用的关键技术包括：1）基于FASP（filter-aided sample preparation）的样本前处理技术；2）Astral质谱平台的高分辨率DIA（data-independent acquisition）数据采集；3）DIA-NN软件进行蛋白质鉴定和定量；4）机器学习算法（XGBoost、SVM等）进行特征选择和分类模型构建。样本来源于意大利巴勒莫大学医院认知衰退诊所的临床队列。

研究结果部分：

1. "Set up of a Proteomic Workflow for CSF Profiling"：建立的高通量工作流程在Astral平台上鉴定出2661个CSF蛋白，数据完整性显著优于传统质谱平台，为后续分析奠定基础。
2. "CSF Profiling of Canonical AD Patients Identifies Disease-Associated Proteins"：在Aβ+/tau+ AD患者中发现61个上调蛋白（包括MAPT、14-3-3家族蛋白）和78个下调蛋白，与多个独立队列结果高度一致。
3. "CSF profiling of AD patients with normal tau levels reveals a distinct proteomic pattern"：Aβ+/tau-亚型呈现独特的蛋白特征，如CA1、WASL等标志物的变化，与典型AD显著不同。
4. "Machine Learning Uncovers Distinct Proteomic Signatures"：通过XGBoost算法筛选出15个关键蛋白分类器（如SMOC1、YWHAZ、UCHL1等），在测试集中分类准确率达92.8%。
5. "Protein classifiers of AD can be found in the CSF before the onset of symptoms"：多个标志物（如YWHAE、MIF）在临床前期即出现异常，具有早期诊断价值。

讨论与结论部分指出，该研究首次系统比较了Aβ+/tau+与Aβ+/tau- AD亚型的CSF蛋白质组差异。发现的15蛋白特征不仅补充了现有ATN（Amyloid/Tau/Neurodegeneration）分类体系，更重要的是为AD的分子分型提供了客观依据。特别是SMOC1等蛋白在疾病极早期就出现变化，为干预治疗提供了宝贵的时间窗。研究还揭示了不同AD亚型可能涉及迥异的病理机制：典型AD与tau介导的神经退行性变密切相关，而Aβ+/tau-亚型则可能涉及其他尚未明确的通路。这些发现将推动AD诊疗从"一刀切"模式向精准医学转变，为个体化治疗策略的开发奠定基础。

该研究的创新性体现在三个方面：技术上，Astral平台实现了CSF蛋白质组的无与伦比的覆盖深度；方法学上，DIA技术与机器学习的结合提高了生物标志物发现的可靠性；临床上，首次建立了可区分AD亚型的蛋白分类系统。这些突破使CSF蛋白质组分析向临床转化迈出了重要一步，未来有望成为AD精准诊疗的常规手段。