阿尔茨海默病（AD）是中老年人群中最常见的神经退行性疾病，主要表现为进行性认知减退，尚无有效的早期诊断工具与广泛应用于临床的特异性治疗手段。
随着人口老龄化进程不断加速，AD已成为危害人类健康的世界性难题。第七次人口普查数据显示，我国60岁及以上人口占18.70%，与2010年相较上升5.44%，说明我国老龄化问题日趋严峻[1]。最新的研究显示，中国约有近千万老年AD患者，患病率高达3.9%[2]，可以预期AD带来的个人、家庭和社会的疾病负担也将不断增加。
目前公认的AD病理学改变包括：β-淀粉样蛋白聚集（A）、tau蛋白过度磷酸化（T）、神经退行性改变或神经元损伤（N）。基于这三个生物标志物，科学家提出了A/T/N诊断框架，为AD诊疗提供了新思路。
(相关资料图)
基于A/T/N框架实施的临床研究在多个国家有序开展，研究人员已制定出可用于临床诊断的截断值，并在多中心、大样本人群中进行验证[3]。值得一提的是，在2018年1月，FDA推荐将A/T/N框架作为AD诊断标准[3]，这是对AD标志物组合指导临床早期干预标准化的重要突破。
此前已有一些我国学者对中国人AD核心标志物进行了研究，推动了AD病理学发展[4,5]。遗憾的是，基于A/T/N框架的综合研究在中国鲜少开展，因此尚不清楚A/T/N模型是否能反映中国患者的脑内病理改变。由于Aβ-PET扫描使用的设备较为先进，在我国仅少数三甲医院可开展，迫切需要针对AD早期诊断的简单易行、经济有效的非侵入性工具，使之能早期干预，延缓甚至逆转疾病发生发展。
近日，由中国科学技术大学附属第一医院申勇领衔的研究团队，在著名期刊Alzheimer"s & Dementia发表重要研究成果[6]。他们的研究成果证实，AD患者CSF和血浆p-tau水平升高，Aβ42/Aβ40降低。此外，CSF Aβ42/Aβ40、p-tau和血浆p-tau在鉴别AD和非AD痴呆及健康老年对照方面具有较高的一致性。更重要的是，他们还发现联合血浆p-tau、载脂蛋白E（APOE）基因型和MRI脑萎缩测量指标的机器学习模型，可以精准预测Aβ PET沉积。
以上结果表明，A/T/N框架可以用于中国人群AD诊断的临床工作中，申勇团队还据此建立了一个低成本和无创性结合的AD最佳诊断模型。值得一提的是，这也是首次利用临床队列，系统性地构建中国中老年人群基于A/T/N框架的AD诊断模型，填补了我国在A/T/N框架研究的空白，为AD临床诊断提供了一种潜在的诊断替代模型。
论文首页截图
接下来，我们就一起来看看这个研究是如何展开的。
这个研究依托于中国衰老与神经退行性疾病的研究队列（CANDI），研究人员从CANDI中筛选了411例受试者，包括96例认知正常受试者（CN，对照组）、94例轻度认知障碍（MCI）患者、107例早发型AD（EOAD）、66例迟发型AD（LOAD）和48例非AD痴呆（non-ADD）患者。
首先，不同诊断组的组间比较结果显示，无论在CSF还是血浆中，AD组的p-tau和t-tau均高于对照组和非AD痴呆组。相反，AD组血浆和CSF中的Aβ42水平明显降低，血浆Aβ40在各组间无明显差异，然而，与对照组相比，EOAD和非AD痴呆组的CSF Aβ40显著降低。
不同组的生物标志物浓度或比值
利用Spearmen相关性分析，研究人员发现血浆和CSF Aβ42/Aβ40、t-tau和p-tau水平的一致性较高。根据受试者CSF和血浆生物标志物的截断值分成四个象限（A−；A+；T−；T+），有趣的是，CSF p-tau和Aβ42/Aβ40在区分阳性个体和阴性个体方面具有88%的一致性（A+T+：51.5%；A−T−：36.5%）；CSF和血浆p-tau具有81.4%的一致性。
此外，AD患者大多位于A+T+象限，而非AD痴呆患者和健康对照多位于A−T−象限，可以看出血浆和CSF p-tau具有相似的且较高的诊断能力。因此，血浆p-tau可作为AD的无创监测手段，一定程度上能改善目前诊断工具有创性、可获得性差、价格昂贵等限制。
Aβ与Tau的相关性与一致性
接下来，研究人员使用MRI来确定大脑皮层的厚度以及海马和杏仁核的体积，结果发现AD组皮层厚度、海马和杏仁核的相对体积都明显小于对照组和MCI组。值得注意的是，AD组和非AD痴呆组的脑结构改变无明显差异。
申勇团队还开展了基于局部加权线性回归（LOWESS）模型的体液与影像标志物相关性分析，发现海马和杏仁核体积与AD早期体液p-tau浓度相关性较强，后期趋于平稳；与Aβ42/Aβ40比值的相关性分为两个前后相反的阶段，前期呈上升趋势，后期下降。综合不同分析结果，血浆p-tau蛋白可能是反映AD早期脑萎缩更为有效的生物标志物。
体液生物标志物与MRI脑萎缩测量指标之间的相关性
他们还运用二次模型观察到脑萎缩发生时CSF和血浆p-tau显著增加，并持续增加到AD病理发展阶段。值得注意的是，在脑萎缩进展过程中，CSF和血浆p-tau的斜率无明显差异。
然而，在杏仁核和海马萎缩进展中，CSF比血浆Aβ42/Aβ40的斜率更大，这表明血浆Aβ42/Aβ40与CSF Aβ42/Aβ40相比，与脑萎缩指标无较强的相关性。因此，血浆p-tau是识别和监测大脑皮层萎缩的可靠血液生物标志物，可作为MRI检查禁忌症患者的潜在替代工具。
脑萎缩连续变化时AD体液生物标志物的变化轨迹
接下来，申勇团队使用单因素接受者操作特性曲线（ROC）模型，对每种血浆生物标志物的诊断能力进行分析。
结果显示，血浆p-tau和p-tau/t-tau比值在区分AD与非AD痴呆、预测脑内Aβ沉积等方面表现突出（曲线下面积[AUC]=0.847和0.853）。此外，血浆p-tau在区分CSF Aβ（AUC= 0.856）和Aβ PET（AUC=0.849）状态方面具有较强的预测能力。
最后，申勇团队将血浆与影像标志物结合，评估多因子标志物是否可以进一步提高预测脑内Aβ的准确性。
他们设计了基于Aβ沉积的机器学习模型，筛选出赤池信息量准则（AIC）最低的模型，逐步去除所有血浆生物标志物和MRI指标，以评估其对模型的贡献。
他们发现最佳模型包括血浆p-tau、Aβ42/Aβ40、皮层厚度（颞中回、颞下回）和脑体积测量（海马和杏仁核），ROC曲线准确度为0.864。在前述模型的基础上，他们又构建了加入APOE ε4携带状态的模型，结果显示仅使用APOE ε4携带状态和血浆p-tau的模型与前述模型相似的准确度（AUC=0.877）。
纳入了血浆p-tau、APOE ε4和皮层厚度（扣带回峡部和颞中回）的机器学习模型准确性显著提高（AUC=0.909），与最佳模型（血浆p-tau、Aβ42/Aβ40、皮层厚度、脑体积测量和APOE ε4携带状态）的准确性相似（AUC=0.914）。
因此，血浆p-tau、APOE ε4携带状态和大脑皮层厚度的联合对Aβ-PET阳性患者的诊断效度最佳，为疾病临床诊断提供了一种潜在的诊断替代模型。
逐步回归模型变量的选择与ROC最大曲线下面积的模型确定
总的来说，申勇团队基于A/T/N框架的综合性AD临床生物标志物纵向队列，系统性评估中国中老年AD人群的核心生物标志物水平，通过临床预测模型与机器学习结合的方式筛选出多种标志物，建立了AD生物标志物诊断模型，大大提高了AD诊断能力，为实现AD早期诊治、精准治疗提供了有力的支持。
该诊断模型的建立，也为全球多中心队列协同研究、解读AD生物标志物在不同人群间的异同性奠定了基础。然而，本研究样本量不足，仍需纳入更多的患者，特别是非AD痴呆患者，来提高AD与其他痴呆病理学变化的鉴别能力。此外，新兴的A/T/(X)/N模式加入了更多公认的AD诊断性标志物，未来研究可引入与突触丢失、胶质激活或脑血管损伤相关的生物标志物，多方面反映AD的神经病理和认知损伤过程。
参考文献
1.任汝静,殷鹏,王志会,齐金蕾,汤然,王金涛... & 王刚.(2021).中国阿尔茨海默病报告2021. 诊断学理论与实践(04),317-337. doi:10.16150/j.1671-2870.2021.04.001.
2.Jia L, Du Y, Chu L, et al. Prevalence, risk factors, and management of dementia and mild cognitive impairment in adults aged 60 years or older in China: a cross-sectional study. Lancet Public Health. 2020;5(12):e661-e671. doi:10.1016/S2468-2667(20)30185-7
3.Jack CR Jr, Bennett DA, Blennow K, et al. NIA-AA Research Framework: Toward a biological definition of Alzheimer"s disease. Alzheimers Dement. 2018;14(4):535-562. doi:10.1016/j.jalz.2018.02.018
4.Wu X, Xiao Z, Yi J, et al. Development of a Plasma Biomarker Diagnostic Model Incorporating Ultrasensitive Digital Immunoassay as a Screening Strategy for Alzheimer Disease in a Chinese Population. Clin Chem. 2021;67(12):1628-1639. Doi:10.1093/clinchem/hvab192
5.Mao C, Sha L, Li J, et al. Relationship Between General Cognition, Visual Assessed Cortical Atrophy, and Cerebrospinal Fluid Biomarkers in Alzheimer"s Disease: A Cross-Sectional Study from a Chinese PUMCH Cohort.J Alzheimers Dis. 2021;82(1):205-214. doi:10.3233/JAD-210344
6.Gao F, Lv X, Dai L, et al. A combination model of AD biomarkers revealed by machine learning precisely predicts Alzheimer"s dementia: China Aging and Neurodegenerative Initiative (CANDI) study [published online ahead of print, 2022 Jun 6]. Alzheimers Dement. 2022;10.1002/alz.12700. doi:10.1002/alz.12700
