基于贝叶斯混合指数族因子模型的神经退行性疾病亚型发现与进展轨迹解析

为解决神经疾病患者多模态生物标志物异质性难题，研究人员开发了混合指数族轨迹模型，整合神经影像(neuroimaging)、微小RNA(microRNA)测序和临床认知指标，通过贝叶斯马尔可夫链蒙特卡洛(MCMC)方法揭示了帕金森病(PD)的亚型特征与进展时序，为精准干预提供新范式。

　　

在神经退行性疾病研究中，患者群体在生物标志物和临床表现上存在显著异质性，这种差异源自疾病分期、个体特征及潜在亚型的综合作用。为破解这一难题，研究者构建了混合指数族因子模型(Bayesian Mixture of Exponential Family Factor Models)，巧妙融合连续型神经影像数据、离散型临床症状和有序认知评估指标。该模型通过低维潜变量表征多模态数据，并为每个混合组分配置亚型特异性参数，从而在异质群体中识别出具有共同特征的亚群。

模型创新性地刻画了疾病恶化的非线性轨迹，精确描绘各生物标志物(如α-突触核蛋白病理特征)的衰退时序。采用贝叶斯框架下的马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)采样算法，在帕金森病进展标志物倡议(Parkinson's Progression Markers Initiative, PPMI)数据集上验证了模型效能，不仅揭示了PD神经退变的亚型分类，更构建了从分子层面到临床表现的完整进展图谱。这项研究为神经退行性疾病的精准分型和个体化干预提供了可量化的计算生物学工具。