基于机器学习与血浆蛋白质组学预测帕金森病的14年早期预警模型研究

来自英国生物银行的研究团队通过分析2,937种血浆蛋白质，应用机器学习(ML)技术构建了帕金森病(PD)早期预测模型。研究发现446种蛋白质在患者组异常表达，其中23种标志物组合在发病前14年即显示预测价值(AUC 0.78-0.795)，并在独立队列中验证了16种蛋白的预测效能(AUC 0.76)。研究揭示了神经元死亡(Neuron Death)和β淀粉样蛋白清除(Amyloid-beta Clearance)等关键通路异常，为PD超早期诊断提供了新思路。

　　

在帕金森病(PD, Parkinson's disease)研究领域，非运动症状往往比典型运动障碍早出现20年。英国生物银行(UK Biobank)的突破性研究对2,937种血浆蛋白质进行深度分析，运用机器学习(ML)算法成功构建了可提前14年预测PD发病风险的模型。

研究发现，与健康对照相比，PD患者组存在446种差异表达蛋白质。通过特征筛选获得23种核心生物标志物组合，其预测效能令人瞩目——在发病前病例中曲线下面积(AUC)达0.78，已确诊病例中提升至0.795。研究团队进一步在独立队列中验证了16种共有蛋白质的预测价值，验证集AUC最高达0.76。

深入机制分析显示，PD相关通路早在诊断前9年就呈现异常激活，特别是神经元死亡(Neuron Death)和β淀粉样蛋白清除(Amyloid-beta Clearance)通路显著富集。通过共表达网络分析，研究者还发现了与疾病风险及诊断时间密切相关的蛋白质功能模块。

这项研究证实，血浆蛋白质组在PD临床诊断前14年就已出现特征性改变。这些发现不仅揭示了PD发展的分子机制，更开创了将机器学习应用于大规模无症状期蛋白质组数据的新范式，为神经退行性疾病的超早期预警提供了革命性工具。