《CNS Neuroscience & Therapeutics》：Multilayer Proteome and Metabolome-Based Validation Uncovers Combined Regulatory Roles and Predictive Values of 6 RNA Modifications and Cellular Senescence in Alzheimer's Disease
编辑推荐：
研究目标：已有研究揭示RNA修饰调控因子和细胞衰老可影响阿尔茨海默病（AD）进程。本研究探讨了AD脑内二者的协同机制。
研究方法：基于AD患者脑组织蛋白质组学，研究人员筛选出受细胞衰老相关蛋白和RNA修饰调控因子协同调控的患者亚型。利用转录组数据集验证并评
研究目标：已有研究揭示RNA修饰调控因子和细胞衰老可影响阿尔茨海默病（AD）进程。本研究探讨了AD脑内二者的协同机制。
研究方法：基于AD患者脑组织蛋白质组学，研究人员筛选出受细胞衰老相关蛋白和RNA修饰调控因子协同调控的患者亚型。利用转录组数据集验证并评估采用100种整合机器学习算法识别的20个核心蛋白（hub proteins）。最后，利用蛋白和代谢数据探索AD进展中代谢亚型和代谢通路的特征。
研究结果：诊断模型具有良好的诊断性能，内部数据集的受试者工作特征曲线下面积（AUC）平均值为0.885，转录组数据集的AUC平均值为0.89。风险评分可用于评估疾病进展及代谢特征的相应变化。最后，代谢分析表明AD进展过程中氨基酸和脂质代谢显著异常。
研究结论：研究人员通过蛋白质组学分析和基于机器学习的方法，揭示了RNA修饰调控因子和细胞衰老相关蛋白在AD发病机制及相关诊断标志物中的潜在作用。
论文解读文章
**研究背景与问题**
阿尔茨海默病（Alzheimer's disease, AD）是一种神经退行性疾病，其患病率随年龄增长而逐渐增加，主要临床表现为痴呆。已有研究表明，细胞衰老（cellular senescence）和RNA修饰（RNA modifications）在多种神经退行性疾病中普遍存在。然而，尽管在AD脑组织中观察到RNA修饰谱异常和衰老细胞积累，其潜在的分子机制仍不明确。特别是，多种RNA修饰（包括N1-甲基腺苷（m1A）、5-甲基胞嘧啶（m5C）、5-甲基尿嘧啶（m5U）、N6-甲基腺苷（m6A）、N6,2′-O-二甲基腺苷（m6Am）和N7-甲基鸟苷（m7G））与细胞衰老在AD中的联合作用尚未被系统研究。此外，代谢异常在AD进展中的作用也值得深入探究。因此，本研究旨在评估这六种RNA修饰与细胞衰老在AD中的协同调控作用，并开发基于蛋白质的诊断模型，同时探索代谢亚型特征。
**研究内容与结论**
研究人员整合了多层蛋白质组和代谢组数据，基于脑组织蛋白质组学分析，筛选出受细胞衰老相关蛋白和RNA修饰调控因子协同调控的AD患者亚型。利用100种机器学习算法识别出20个核心蛋白，并构建了名为CSRMP的诊断模型。该模型在内部数据集和外部转录组数据集中均表现出优异的诊断性能（平均AUC分别为0.885和0.89）。基于这20个蛋白构建的风险评分可有效评估疾病进展，并区分不同症状严重程度的患者。代谢分析进一步揭示，在AD进展过程中，氨基酸代谢和脂质代谢通路显著异常，尤其在脑组织和血清中均观察到组氨酸和磷脂酰胆碱代谢物的变化。该研究首次将六种RNA修饰调控因子与细胞衰老相关蛋白整合，探讨其对AD进展的联合影响，为理解AD复杂分子发病机制和识别潜在治疗靶点提供了新视角。论文发表在《CNS Neuroscience》。
**主要关键技术方法**
研究人员使用了多个公开数据集：Mount Sinai/JJ Peters VA Medical Center Brain Bank cohort（MSBB，脑组织蛋白质组数据，N=186）、Religious Orders Study and Memory and Aging Project（ROSMAP，蛋白质组及代谢数据，N=400）、Alzheimer's Disease Neuroimaging Initiative（ADNI，血清转录组数据，N=292）以及来自Gene Expression Omnibus（GEO）的9个转录组数据集。主要技术方法包括：采用K-means聚类识别患者亚型；使用加权基因共表达网络分析（WGCNA）识别疾病相关模块；利用13种机器学习技术共100种算法组合筛选核心蛋白；基于LASSO回归构建风险评分；应用基因集变异分析（GSVA）评估代谢通路活性；以及通过差异表达分析和差异丰度（DA）分析进行代谢物研究。
**研究结果**
**3.1 RNA修饰调控因子和细胞衰老相关蛋白与AD临床特征的相关性分析**
通过Pearson相关性分析，研究人员发现RNA修饰调控因子与细胞衰老相关蛋白之间存在强相关性，且部分蛋白与AD病理标志物（Braak分期、临床痴呆评分（CDR）和平均淀粉样斑块水平（PlaqueMean））显著相关。基于K-means聚类，AD患者被分为两个亚型：Cluster A和Cluster B。与Cluster B相比，Cluster A在Braak、CDR和PlaqueMean方面表现出更差的临床特征，提示Cluster A是与AD进展显著相关的亚型。
**3.2 探索影响疾病进展的特征分子**
通过WGCNA，研究人员识别出与CDR、Braak和PlaqueMean正相关的蓝色模块。该模块基因富集于突触囊泡运输、神经递质分泌和金属离子应答等通路。将蓝色模块蛋白与亚型差异表达蛋白取交集，得到105个目标蛋白，这些蛋白参与多种氨基酸代谢、脂质代谢和金属离子相关通路。
**3.3 机器学习参与AD诊断模型构建**
采用13种机器学习算法交叉验证，筛选出20个核心蛋白（包括PLCD1、ICAM1、ERBIN等）。基于这20个蛋白构建的CSRMP诊断模型在训练集AUC为0.93，测试集AUC为0.91。临床决策曲线和校准曲线显示模型具有良好的临床效益和预测准确性。与现有13套AD诊断特征集相比，该模型在多个外部数据集中表现稳定。
**3.4 基于核心蛋白构建和评估患者风险评分**
SHAP算法识别出对模型贡献最大的10个蛋白。基于20个蛋白加权表达值计算的风险评分，与CDR、Braak和PlaqueMean高度正相关。高风险组具有最高的衰老相关指数（SAI）评分及最显著疾病特征。在外部独立数据集中，高风险组个体具有更高的病理评分和更低的认知评分。
**3.5 基于高风险和低风险组的代谢蛋白水平分析**
高风险与低风险组间的差异蛋白富集于神经元投射发育、金属离子转运和代谢相关通路。GSVA分析显示，高风险组中大量脂质和氨基酸代谢通路被激活。基于GSVA评分聚类得到的两个代谢亚型中，GSVA_Cluster A更接近高风险组分布。
**3.6 AD患者脑和血清的代谢物分析**
脑组织差异代谢物分析鉴定出27个差异表达代谢物，富集于氨基酸和磷脂代谢通路。血清差异代谢物分析鉴定出88个差异代谢物，同样涉及甜菜碱生物合成、D-氨基酸代谢和甘油磷脂代谢。脑与血清共有的8个差异代谢物主要为组氨酸和磷脂酰胆碱代谢物。相关性分析显示，某些代谢物（如苏氨酸、犬尿氨酸）与多个核心蛋白存在显著关联。
**讨论与结论**
讨论部分指出，RNA修饰和细胞衰老是AD进展的关键驱动因素。Cluster A亚型在病理指标上呈现高值，表明二者协同促进疾病进展。20个核心蛋白中，VGF在AD中下调，而其余19个蛋白上调，提示其整体贡献。研究还发现铁死亡通路相关蛋白变化，推测异常RNA修饰和细胞衰老可能通过触发铁死亡驱动AD进展。代谢分析中组氨酸水平上调，以及磷脂酰胆碱代谢物的跨组织差异，提示血脑屏障（BBB）结构变化可能影响代谢交换。研究也存在局限性，主要基于生物信息学分析，缺乏体外细胞实验或体内动物模型的功能验证，且缺少大规模多中心临床队列支持。
结论部分翻译：研究人员整合了RNA修饰调控因子和细胞衰老相关蛋白，探索了不同AD亚型在协同调控下受病理过程影响的生物学通路和分子共表达网络。在此基础上，纳入转录组数据构建并验证了用于评估AD病理进展的诊断模型，为疾病早期检测和进展监测提供了潜在工具。多层次验证分析进一步揭示了AD患者的代谢紊乱，为阐明AD复杂分子发病机制和识别潜在治疗靶点提供了新的研究视角和理论基础。
