No evidence for discrete biomarker-based subtypes of Parkinson’s Disease
这项研究表明，结合 α-突触核蛋白种子扩增检测动力学、多巴胺能神经脱失以及年龄，无法揭示出帕金森病的离散生物学亚型，而是表明该疾病存在于一个连续的光谱之中，而非由不同的集群组成。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
帕金森病是一种影响人类运动能力的疾病，会导致震颤、僵直和动作缓慢。几十年来，医生和科学家注意到，这种疾病在每个人身上的表现并不相同。有些患者主要面临运动障碍，而另一些人在早期则面临记忆问题或睡眠问题。这种差异引发了一个长期的希望：即该疾病实际上可能由几种截然不同的类型组成，每种类型都有其独特的生物学诱因。如果研究人员能够识别出这些独立的类型，他们就能预测特定患者的病情进展情况，并设计出针对该患者驱动疾病的具体机制的治疗方案。为了寻找这些隐藏的群体，科学家们转向了生物标志物——即反映细胞层面发生变化的、体内可测量的迹象。其中两个最有前景的迹象是 α-突触核蛋白（alpha-synuclein）蛋白团块的存在以及产生多巴胺的神经细胞的流失。其设想是，通过测量这些迹象，研究人员可以将患者归入清晰、独立的类别中，就像根据鸟类的喙形对不同物种进行分类一样。
一个研究小组着手测试这种分类是否真的可行。他们收集了数百名帕金森病患者的数据，重点关注那些尚未开始治疗的患者。他们针对每个人的三个特定方面进行了观察：在实验室测试中 α-突触核蛋白聚集的速度、大脑中剩余的多巴胺产生神经组织的量，以及患者的年龄。研究人员使用强大的计算机程序来寻找数据中的自然分组。他们想看看患者是否自然地落入不同的簇群中，就像数据海洋中的不同岛屿，还是呈平滑且连续的线条分布。为了确保他们的方法可靠，他们首先检查了这些工具是否能在存在分组的情况下找到它们。他们通过在真实数据集中秘密添加虚假的分组数据，来观察计算机程序是否能识别出这些分组。当虚假分组非常明显时，这些工具运行正常，证明了该系统足以发现存在的真实模式。
当研究人员将这些相同的工具应用于实际的患者数据时，结果是清晰且一致的。计算机程序并没有发现任何独立的组别。数据并没有形成离散的岛屿，而是形成了一个单一且连续的光谱。患者之间虽然存在差异，但并未分裂成独立的类别。即使研究人员尝试通过改变变量或调整由于测试执行方式不同而产生的技术差异来变换观察数据的方式，结果依然保持不变。通常预示着存在截然不同组别的统计指标也保持沉默。事实上，研究人员发现，过去一些声称发现了亚型的标准方法可能是具有误导性的。这些方法有时仅仅通过将一条平滑的线切断成几段，就会制造出存在分组的错觉。研究表明，患者之间的差异是真实的，但这些差异是沿着单一尺度上的变化，而非本质上不同疾病的证据。
研究人员还观察了这些生物学迹象是否可以预测疾病随时间的变化。他们追踪了患者数年，以观察蛋白聚集的速度或神经细胞流失的程度能否预示谁的病情恶化得更快。这些生物学迹象与未来病情下降之间的联系微弱且不一致。在某些情况下，数据似乎暗示了某种联系，但当研究人员考虑到其他因素或观察另一组患者时，这些联系就消失了。一个有趣的发现涉及蛋白质测试与其他体液之间的关系。研究人员注意到，测试结果似乎受到与人体整体蛋白质水平相关的普遍因素的影响，而非特定的疾病过程。这表明，测试中所看到的某些变化可能是由于技术因素或一般的健康状况引起的，而非独特的帕金森病生物学亚型。
基于目前的证据和所研究的特定生物标志物，该研究得出结论：帕金森病似乎并不由离散、独立的亚型组成。患者所表现出的差异更适合被理解为一个连续的严重程度和进展范围，而不是一系列不同的疾病。这并不意味着所有患者都是一样的；它意味着他们之间的差异是渐进的。通过将患者分入整齐、独立的框中来指导治疗的希望，并未得到这些数据的支持。相反，研究结果表明，该疾病是一种复杂的、流动的状况，不同表现形式之间的界限是模糊的。虽然这对于实现精准分类的目标来说可能看起来像是一种挫折，但它提供了一个更准确的疾病本质图景。它告诉科学家，他们需要从连续的数据流中寻找模式，而不是去寻找可能并不存在的离散组别。这项工作强调了在假设存在独立组别之前，先检查数据是否确实支持该想法的重要性，而这正是许多以往研究可能跳过的步骤。最终，研究表明，理解帕金森病的未来在于绘制疾病的完整光谱，而不是试图将其划分为并不自然存在的各个部分。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。