南开大学JACS:超交叉反应识别实现阿尔茨海默病的临床前精准诊断
南开大学Gao Dongsheng团队在JACS发表研究,开发了一种机器学习赋能的超分子传感阵列。该阵列通过解码脑脊液整体分子指纹,在AppNL-G-F转基因大鼠模型中于症状出现前4个月实现100%诊断准确率。在76例人脑脊液样本验证中,线性判别分析对三组实现100%交叉验证分离,在主观认知下降阶段识别准确率达97%。
该研究在JACS发表,展示了超分子传感阵列在AD大鼠模型及临床样本中的早期诊断性能。
1分钟前 BioMED科技 BioMED科技 发表于上海
该研究开发了一种机器学习赋能的超分子传感阵列,通过解码脑脊液的整体分子指纹,实现了对阿尔茨海默病的早期、准确诊断。
背景介绍
阿尔茨海默病(AD)具有长达数十年的无症状病程,然而临床确诊往往发生在不可逆的神经损伤已经出现之后,这严重限制了治疗窗口,也是其高死亡率的重要成因。正电子发射断层成像(PET)虽可在轻度认知障碍(MCI)出现之前检出脑内β-淀粉样蛋白(Aβ)斑块沉积,但PET阳性的判定阈值常滞后于体液中生化波动的起始时间数年。因此,对脑脊液(CSF)、血液、泪液等体液中的生物标志物进行分析,被认为是通往早期干预最直接的路径。目前体液诊断主要依赖抗体或适配体等高特异性识别受体,去检测单一的经典靶标(如Aβ与Tau)。然而早期AD的生物学现实十分复杂:标志物浓度低、波动细微、患者间异质性高;同时,其与脑淀粉样血管病、路易体痴呆等中枢神经系统疾病存在病理重叠,常常干扰诊断特异性。由于“锁-钥”式识别难以解析这些彼此重叠的分子图谱,依赖单一标志物的方法往往灵敏度和特异性不足,因此,从“寻找单一离散标志物”转向“分析整体分子模式”变得至关重要。阵列传感(即“化学鼻”)通过差异化识别与交叉反应生成样本的复合“指纹”,再由机器学习算法对高维响应进行解卷积,从而依据样本的整体分子组成完成分类,这一整体论策略与体液样本高度契合,可捕捉单一标志物检测所遗漏的涌现性病理特征。然而,传感器阵列在早期AD诊断中的应用长期受制于一个瓶颈:缺乏能够以所需的“半选择性”结合低丰度(pg/mL至ng/mL量级)生物标志物的受体。
研究思路
针对上述挑战,南开大学郭东升教授、潘雨辰研究员联合首都医科大学附属北京天坛医院张巍教授(通讯作者)团队提出并构建了一种机器学习赋能的超分子传感阵列,通过整体论设计突破“锁-钥”识别的局限,实现对AD的早期、精准诊断。研究首先建立计算框架以筛选能够提供强结合与差异化结合的大环受体:通过分子对接获得26种大环受体(环糊精CD、葫芦脲CB及杯芳烃CA衍生物)与10种代表性AD标志物之间的260个结合常数,提取11种结构描述符并训练随机森林模型,评估各描述符对结合强度(亲和的均值)与差异化选择性(亲和的群体标准差)的贡献,发现体积相关描述符主要决定结合强度,而总形式电荷主导差异化识别。据此,团队从实验室50余种大环主体中筛选出空腔较大且刚性较强、结合强且熵损失小的杯[5]芳烃与偶氮杯芳烃衍生物,并引入胍基、季铵盐、羧基、磺酸基等不同带电基团以增强对不同蛋白的差异化识别;进一步将三种两亲性杯芳烃(GCA、QCA、CCA)与两亲性环糊精共组装,构建异多价识别单元,借助多个化学性质不同的识别位点协同识别蛋白表面的多个氨基酸残基;同时以5种染料指示剂(荧光素Fl、罗丹明B、ThT、1,8-ANS与铝酞菁四磺酸钠AlPcS4)预复合构建6对受体-染料报告对,采用指示剂置换分析(IDA)进行信号转导。由于大环受体固有的半选择性、体系中的多重结合平衡以及非线性响应,仅通过调节受体-染料比例即可在不进行新化学合成的条件下持续扩充传感单元:6单元阵列I的分类准确率仅56.9%,扩充至12单元阵列II后提升到70.8%,进一步扩充为18单元阵列III后达到100%,剔除低贡献单元后最终获得16单元阵列。在AppNL-G-F转基因大鼠模型中,团队在1、1.5、2、3、4、5月龄共6个早期时间点采集CSF,16单元阵列在1月龄即实现对AD与野生型大鼠的100%区分,所有月龄的Youden指数均为1,而该模型的行为学异常通常在5-6月龄才出现,即该阵列在症状出现前提供了超过4个月的“提前量”。与临床常用的ELISA相比,同一批CSF中Aβ42、Aβ40、p-Tau与t-Tau四个经典标志物在1月龄时最佳单一标志物的Youden指数仅0.667,四标志物组合虽提升至0.833,但直到2月龄才达到1,且即使对四项ELISA数据进行线性判别分析,其交叉验证正确率也只有45.8%,说明抗体式特异识别并不适合阵列式的多变量模式识别。机制层面,蛋白质组学显示1月龄AD大鼠CSF中已有151个差异表达蛋白(109个上调、42个下调),富集于核酸结合、蛋白磷酸化、蛋白水解与离子结合等通路,但没有任何单一蛋白的变化幅度足以单独用于诊断;而传感阵列通过半选择性多价结合(对Aβ42的表观结合常数可高达10^17~10^23 M^-1量级)、多重结合平衡以及高达数百倍的“超猝灭”与三元复合物导致的荧光方向反转,捕捉到了整体的分子组成偏移。在临床转化验证中,团队采用8单元阵列检测了76例人CSF样本(客观认知正常OCN 22例、AD-MCI 15例、AD-痴呆AD-D 39例),线性判别分析对三组实现100%交叉验证分离,33例盲测样本中32例被正确识别(准确率97.0%);进一步将OCN细分为正常对照(NC,16例)与AD-主观认知下降(AD-SCD,6例)这一最具挑战性的最早症状期,6单元指纹在训练集中完全分离,15例盲测全部正确(100%);对AD-痴呆患者再按轻、中、重度分层,24例盲测准确率达95.8%,误判仅发生在相邻严重度之间。相关内容以 Super-Cross-Reactive Recognition Enables Preclinical Diagnosis of Alzheimer’s Disease 发表在 Journal of the American Chemical Society!

图片解析

图1. 当前AD诊断研究概览(截至2025年12月):基于真实样本(包括临床样本与AD动物模型来源样本)的研究所处的诊断阶段与报道的诊断准确率。AUC为受试者工作特征(ROC)曲线下面积。

图2. 基于大环受体的超分子传感阵列构建:(a) 用于评估大环特征对AD标志物强结合与差异化结合贡献的示意图与机器学习分析流程。所用26种大环包括5种环糊精(CD:α-CD、β-CD、γ-CD、羟丙基β-CD(HP-β-CD)、磺丁基醚β-CD(SBE-β-CD))、3种葫芦脲(CB[6]、CB[7]、CB[8])和18种杯芳烃(磺化杯[n]芳烃SCnA、羧基杯[n]芳烃CCnA、季铵盐杯[n]芳烃QACnA、胍基杯[n]芳烃GCnA、磺化偶氮杯[n]芳烃SACnA、季铵盐偶氮杯[n]芳烃QAACnA,n=4、5、6);所用10种典型AD标志物为Aβ42、Aβ40、磷酸化Tau181(p-Tau181)、p-Tau217、p-Tau231、Tau、神经丝轻链蛋白(NfL)、胶质纤维酸性蛋白(GFAP)、神经颗粒素(Ng)和β-分泌酶(BACE1)。(b) 用于构建传感单元的大环受体与染料指示剂的化学结构。

图3. 超分子传感阵列的设计原理:(a) 用于早期AD诊断的超分子传感阵列流程示意图:在IDA过程中,AD标志物竞争性置换预载于大环空腔中的染料,或与受体、染料形成多组分复合物,从而产生可检测的信号变化。(b, c) 差异结合(b)以及IDA过程中受体、分析物与染料之间多重结合平衡(c)的示意图。(d) 模拟竞争滴定模型,展示IDA体系的非线性响应:在非线性模型(左)中,通过改变加入的分析物浓度[C]0、受体浓度[R]0或染料浓度[D]0,可使某受体-染料对中初始荧光相同的两种分析物变得可区分;而在线性模型(右)中则无法实现区分。

图4. 利用超分子传感阵列诊断转基因大鼠模型中的AD:(a) CSF取样时间安排。(b) 基于留一交叉验证计算得到的不同传感阵列正确分类率。(c) 传感阵列对CSF样本平均荧光响应(I/I0)的热图(每组n=6);横轴数字表示大鼠月龄,受体-染料对旁的数字表示不同传感单元的配比编号。(d) 基于留一交叉验证的LDA对已知样本生成的混淆矩阵;不同月龄的WT样本被合并以进行患病与非患病的二元判别,数字表示分配的样本数并给出各组分类准确率。(e) 由CSF荧光响应模式得出的前三个LDA因子典型得分图。(f) 未知样本的混淆矩阵。(g) 基于未知样本测试计算得到的不同月龄分类性能Youden指数。

图5. 利用ELISA诊断转基因大鼠模型中的AD:(a-d) ELISA测定的CSF样本中Aβ42(a)、Aβ40(b)、p-Tau(c)和t-Tau(d)的浓度。(e) 不同月龄各单一标志物及其四标志物组合的Youden指数。(f) 1月龄时Aβ42单独与四标志物组合(Aβ42+Aβ40+t-Tau+p-Tau)的ROC曲线,插图为对应的Youden指数与AUC值。(g) 后续5个不同月龄四标志物组合的ROC曲线。(h) 基于ELISA四标志物测定结果得出的CSF样本前三个因子典型得分图。

图6. 传感阵列实现诊断的机制基础:(a) 蛋白质组学鉴定出的差异表达蛋白(DEP)火山图。(b) 已鉴定DEP的GO富集分析。(c) 受体-染料报告对在三种不同AD标志物作用下的荧光响应。(d, e) AlPcS4(d)与ThT(e)在加入相应大环受体前后,以及随后加入Aβ42、p-Tau181或NfL时的荧光光谱。(f, g) AlPcS4(f)与RhB(g)与Aβ42、p-Tau181或NfL作用后的荧光光谱及强度变化。(h) 常见大环受体(如CD与CB)与本研究所用受体结合诱导荧光变化倍数的对比(数据汇总自文献)。

图7. 超分子传感阵列用于人临床CSF中AD的准确分期:(a) 各队列中用于训练(已知样本)与测试(未知样本)的CSF样本数量。(b) 判别流程示意图。(c, f, i) 传感阵列在不同诊断分组中的平均归一化荧光响应(I/I0):OCN、AD-MCI与AD-D(c);NC、AD-SCD与AD-MCI(f);AD-MCI、轻度AD-D、中度AD-D与重度AD-D(i)。(d, g) 基于荧光响应模式的LDA典型得分图,分别对应OCN、AD-MCI与AD-D(d)以及NC、AD-SCD与AD-MCI(g),图中给出95%置信椭圆,实心符号为已知样本、空心符号为未知样本。(j) AD-MCI与AD-D亚组前三个LDA因子的典型得分图(浅色为已知样本,深色为未知样本)。(e, h, k) 分别对应d、g、j分类的未知样本混淆矩阵,数字为分配的样本数并给出各组分类准确率。AD-D 1为轻度AD-D,AD-D 2为中度AD-D,AD-D 3为重度AD-D。
结论
该研究开发了一种机器学习赋能的超分子传感阵列,通过解码脑脊液的整体分子指纹,实现了对阿尔茨海默病的早期、准确诊断。研究者将工程化大环受体与指示剂置换分析(IDA)整合,构建出具有超交叉反应性、多重结合平衡与非线性信号转导的传感体系,突破了以“特异性识别单一标志物”为导向的传统诊断范式。该阵列在AD大鼠模型中实现了症状出现前4个月的100%诊断准确率,比标准ELISA方法提前3个月;在临床样本中,其可在主观认知下降(SCD)阶段识别患者,准确率超过95%,显著早于当前方法普遍瞄准的MCI阶段。该工作为“捕捉多维分子特征而非靶向单一标志物”的疾病检测提供了可推广的通用策略。考虑到脑脊液不适合大规模筛查,研究团队下一步将把这一策略拓展至更易获取的血液等体液样本;除AD之外,该方法也有望推广至其他早期病理变化广泛而细微、难以用常规单一分析物检测捕捉的复杂疾病,为神经退行性疾病的早期诊断提供新的工具与思路。
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
