UnCOT-AD：基于非配对跨组学翻译的阿尔茨海默病多组学整合预测新方法

本研究针对阿尔茨海默病(AD)预测中多组学数据配对稀缺的难题，开发了首个非配对跨组学翻译框架UnCOT-AD。通过耦合变分自编码器(VAE)和新型循环一致性机制，实现了基因表达与DNA甲基化等组学数据的双向精准转换，结合对抗训练和对比学习捕获疾病特异性模式。实验表明该方法在AD预测准确率(94.98%)和跨组学翻译性能(CCL 0.0476)上均达到领先水平，为复杂疾病的多组学研究提供了创新工具。

　　

随着全球老龄化加剧，阿尔茨海默病(AD)已成为严峻的公共卫生挑战。这种神经退行性疾病以认知功能进行性恶化为特征，目前尚无根治方法。传统诊断主要依赖临床症状和单一组学数据，难以捕捉疾病复杂的分子机制。虽然高通量测序技术的发展带来了转录组、表观基因组等多组学数据，但一个关键瓶颈在于：不同组学数据往往来自不同样本群体，这种"非配对"特性导致现有方法不得不使用生物学意义存疑的人工配对数据，严重影响预测准确性。

针对这一挑战，Abrar Rahman Abir等研究者在《Briefings in Bioinformatics》发表的研究中，提出了名为UnCOT-AD的创新框架。该研究首次实现了非配对跨组学翻译，通过深度学习技术突破数据配对的限制，为AD的多组学研究开辟了新途径。

研究采用三个关键技术模块：1）基于耦合变分自编码器(VAE)的跨组学翻译模块，利用来自ROSMAP和ADNI队列的696例RNA-seq、142例DNA甲基化和89例蛋白质组学数据；2）结合循环一致性损失(CCL)和对抗训练的优化策略；3）动态权重融合的多组学预测模块。通过TCGA BRCA队列验证跨组学翻译性能。

研究结果部分，"UnCOT-AD improves AD prediction by integrating multi-omics data over single omics"表明，整合基因表达与预测DNA甲基化数据时，模型准确率高达94.98%，较单组学基线提升7.63%。F1分数和MCC分别达到0.9594和0.8950，证实多组学整合的优越性。

"AD prediction performance comparison with baseline models"章节显示，UnCOT-AD在基因-DNA甲基化组合上以94.98%准确率显著优于Abbas等(86.89%)、Mahendran等(84.02%)和Park等(86.11%)的基线模型。将基线模型改用本研究生成的配对数据后，性能平均提升5.2%，印证了跨组学翻译的有效性。

"Cross-omics translation performance"部分创新性地提出Fréchet Omics Distance(FOD)评估指标。在基因→蛋白质翻译任务中，UnCOT-AD的FOD为0.5404，远低于CycleGAN(1.2543)和自编码器基线(2.2015)。在配对数据测试中，其基因-蛋白质互译的Pearson相关系数(0.33/0.52)超越BABEL和Polarbear等专用模型。

"UnCOT-AD preserves biologically relevant AD markers in translated omics profiles"通过生物标志物分析发现，翻译后的组学数据成功保留了APP、GFAP等关键AD相关基因的表达特征，DNA甲基化模式也准确反映了HOXA等基因簇的表观遗传变化，证实生成数据的生物学合理性。

该研究的突破性在于：首次实现非配对数据的跨组学翻译，解决了多组学整合的核心瓶颈；提出的循环一致性和对抗训练策略保障了生成数据的生物学可信度；动态权重融合机制有效捕捉了不同组学的互补信息。这些创新不仅将AD预测准确率提升至新高度，其方法论更可推广至其他复杂疾病研究。未来通过纳入代谢组等更多组学维度，有望进一步揭示AD的分子网络机制。研究开源的代码框架(https:/github.com/abrarrahmanabir/UnCOT-AD)为领域发展提供了重要工具。