近日，東南大學附屬中大醫(yī)院醫(yī)學檢驗科主任吳國球教授團隊圍繞阿爾茨海默病（Alzheimer’s disease，AD）早期篩查與數(shù)字化分型管理需求，在國際權威數(shù)字醫(yī)學期刊《npj Digital Medicine》（中科院一區(qū)Top期刊）發(fā)表題為“A Machine Learning–Enabled Blood Transcriptomic Signature for Digital Diagnosis and Subtyping of Alzheimer’s Disease”的研究成果。該研究聚焦“血液樣本實現(xiàn)AD早期識別與分型”的臨床痛點，為AD的無創(chuàng)篩查與數(shù)字化分層管理提供了新的解決方案。東南大學醫(yī)學院博士研究生馬碩、碩士研究生陳達文為共同第一作者，吳國球教授為通訊作者。

據(jù)介紹，AD早期識別對延緩疾病進展與優(yōu)化診療路徑至關重要，但傳統(tǒng)檢測在大規(guī)模篩查場景中常受侵入性、高成本與設備普及性限制。為此，吳國球教授團隊以“乳酸化（lactylation）相關分子網絡”為機制切入點，整合多隊列轉錄組數(shù)據(jù)并建立標準化機器學習建模流程（z-score標準化、隨機森林篩選、plsRglm建模及10折交叉驗證），構建了可解釋的血液轉錄組風險評分—乳酸化衍生評分（Lactylation-Derived Score，LDS），并在外部腦轉錄組數(shù)據(jù)集及獨立臨床血漿隊列（n=540）中完成驗證。其創(chuàng)新在于以機制驅動提煉出便于臨床轉化的小面板（7基因：GFAP、GTF2I、RB1、PFKM、BCLAF1、SPR、SMARCC1），并與血漿p-tau181/217進行互補融合以提升實用性。研究結果顯示，LDS在訓練隊列區(qū)分AD與正常對照（NC）的AUC為0.897，在獨立臨床血漿隊列中AUC為0.772；聯(lián)合LDS+p-tau181+p-tau217后，三指標模型在獨立臨床血漿隊列中的AUC提升至0.859；同時LDS對AT?個體具有分層識別能力（AUC 0.861），并為前驅期人群分層提供線索（基于LDS基因衍生的五基因分類器對aMCI的AUC為0.809）。

LDS在AD中的開發(fā)與轉化應用總體工作流程

該研究為“血液樣本即可實現(xiàn)AD數(shù)字化診斷與分型”提供了系統(tǒng)證據(jù)：一方面有望支持記憶門診分診、體檢/社區(qū)篩查與隨訪監(jiān)測中的風險評估與分層管理，提升早期識別的可及性；另一方面，通過與成熟血漿蛋白標志物的聯(lián)合策略，可在更貼近真實臨床流程的條件下獲得更穩(wěn)健的判別能力，為推進AD早篩與精準干預提供新的工具與思路。（通訊員趙峰峰 編輯崔玉艷 校對蔡逸秋編審程守勤）