《Bioengineering》：APOEFormer: A Multimodal AI Model for APOE4 Carrier Status Prediction and Phenotype Characterization in Alzheimer’s Disease
编辑推荐：
载脂蛋白E ε4（APOE4）等位基因是迟发性阿尔茨海默病（Alzheimer’s disease，AD）——最常见的痴呆形式——最强的遗传风险因素。APOE4携带者在临床症状出现前数十年即可表现出脑血管和代谢功能障碍、脑结构改变以及肠道微生物组变化。更好地理
载脂蛋白E ε4（APOE4）等位基因是迟发性阿尔茨海默病（Alzheimer’s disease，AD）——最常见的痴呆形式——最强的遗传风险因素。APOE4携带者在临床症状出现前数十年即可表现出脑血管和代谢功能障碍、脑结构改变以及肠道微生物组变化。更好地理解这些生理变化的早期表现，对于制定及时的AD干预措施和风险降低方案至关重要。涵盖多种APOE ε4和AD相关生物标志物的多模态数据集，为了解APOE4表型提供了宝贵机会；然而，这些数据集常因样本量小和高度异质性而带来分析挑战。在此，研究人员提出了一种两阶段多模态人工智能模型（APOEFormer），该模型整合血液代谢物、脑血管和结构磁共振成像（magnetic resonance imaging，MRI）、微生物组谱以及其他临床和人口统计学数据，以预测APOE4等位基因状态。在第一阶段，使用模态特定编码器生成输入数据模态的初始表示，并通过预训练期间的自监督对比学习在共享潜在空间中对齐这些表示。对比学习目标通过利用跨模态关系，鼓励学习跨模态的信息丰富且一致的表示。在第二阶段，预训练表示被用作多模态Transformer的输入，该Transformer整合跨模态信息以预测一个关键AD风险遗传变异（APOE4）。在10次使用不同训练-验证-测试划分的重复实验运行中，APOEFormer以75%的平均预测准确率预测个体是否携带APOE4等位基因，证明了在有限样本量下的稳健性能。对预测模型的事后扰动分析揭示了对APOE4表型驱动成分的宝贵见解——包括与APOE4密切相关的关键血液生物标志物和脑区。
**研究背景与问题**
阿尔茨海默病（Alzheimer’s disease, AD）是最常见的痴呆形式。载脂蛋白E ε4等位基因（APOE4）是迟发性AD最强的遗传风险因素，单个APOE4等位基因使杂合子携带者患病风险增加3–7倍，纯合子携带者风险增加高达12倍。APOE4携带者在临床症状出现前数十年即出现脑血管和代谢功能障碍、脑结构改变及肠道微生物组变化。理解这些多模态表型的早期表现对开发及时干预措施至关重要。然而，多模态数据集常因样本量小、异质性高而难以分析。传统机器学习方法依赖手工特征和浅层融合策略，难以处理高维输入、有限样本及复杂非线性交互；现有深度多模态模型又因仅依赖监督训练而在标注稀缺时易于过拟合。因此，需要一种能有效整合异质生物医学数据并在小样本下稳健预测APOE4状态的方法。
**研究内容与意义**
研究人员提出了APOEFormer，一种两阶段多模态人工智能（artificial intelligence, AI）框架，用于预测APOE4携带状态并表征相关表型。该框架结合对比表示学习与基于注意力的多模态集成，整合结构MRI、灌注成像、脑血流（cerebral blood flow, CBF）值、血液代谢物、炎症标志物、血常规（complete blood count, CBC）指标、微生物组谱及人口统计学/临床变量。在10次重复实验数据划分中，APOEFormer平均预测准确率达75%，并优于常规机器学习基线。事后扰动分析识别出影响预测的关键血液生物标志物和脑区，为AD脆弱性提供了有价值见解。该框架为有限样本下多模态学习提供了可扩展的范例，可推广至更广泛疾病相关生物标志物分类任务。
**关键方法**
研究数据来自EXPRESS试点试验，纳入23名认知正常中年人，包括9名APOE4携带者和14名非携带者。关键技术方法如下：（1）使用CLIP ViT-B/32视觉编码器逐切片编码MRI和灌注图像，采用冻结大部分参数+渐进解冻策略；（2）使用多层感知机（multilayer perceptron, MLP）编码非影像模态（微生物组、CBC、代谢物、CBF值、人口统计学变量）；（3）采用InfoNCE对比学习在预训练阶段对齐各模态嵌入到共享潜在空间；（4）使用堆叠自注意力的多模态Transformer融合模态token，通过注意力池化得到受试者级表示并进行二分类；（5）采用焦点损失（focal loss）处理类别不平衡；（6）解释分析采用SHAP（SHapley Additive exPlanations）和基于扰动的特征重要性评估。
**研究结果**
**3.1 预测APOE4的准确性**
在10次不同训练-验证-测试划分中，测试集采用分层抽样保证APOE4阳性与阴性平衡。APOEFormer平均测试准确率为75.0%（范围50%–100%），平均灵敏度0.5500，特异度0.9500，平衡准确率0.7500，F1分数0.5833，AUROC 0.7250，AUPRC 0.8500。受试者层面汇总后，23名患者中18名被正确分类（78.3%），显著高于50%机会水平（p=0.0053）。与多数类基线（60.9%）相比差异未达统计学显著（McNemar p=0.2188）。
**3.2 与常规机器学习基线的比较**
在相同10次数据划分下，APOEFormer与逻辑回归、MLP和随机森林比较。APOEFormer在平均准确率（0.7500）、F1分数（0.5833）、AUROC（0.7250）和AUPRC（0.8500）上均为最高，表明简单特征拼接结合标准分类器无法复现其性能。
**3.3 对比预训练的消融研究**
去除对比预训练后，相同架构的平均准确率从75.0%降至57.5%，F1从0.5833降至0.4033，AUROC从0.7250降至0.5250，AUPRC从0.8500降至0.7000。结果表明对比预训练在小样本场景下提供了一致的性能提升。
**3.4 单一模态的预测能力**
单独使用每种模态训练模型时，血液代谢物准确率最高（62%），结构MRI其次（55%），其他模态（炎症标志物、CBC、微生物组、人口统计学）准确率在48%–50%之间，CBF值最低（42%）。没有单一模态达到多模态集成的75%准确率，支持整合多模态信息的必要性。
**3.5 SHAP模态重要性分析**
在多模态集成模型中，血液代谢物平均SHAP重要性最高（0.449），CBC（0.357）、微生物组（0.346）和炎症标志物（0.339）较高，神经影像模态呈中等重要性。这表明血液来源的信号是预测主要驱动因素，影像模态起补充和情境化作用。
**3.6 与APOE4相关的脑区识别**
基于结构MRI的尺寸归一化扰动分析，排名靠前的脑区包括扣带回峡部（白质）、三角部（白质）、左侧壳核、颞极白质和喙侧前扣带回白质等。这些区域分布于内侧皮层、额叶、颞叶、皮层下核团及白质束，表明APOE4预测依赖于分布式脑结构信息，而非单一区域。
**3.7 关键血液代谢物的识别**
扰动分析显示，肌酐、肌醇、果糖-6-磷酸、琥珀酸、苹果酸、甘油等代谢物具有较高重要性，涉及能量代谢、糖酵解、三羧酸循环、氨基酸周转和核苷酸合成等通路，反映系统性代谢状态与APOE4相关风险存在关联。
**3.8 关键血常规指标的识别**
在血常规及实验室变量中，估算肾小球滤过率（estimated glomerular filtration rate, GFR）、血尿素氮（blood urea nitrogen, BUN）、阴离子间隙、天冬氨酸转氨酶（aspartate aminotransferase, AST）、丙氨酸转氨酶（alanine aminotransferase, ALT）、血红蛋白、血小板计数（platelet count, PLT）、红细胞分布宽度（red cell distribution width, RDW）等特征具有较高重要性，涉及肾脏、肝脏、血液学和免疫系统，说明APOE4预测信号来自多系统生理状态。
**讨论与结论**
讨论部分强调，多模态生物整合对APOE4预测和表征至关重要。血液代谢物和炎症标志物是主要预测来源，影像特征提供互补的解剖学背景。扰动分析显示，影响预测的特征跨越能量代谢、氨基酸转换、肾脏和肝功能、血液学及免疫指标，表明预测信号源于分布式系统生理学，而非单一生物标志物。局限性包括：样本量仅23例导致统计功效有限；重复数据划分来自同一队列，不构成独立验证；扰动分析不能确立因果关系；重要性排名未经多重比较校正，应视为探索性发现。
结论部分翻译如下：在本研究中，研究人员提出了APOEFormer，一种结合对比表示学习和Transformer集成的两阶段多模态学习框架，用于表征与APOE4携带状态相关的表型模式。通过整合结构MRI、灌注成像、血液生物标志物、代谢组谱、微生物组数据和人口统计学/临床变量，APOEFormer在10次重复患者级数据划分中实现了75.0%的平均分类准确率。与所实施的常规机器学习基线相比，APOEFormer在平均准确率、F1分数、AUROC和AUPRC上均更高。对比预训练消融进一步证明了有预训练的模型比无预训练的模型具有更高的经验性能。除预测外，可解释性分析识别出多生物域（包括神经影像、代谢、血液学及其他系统生理特征）的贡献。这些发现支持使用多模态学习作为研究遗传风险相关表型模式的工具。需要强调的是，APOEFormer并非
