Machine Learning Approaches Enhance Polygenic Risk Score in Alzheimer’s Disease

阿尔茨海默病是一种无情的疾病，它侵蚀记忆与思维，最终夺走一个人照顾自己的能力。虽然我们知道有些人天生患病风险较高，但其原因很少是简单的。科学家们早已知晓，一种被称为 APOE ε4 的特定基因变体是一个强力的预警信号，但这仅揭示了部分真相。许多携带这种变体的人并未患病，而另一些并未携带该变体的人却依然病发。这表明风险并非由单一开关控制，而是散布在人类 DNA 中数以千计的微小差异中，每一处都为整体情况贡献了一小部分。多年来，研究人员一直试图将这些微小的贡献累加起来，以创建一个能够预测谁更有可能致病的单一评分。然而，这些传统方法通常假设基因是独立运作的，就像累加单个重量一样，它们难以捕捉基因之间可能存在的复杂相互作用。

意大利的一个研究小组致力于探索现代计算机工具是否能更好地解读这段遗传密码。他们收集了近一千名老年人的数据，其中一些患有阿尔茨海默病，另一些则没有，并观察了数百万个遗传标记。研究人员没有依赖于使用了数十年的标准公式，而是训练了几种不同类型的人工智能模型。这些模型旨在从数据本身进行学习，寻找那些对于传统数学方法来说可能过于微妙或复杂的模式。研究人员希望了解这些智能算法是否能发现导致该疾病的基因间隐藏的联系，以及它们能否比旧方法更准确地预测风险。

结果显示，计算机模型确实更加有效。表现最好的人工智能系统能够以显著高于传统评分方法的准确度，区分出患病者与非患病者。这种改进在研究人员将已知的 APOE 基因纳入分析时最为明显，这表明计算机模型非常擅长在权衡这一主要风险因素的同时，兼顾那数以千计的较小风险因素。然而，当研究人员将 APO型 APOE 基因从组合中移除，以观察模型是否能发现其他信号时，复杂计算机模型的优势便缩小了。在这种情况下，更简单的传统方法表现得与先进方法不相上下。这一发现表明，虽然人工智能在捕捉复杂相互作用方面功能强大，但阿尔茨海默病中剩余的大部分遗传风险可能仍然遵循一种更直接的、加性模式，而旧的方法已经可以很好地处理这种模式。

除了预测风险之外，研究人员还使用了一种特殊技术来理解计算机究竟在“思考”什么。他们要求模型解释哪些特定的遗传变化驱动了其决策。分析强调了模型认为最重要的少数几个基因变体。其中之一是广为人知的 APOE 变体，模型正确地将其识别为最强的信号。但模型还指出了其他在以往研究中并未如此突出的基因。例如，它标记了一个涉及细胞如何处理压力的基因，以及另一个在脑部免疫细胞管理脂肪代谢中发挥作用的基因。这些发现表明，该疾病可能是由多种因素共同驱动的，包括细胞应对压力的方式以及大脑免疫系统的功能，这为未来的研究提供了新的线索。

该研究还观察了这些模型是否能够识别处于极高或极低风险水平的人群。当研究人员检查风险谱的两端时，其中一个计算机模型脱颖而出，它在将人们正确分类为高风险和低风险组方面的能力优于测试的所有其他方法。这是一种至钟重要的能力，对于早期干预至关重要，因为它能帮助医生在症状出现前识别出那些可能从预防措施中获益的个体。然而，研究人员谨慎地指出，他们的工作是基于一个特定的群体，这些模型需要在更大规模、更多样化的人群中进行测试，以确保对每个人都有效。

最终，这项研究证明了机器学习可以增强我们对阿尔茨海默病遗传风险的理解，特别是处理许多遗传因素之间复杂的相互作用时。虽然传统方法在观察不包含主要已知基因的广泛遗传图景时仍然有用，但新方法为识别最脆弱的个体提供了一个更清晰的视角。通过揭示涉及细胞压力和免疫功能的特定基因，这项研究为科学家探索新的生物学路径提供了路线图。这项工作并未提供治愈方法，但它提供了一种更精确的衡量风险的方式，以及一个更清晰的视角，去观察可能通向新疗法的生物学机制。