神经退行性疾病的共病（Co-pathology）现象十分普遍，这极大地增加了临床诊断、治疗和管理的复杂性。然而，目前大多数神经退行性病理尚缺乏敏感、特异且可扩展的体内诊断生物标志物。传统的临床诊断误诊率约为25-30%，在基层医疗机构甚至可能超过50%。血浆蛋白质组学由于能够通过单次采血实现对数千种潜在标志物的监测，被视为极具前景的微创诊断工具，但其高秩数据、技术伪影及复杂的非线性相互作用也为模型开发带来了巨大挑战。

近日，瑞典隆德大学（Lund University）的研究团队在《Nature Medicine》上发表了题为“A deep joint-learning proteomics model for diagnosis of six conditions associated with dementia”的文章。研究开发了一种基于血浆蛋白质组学的人工智能深度学习模型ProtAIDe-Dx，旨在通过单次采血实现对六种神经退行性疾病（阿尔茨海默病、帕金森病、额颞叶痴呆、肌萎缩侧索硬化症、中风/短暂性脑缺血发作以及认知无损害状态）的同时诊断。模型采用了深度多任务、联合学习（Joint-learning）架构，不仅能通过分布学习提升预测精度，还能有效识别患者体内的共病情况。

研究团队利用全球神经退行性蛋白质组学联盟（GNPC）中17,187名参与者的大规模数据集对模型进行训练与验证。实验结果显示，ProtAIDe-Dx在所有任务中的中位数平衡分类准确率（BCA）达到了70-95%，曲线下面积（AUC）均大于78%。特别是在肌萎缩侧索硬化症（95% BCA）和帕金森病（92% BCA）的检测上表现优异，显著超越了传统机器学习基线模型。此外，该模型展现了极强的泛化能力，有效预测了健康受试者未来的纵向临床进展（AUC为74%），证明其捕捉到了与疾病演变相关的深层生物信号。

通过模型可解释性分析，研究人员发现了一系列驱动神经退行性疾病诊断预测的关键蛋白质。例如，NEFL对额颞叶痴呆具有高判别力，ACHE与阿尔茨海默病诊断密切相关，而KCNIP3则显示出最强的肌萎缩侧索硬化症诊断信号。并且模型派生的潜在嵌入成功捕捉到了特定的生物过程。此外，研究提出的“双阈值”策略在预测生物标志物阳性方面达到了90%以上的特异性，为临床筛查高风险案例提供了可靠工具。

该研究首次证明了深度联合学习模型在多疾病蛋白质组学筛查中的巨大潜力。ProtAIDe-Dx提供的加性价值超越了现有的临床标志物，尤其是在开发针对帕金森病和额颞叶痴呆的低成本、微创检测工具方面具有重要意义。

论文链接：https://doi.org/10.1038/s41591-026-04303-y

注：此研究成果摘自《Nature Medicine》杂志，文章内容并不代表本网站的观点和立场，仅供参考。