《Computational Biology and Chemistry》：AI-Driven Transcriptomics for Neurodegenerative Disease Research: A Systematic Review
编辑推荐：
•系统综述：AI 在 NDDs 的批量、单细胞及空间转录组学中的应用映射•传统机器学习在基于血液的生物标志物发现中实现了较高准确率（AUC 0.72–0.98）•深度学习模型可捕捉非线性疾病轨迹与纵向亚型•空间图神经网络成功解析了细胞生态位与微环境•识别出关键的转化瓶颈，并规
- •
系统综述：AI 在 NDDs 的批量、单细胞及空间转录组学中的应用映射
- •
传统机器学习在基于血液的生物标志物发现中实现了较高准确率（AUC 0.72–0.98）
- •
深度学习模型可捕捉非线性疾病轨迹与纵向亚型
- •
空间图神经网络成功解析了细胞生态位与微环境
- •
识别出关键的转化瓶颈，并规划未来基础模型的发展路径
引言
NDDs（神经退行性疾病）是一类以选择性易感神经元群体进行性、不可逆性丧失为特征的疾病。这种进行性衰退不同于由急性代谢或毒性损伤导致的静态神经元丧失。退行性变化通常累及特定神经回路或区域，导致认知、运动及感觉功能的逐渐受损。神经退行性疾病的例子包括阿尔茨海默病（AD）(Holtzman 等，2011；Yadav 等，2024)、帕金森病（PD)、肌萎缩侧索硬化症（ALS)和亨廷顿病（HD)。这些疾病往往由复杂的遗传、分子和环境相互作用引起，其潜在机制涉及蛋白质错误折叠、神经炎症以及细胞稳态受损（Dugger 和 Dickson, 2017)。
2021 年，《柳叶刀神经病学》发表的一项突破性研究揭示了神经系统疾病的全球性巨大影响，估计影响约 34 亿人——占世界人口的显著比例（43%。令人痛心的是，1110 万例死亡归因于这些疾病，它们已成为全球残疾和健康问题的首要原因，甚至超过了心血管疾病。这表明神经系统疾病构成了严峻的公共卫生危机，在全球范围内造成了高达 4.43 亿个健康生命年的损失（Steinmetz 等，2024)。NDDs 还给患者、患者家庭及其照护者带来了临床和经济负担（Pallanti 和 Salerno, 2023；Wang 等，2024)。
NDDs 的划分方式有多种，一种常见的方法是基于主要临床特征进行分类，这在症状引导诊断的临床环境中尤其有用（表 1）（Dugger 和 Dickson, 2017；Lee 等，2022)。在此框架下，NDDs 可按主要症状分组，如痴呆症（例如 AD、额颞叶痴呆）、帕金森综合征（例如 PD、多系统萎缩）以及运动神经元疾病（例如 ALS)（Dugger 和 Dickson, 2017)。另一种重要的分类方法基于神经退行性病变的解剖学分布，关注神经系统受累的区域（Dugger 和 Dickson, 2017；Huseby 等，2023)。例如，额颞叶退行性病变（FTLD)主要影响额叶和颞叶；锥体外系疾病累及基底节，导致运动障碍（例如 PD、HD)；脊髓小脑退行性病变则影响小脑和脊髓，导致协调功能缺陷（Huseby 等，2023)。
一种较新且日益相关的分类方法是根据 NDDs 的主要分子异常进行划分，突出与疾病进展相关的特定蛋白或分子功能障碍（Dugger 和 Dickson, 2017)。这包括淀粉样变性（以蛋白质异常为特征）、突触核蛋白病（以异常 α-突触核蛋白积聚为特征，例如 PD、路易体痴呆）、tau 蛋白病（由异常 tau 蛋白驱动，例如阿尔茨海默病、伴 tau 包涵体的额颞叶痴呆）以及 TDP-43 蛋白病（以异常 TDP-43 蛋白为标志，例如 ALS、伴 TDP-43 包涵体的额颞叶痴呆）（图 1）（Dugger 和 Dickson, 2017；Suk 和 Rousseaux, 2020)。
除上述传统分类外，还提出了其他框架。基于病因的分类考虑疾病是遗传性/家族性（例如 HD、某些形式的 AD 和 ALS)、散发性（缺乏明确的遗传关联）还是受环境因素影响（ ongoing 研究正在探索可能的环境诱因）（Yadav 等，2024；Huseby 等，2023；Suk 和 Rousseaux, 2020)。疾病进展速度是另一个考量因素，例如朊病毒病和侵袭性 ALS 进展迅速，而典型 AD 和 PD 则进展缓慢（Suk 和 Rousseaux, 2020；Schulz-Schaeffer, 2010)。还可按疾病特异性损伤的细胞类型进行分组。例如，ALS 主要攻击运动神经元，而阿尔茨海默病则针对海马和皮层的神经元（Holtzman 等，2011；Huseby 等，2023；Suk 和 Rousseaux, 2020)。最近的分类方案已发展为整合多组学视角，强调受损的细胞通路，如蛋白质稳态失效、线粒体功能障碍及神经炎症（Huseby 等，2023；Piwecka 等，2023)。此外，纳入遗传风险架构和纵向临床阶段反映了新兴共识：NDDs 最好被表征为一个连续谱，而非离散的、孤立的病理状态（Dugger 和 Dickson, 2017；Hansson, 2021)。
章节摘要
目标与人工智能的角色
机器学习和深度学习正在变革生物信息学的各个领域，包括基因组学、蛋白质组学和系统生物学。这些技术已成功应用于多个领域，如蛋白质结构预测、致病突变鉴定以及个性化疗法设计。机器学习和深度学习在动物实验和植物生物学数据分析中也发挥了关键作用，为疾病机制、药物发现和农业优化提供了新见解（Mishra 等
概述与临床必要性
蓬勃发展的神经退行性疾病研究持续寻求先进的诊断与预后工具，转录组学以及机器学习（ML)或深度学习（DL)已成为特别具有前景的途径。阿尔茨海默病（AD)和帕金森病（PD)等疾病的固有复杂性和异质性给传统诊断方法带来重大挑战，这些方法往往昂贵、耗时或具有侵入性，且可能仅提供确定性
结论与未来方向
本综述全面概述了应用于 NDDs 研究的机器学习和深度学习方法。与传统机器学习方法相比，深度学习模型具有显著优势，能够实现自动化特征提取并捕捉高维数据集中的复杂非线性关系。尽管具备多项优势，深度学习模型仍面临数据集限制、模型可解释性以及实际部署约束等挑战。传统机器学习技术则能够在……
资金与财政支持
作者声明，在撰写本综述期间未从公共、商业或非营利领域的任何资助机构获得专门拨款。
作者贡献
A.T. 和 N.K. 提出了综述构想；A.K.Y. 和 A.T. 进行了文献检索、数据提取并起草了手稿；N.K. 提供了空间转录组学方法、机器学习架构方面的专业知识，并对手稿进行了关键性修订。标题和摘要筛选由作者共同完成，资格评定结果通过共识讨论确定。未进行正式的独立重复筛选及评分者间信度统计。
手稿制备过程中生成式 AI 及 AI 辅助技术的声明
现就题为"AI 驱动的神经退行性疾病研究转录组学：系统综述"的手稿制备过程提供声明。
我保证所有创意、研究发现、数据
数据与材料可用性
本研究未生成新的实证数据集。所有文献检索策略、提取的研究特征及技术对比矩阵均在正文及补充材料中完整披露。
方案与注册
本系统文献综述按照 PRISMA 2020 定性综合推荐进行设计与报告。由于本综述评估的是计算与生物信息学方法而非健康干预结果，研究启动前未在 PROSPERO 进行正式注册。
CRediT 作者贡献声明
Anushree Tripathi：构思。Nilesh Kumar：撰写——审阅与编辑。Anoop Kumar Yadav：撰写——原始草稿。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系，这些可能影响本论文所报告的工作。
Dr. Anushree Tripathi 现为印度帕塔纳国立理工学院（NITP)计算机科学与工程系教职人员。她曾在印度科学研究所（IISc)班加罗尔从事博士后研究。已发表 16 篇研究论文，在约 10 场国际及国内会议上展示其研究成果，多次赴美和意大利进行讲座并参与科学讨论。她曾荣获国家科学院
Anushree Tripathi|Anoop Kumar Yadav|Nilesh Kumar
