《Frontiers in Aging Neuroscience》：Plasma multi-miRNA models classify Alzheimer’s, Parkinson’s, and Lewy body dementia
编辑推荐：
摘要
引言：由于阿尔茨海默病（AD）、帕金森病（PD）和路易体痴呆（DLB）在临床表现上的相似性，鉴别这三种疾病十分困难。血浆生物标志物为神经影像学和脑脊液（CSF）分析提供了替代方案；然而，在使用当前临床检测方法对AD、PD和DLB进行鉴别诊断时仍存在局
摘要
引言：由于阿尔茨海默病（AD）、帕金森病（PD）和路易体痴呆（DLB）在临床表现上的相似性，鉴别这三种疾病十分困难。血浆生物标志物为神经影像学和脑脊液（CSF）分析提供了替代方案；然而，在使用当前临床检测方法对AD、PD和DLB进行鉴别诊断时仍存在局限性。方法：研究人员利用机器学习评估血浆miRNA在诊断AD与PD及DLB中的特异性。这项多中心研究检测了来自82名认知正常对照（NC）、87名AD、100名PD和20名DLB患者的人血浆中57种AD相关miRNA的表达。通过三种独立机器学习方法生成的预测模型，采用交叉验证的受试者工作特征曲线（ROC）[cvAUC（bootstrap偏差校正95% CI）]进行评估。此外，研究人员使用线性判别分析（LDA）对所有57种miRNA进行分析，以识别出最佳分离AD与PD+DLB参与者、以及DLB与AD+PD参与者的模型。进一步，通过靶基因预测和Ingenuity Pathway Analysis（IPA）鉴定这些miRNA的高度相关mRNA靶点。结果：对57种miRNA的单独评估识别出一个由10种miRNA组成的子集，这些miRNA更具AD特异性，以及23种与PD和/或DLB更相关的miRNA。使用10种AD特异性miRNA的岭逻辑回归预测模型在区分AD与PD及DLB（cvAUC = 0.77 [0.70, 0.83]）以及AD与PD（cvAUC = 0.79 [0.71, 0.85]）方面表现良好，但在区分AD与DLB（cvAUC = 0.58 [0.43, 0.79]）方面表现不佳。通过利用所有57种miRNA的数据和弹性网回归（ENR）开发预测模型，研究实现了AD与PD（cvAUC = 0.80 [0.72, 0.86]）以及DLB（cvAUC = 0.77 [0.64, 0.87]）的良好分离，其中6种miRNA（miR-19a-3p、miR-22-3p、miR-92b-3p、miR-101-3p、miR-143-3p、miR-423-5p）被确定为对这些模型最重要。线性判别分析（LDA）模型在AD与PD+DLB（cvAUC = 0.94 [0.87, 0.97]）、PD与AD+DLB（cvAUC = 0.88 [0.80, 0.92]）以及DLB与AD+PD（cvAUC = 0.85 [0.78, 0.89]）的分类中表现出色，其中miR-26a-5p和miR-146a-5p对AD与PD+DLB的分类最重要，miR-142-3p和miR-101-3p对DLB与AD+PD的分类最重要。对miR-26a-5p、miR-146a-5p、miR-142-3p、miR-101-3p进行的靶基因预测和IPA分析返回了与tau蛋白病、痴呆和运动障碍高度相关的mRNA靶点。讨论：这些数据表明，利用血浆miRNA表达数据进行预测建模可能改善AD、PD和DLB的鉴别诊断。
**论文解读：血浆多miRNA模型在阿尔茨海默病、帕金森病和路易体痴呆鉴别诊断中的应用**
**研究背景**
阿尔茨海默病（Alzheimer’s disease, AD）、帕金森病（Parkinson’s disease, PD）和路易体痴呆（Dementia with Lewy bodies, DLB）是三种常见的神经退行性疾病，临床上常因症状重叠（如认知障碍、运动症状）而难以鉴别。虽然脑脊液（CSF）α-突触核蛋白种子扩增实验和多巴胺转运体扫描有助于区分DLB与AD，但这些技术依赖专业设备和经验，可及性有限。血浆生物标志物因无创性和易获取性成为替代方案，但现有血浆指标（如p-tau217/Aβ42）在DLB患者中常呈阳性，反映许多患者存在淀粉样蛋白-tau和α-突触核蛋白共病理。因此，亟需能够区分AD、PD和DLB的血浆特异性生物标志物。miRNA作为小非编码RNA，可通过调控mRNA翻译影响神经可塑性、认知功能及Aβ、tau、α-突触核蛋白病理，且在脑脊液和血浆中可检测到疾病相关变化，具有生物标志物潜力。
**研究内容与结论**
研究人员开展了一项多中心研究，纳入289份血浆样本（82名认知正常对照NC、87名AD、100名PD、20名DLB），通过RT-qPCR检测57种AD相关miRNA的表达。利用AD特异性评分、弹性网回归（ENR）和线性判别分析（LDA）三种机器学习方法构建预测模型，并评估其对AD、PD、DLB的鉴别能力。结果显示：ENR模型基于6种miRNA（miR-19a-3p、miR-22-3p、miR-92b-3p、miR-101-3p、miR-143-3p、miR-423-5p）实现了AD与PD（cvAUC=0.80）及DLB（cvAUC=0.77）的良好分离；LDA模型进一步将AD与PD+DLB（cvAUC=0.94）、PD与AD+DLB（cvAUC=0.88）、DLB与AD+PD（cvAUC=0.85）出色区分，其中miR-26a-5p和miR-146a-5p对AD鉴别最重要，miR-142-3p和miR-101-3p对DLB鉴别最重要。靶基因预测和IPA通路分析显示，这些miRNA的mRNA靶点与tau蛋白病、痴呆、运动障碍及睡眠障碍相关（睡眠障碍关联仅基于靶预测，本研究未包含标准化睡眠问卷）。该研究于《Frontiers in Aging Neuroscience》发表，表明血浆多miRNA模型可为AD、PD、DLB的鉴别诊断提供新信息。
**关键技术方法**
1. **样本来源**：血浆样本来自阿尔茨海默病神经影像学倡议2（ADNI 2）、俄勒冈阿尔茨海默病研究中心（OADRC）和退伍军人健康管理局（VHA）皮吉特湾医疗系统队列。
2. **miRNA定量**：使用RT-qPCR（TaqMan Advanced miRNA Human Custom Cards）检测64种miRNA（57种AD相关+4种内参+2种阴性对照+1种外源加标），Cq值经外源校准、批次校正和内参归一化处理。
3. **机器学习建模**：包括弹性网回归（ENR）和线性判别分析（LDA），通过7折交叉验证ROC曲线（cvAUC）评估模型性能，并调整年龄和性别协变量。
4. **靶基因预测与通路分析**：使用TargetScan 7.2和miRDB预测靶mRNA，Ingenuity Pathway Analysis（IPA）进行通路富集分析（排除癌症相关组织）。
（注：省略试剂、培养和质粒构建步骤；样本队列来源已注明）
**研究结果**
**3.1 参与者人口统计学与临床特征**
通过分析289名参与者（NC、AD、PD、DLB）的年龄、性别和认知评分（MMSE或MoCA转换），发现各组在年龄和性别上存在显著差异（p<0.001和p=0.011），所有分析均调整了这些因素。AD和DLB患者的MMSE评分显著低于NC和PD，而AD与DLB之间差异不显著。
**3.2 57种AD相关miRNA对AD、PD、DLB的特异性**
通过计算每个miRNA的AD特异性评分（综合AD vs. NC、PD vs. NC、DLB vs. NC的z-score），将57种miRNA分类为：23种更特异于PD/DLB（图2A蓝色）、10种更特异于AD（图2A橙色）、24种非特异性（图2A灰色）。例如，miR-194-5p在PD中表达升高明显，miR-19a-3p在AD中表达升高，而miR-423-5p在三种疾病中均改变（非特异性）。密度图显示各组表达分布差异。
**3.3 AD、PD、DLB中血浆miRNA表达的性别依赖性效应**
探索性分析发现，女性子队列中大多数miRNA（44/57）的组间均值绝对差异（AD、PD、DLB间）大于男性（均值差约3倍），但此结果主要由DLB组仅2名女性驱动，排除DLB后差异显著减弱（男女性比率从3.04降至1.07），提示可能为DLB特异性现象或不可泛化。
**3.4 使用AD特异性miRNA对AD vs. PD和/或DLB的分类性能**
基于10种AD特异性miRNA的岭回归模型：AD vs. NC（cvAUC=0.75）、AD vs. PD（cvAUC=0.79）、AD vs. PD+DLB（cvAUC=0.77），但AD vs. DLB较差（cvAUC=0.58）。对比先前报道的miR-23a-3p/miR-423-5p比值模型：该模型对AD vs. NC（cvAUC=0.75）与AD特异性模型相当，但对PD vs. NC（cvAUC=0.86）和DLB vs. NC（cvAUC=0.88）表现更强，表明其捕获了神经退行性通用信息而非疾病特异性。
**3.5 使用弹性网回归预测模型实现AD vs. PD和/或DLB的稳健分类**
采用ENR和所有57种miRNA的模型：AD vs. NC（cvAUC=0.78）、PD vs. NC（0.83）、DLB vs. NC（0.81），且AD vs. PD（0.80）、AD vs. DLB（0.77）、AD vs. PD+DLB（0.78）。通过散点图（AD vs. NC z-score vs. AD vs. PD+DLB重要性）识别出6种关键miRNA（miR-19a-3p、miR-22-3p、miR-92b-3p、miR-101-3p、miR-143-3p、miR-423-5p），仅用这6种miRNA的模型性能与57种模型相当（AUC~0.8）。IPA分析显示这些miRNA靶点涉及的顶部神经疾病功能包括认知障碍、进行性神经疾病和运动障碍，最重要的经典通路为突触发生信号通路。
**3.6 使用血浆多miRNA模型对疾病个体的判别**
LDA分析（所有57种miRNA）生成二维空间：第一判别函数（LD1）最佳分离AD与PD+DLB（cvAUC=0.94），第二判别函数（LD2）最佳分离DLB与AD+PD（cvAUC=0.85）。miR-26a-5p和miR-146a-5p对LD1贡献最大（AD特异性），miR-142-3p和miR-101-3p对LD2贡献最大（DLB特异性）。参与者的MMSE评分与判别分类无明确关联，表明这些miRNA可能与认知状态无关地反映疾病类型。靶预测和IPA分析表明，AD相关miRNA（miR-26a-5p、miR-146a-5p）的靶点富含tau蛋白病、痴呆等，而DLB相关miRNA（miR-142-3p、miR-101-3p）的靶点富含基底节疾病、运动障碍、睡眠障碍等，重叠有限。
**讨论与结论**
本研究表明，血浆多miRNA模型（通过ENR和LDA）可有效区分AD、PD和DLB，优于仅针对AD vs. NC的单一模型。研究结论部分（Discussion最后一段）翻译如下：
“总之，我们的发现和既往研究支持血浆miRNA可能有助于鉴别诊断和/或作为AD、PD、DLB临床特征的生物标志物。未来研究将血浆miRNA模型与p-tau217/Aβ42血浆比值测量相结合，可能识别出比单独检测性能更优的血液检测方法。本研究还提示性别对血浆miRNA有潜在影响，但受限于样本量无法可靠估计。此外，未分析血浆miRNA模型与心血管疾病等共病的关系。尽管PD组认知功能范围广泛，但LDA模型在PD亚组（PD-NCI、PD-MCI、PDD）中的判别性能相似，且一名最初诊断为PD的患者后来被诊断为进行性核上性麻痹，进一步说明血浆miRNA可补充临床诊断信息。未来需在更大规模、更具代表性的患者群体中验证这些预测模型。”
