《Research》:Artificial Intelligence Decodes Brain Elemental Signatures to Stratify Aging and Neurological Diseases
编辑推荐:
摘要:大脑的元素组成随年龄增长发生渐进性改变,然而这些金属组(metallome)改变作为神经疾病的诊断生物标志物在很大程度上仍未得到充分探索。在此,研究人员对跨越健康衰老至14种神经系统疾病的1608名个体的配对脑脊液(CSF)和血清样本中的24种无机元素进
摘要:大脑的元素组成随年龄增长发生渐进性改变,然而这些金属组(metallome)改变作为神经疾病的诊断生物标志物在很大程度上仍未得到充分探索。在此,研究人员对跨越健康衰老至14种神经系统疾病的1608名个体的配对脑脊液(CSF)和血清样本中的24种无机元素进行了综合分析,这代表了迄今为止针对神经金属组学最大规模的系统性标准化队列。独特的是,该未筛选、连续入院的临床队列捕捉了神经表现的全面异质性,克服了专注于孤立疾病实体的传统病例对照设计的局限性。机器学习分析表明,衰老与独特的脑脊液元素特征相关,且独立于外周血变化,主要反映了与已建立的白蛋白商数(albumin quotient)测量值相关的血脑屏障(BBB)通透性改变。研究人员识别出两种主要的神经元素失调模式:一种主要与炎症性疾病的被动屏障介导渗漏一致,另一种主要指示神经退行性疾病的疾病内在金属稳态扰动。年龄分层分析显示,不同病理过程的元素特征在整个生命周期中演变方式不同。通过集成学习方法将元素特征与常规临床参数相结合,提高了所有测试神经类别的诊断准确性,确立了金属组学作为一种补充生物标志物类别,能够捕获正交的病理生理学信息。这些发现确立了脑金属组学作为一个新兴领域,其中人工智能揭示了神经衰老中存在的复杂多元素相互作用,为年龄相关神经疾病的精准医疗开辟了新途径。
研究背景与动机
神经系统疾病是全球致残的主要原因,然而目前的诊断精度仍然受限于临床症状的依赖,这些症状往往在不可逆的病理改变发生后才出现。尽管脑脊液(CSF)能提供中枢神经系统(CNS)病理生理的直接信息,但系统的元素谱分析一直受到样本量小和碎片化单病研究的严重限制。此外,人口老龄化和年龄相关的元素稳态变化可能混淆疾病特异性特征,但在整个成年生命周期中缺乏大规模、规范化的脑脊液元素数据。因此,研究人员旨在通过对大规模、标准化队列进行全面的诱导耦合等离子体质谱(ICP-MS)分析,以确立脑脊液元素组成作为神经疾病生物标志物的潜力。
该研究发表于《Research》期刊,旨在通过人工智能解码脑部元素特征,以解决现有诊断方法的滞后性和非特异性问题,并建立脑金属组学作为精准医学的新工具。
关键技术方法
研究人员采用了多中心、回顾性队列研究设计,样本来源于萨尔大学医院神经内科的1608名个体,包括415名神经无症状对照者和1193名代表14种不同神经系统疾病的患者。核心技术包括利用ICP-MS对配对血清和CSF样本中的24种无机元素进行定量;采用严格的年龄匹配程序以消除年龄混杂因素;应用多种机器学习算法(如Histogram Gradient Boosting, SAINT Transformer, CatBoost等)进行二元分类和特征重要性评估;并通过计算CSF与血清的元素比值(CSF-to-serum ratios)来评估血脑屏障(BBB)的通透性及中枢特异性转运机制。
研究结果
1. 与BBB通透性相关的CSF年龄相关性元素变化
研究人员量化了1608名个体的24种无机元素,发现元素浓度跨越6个数量级,且在CSF和血清间保持了保守的调节机制。通过Spearman等级相关分析和机器学习分类证实,衰老与CSF中磷(P)、硫(S)、铁(Fe)、铜(Cu)、锌(Zn)和铅(Pb)的显著升高密切相关,而这些变化独立于相应的血清趋势。进一步分析显示,这些变化与白蛋白商数(反映BBB通透性的指标)显著相关,证实了生理性衰老过程中BBB功能受损导致外周元素被动渗漏进入CNS,而非电解质(如Na、Ca)则因主动调节机制维持梯度而未受影响。
2. 神经疾病诱导独特的区室特异性元素扰动
对比分析显示,CSF对病理变化的敏感性显著高于血清(分别有23种和10种显著改变)。神经退行性疾病在CSF中表现为磷(P)、钾(K)、铬(Cr)、铁(Fe)、镍(Ni)、铜(Cu)、锌(Zn)等的积累;而神经炎症疾病则引起磷(P)、硫(S)、钾(K)、钴(Co)等的富集。精神病条件则在两个生物区室中均表现出极小的扰动。这表明不同的病理过程具有独特的元素失调指纹。
3. 用于神经疾病分层的CSF和血清元素特征
通过对14个诊断亚组的详细分析,研究人员发现了特定的元素特征。例如,阿尔茨海默病患者显示出溴(Br)的显著升高,而非阿尔茨海默氏痴呆和帕金森综合征则表现出硼(B)的耗竭。通过计算CSF-to-serum比值,研究消除了性别偏差,并揭示了疾病特异性的转运机制:炎症性条件表现为被动渗漏模式(如S、Cu、Zn比值升高),而帕金森病则表现为中枢特异性的硼(B)转运功能障碍(B比值降低)。
4. 协同元素和生物标志物增强神经疾病分类
机器学习分析表明,将元素生物标志物与常规生物学参数(如CRP、IgG、细胞计数等)相结合,能显著提高诊断性能。对于神经退行性疾病,联合方法的AUC达到0.744;对于神经炎症疾病,AUC更是提升至0.929。这证实了元素特征与常规参数捕获了互补而非冗余的病理生理信息。
结论与讨论
综上所述,该研究建立了迄今为止最大的标准化神经患者数据库,识别了区分神经炎症(BBB介导的被动扩散)和神经退行性疾病(疾病内在金属失调)的机制性不同通路。这些可重复的疾病相关扰动独立于系统性变异,并通过集成学习方法与常规临床参数结合时表现出互补的分类性能。
研究结论指出,元素谱分析可能为缺乏既定生物标志物的神经系统疾病(如帕金森病)提供特别的临床价值。未来需要通过前瞻性研究在多样化人群中验证这些发现,并评估其与生活方式和药物数据的关联。最终,这种经济高效的方法可能建立分层诊断策略的基础,通过可及的一线筛查指导患者进行适当的专科检测,从而潜在地提高诊断准确性和医疗资源分配效率。