脊髓小脑性共济失调8型的临床表型及CTG重复序列相关表现的全面特征分析

《The Cerebellum》：Comprehensive Characterization of Clinical Phenotypes and CTG Repeat-Associated Manifestations in Spinocerebellar Ataxia Type 8

　　

摘要

8型脊髓小脑性共济失调（SCA8）传统上被视为一类小脑综合征，但最新研究显示其存在显著的表型异质性。遗传负荷与临床严重程度之间的复杂非线性关系至今仍缺乏深入研究。我们运用先进的数据挖掘技术对172名SCA8患者进行了分析。该研究群体拥有完整的临床人口统计数据，其中171名患者的基因重复序列数也已被精确测定。通过K均值聚类法识别出不同的患者亚型，高斯图模型则用于呈现症状的关联结构。我们还构建了探索性机器学习模型（决策树/随机森林），并使用广义加性模型来描述基因型与表型之间的非线性动态关系。聚类分析结果分为三种不同的表型：重度多系统受累型（12%）、轻度/非典型型（38%）以及典型小脑型（50%）。网络分析表明，共济失调是症状的核心，而眼动障碍则起到了连接不同症状群的作用。基于机器学习的决策树仅通过三个临床指标（锥体束征、言语障碍和反射亢进）即可对患者进行分类，且其预测性能良好（AUC值在0.82至0.89之间），这些预测模式与基因重复序列长度无关。此外，广义加性模型分析还发现，在大约100次CTG重复序列处可能存在一个非线性的转折点。这一有助提出假设的发现为重度患者群体中“低基因重复序列/高临床严重程度”这一矛盾现象提供了初步的数学解释。SCA8实际上是一种多维度的谱系性疾病，而非单一类型的小脑疾病。我们的探索性诊断建模为理解症状的预测因素提供了计算框架，而非线性建模则为揭示疾病的病理异质性带来了新的见解，为未来实现个性化治疗及设计临床试验奠定了基础。