15 plazmafehérjére épülő AI-modell segítheti a neurodegeneratív kórképek és társuló kórfolyamataik elkülönítését

A vizsgálat célja és felépítése

A közlemény abból a klinikai problémából indul ki, hogy a neurodegeneratív betegségek pontos elkülönítése továbbra is nehéz, különösen akkor, ha egy betegnél több, egymással társuló kórfolyamat zajlik párhuzamosan. A szerzők ezért a korábban kidolgozott GPND-AI keretrendszert egy célzott NULISA-plattformra ültették át, azzal a kifejezett céllal, hogy kisebb, klinikailag könnyebben alkalmazható fehérjepanellel is többbetegséges osztályozást és társuló patológiák feltérképezését tegyék lehetővé.

A modell fejlesztéséhez és teszteléséhez a Washington University Knight-ADRC és Movement Disorder Clinic kohorszait használták fel, összesen 3233 egyedi résztvevő adataival. A végső tréning-/tesztállomány 983 biomarkernegatív egészséges kontrollt, 714 biomarkerpozitív Alzheimer-kóros esetet, 126 Parkinson-kóros, 58 frontotemporalis dementiás és 75 Lewy-testes dementiás beteget, továbbá 236 egyéb diagnózisú személyt tartalmazott; a külső validáció a Banner Sun Health Research Institute független kohorszában történt, ahol 72 kontroll, 53 Alzheimer-kóros, 52 Parkinson-kóros, 8 Lewy-testes dementiás, 2 frontotemporalis dementiás és 38 enyhe kognitív zavarral élő személy szerepelt.

A plazmamintákban a NULISAseq CNS panel 123 célpontját mérték, majd minőség-ellenőrzést követően a szerzők többlépcsős változókiválasztással jutottak el a végső panelhez. A folyamat differenciális abundanciaelemzést, varianciaszűrést, F-próbán alapuló szelekciót és szakértői szempontok bevonását foglalta magában; a többosztályos osztályozást LightGBM-modellel, az osztályegyensúlytalanság kezelését SMOTETomek eljárással, a jellemzők értelmezését pedig SHAP-analízissel végezték.

A 15 fehérjéből álló panel teljesítménye

A végső modell 15 fehérjére épült: pTau-217, pTau-231, GFAP, NEFL, SNAP25, VEGFD, CCL2, CCL26, CCL13, Aβ38, NPY, CCL4, HBA1, PARK7 és IL7. A szerzők hangsúlyozzák, hogy ez nem egyszerűen egy nagyobb panel megkurtított változata, hanem célzottan finomított, nem redundáns készlet, amelybe korábbi eredmények alapján fontosnak tartott markereket is beemeltek.

A GPND-AI öt diagnosztikai kategóriára – Alzheimer-kór, Parkinson-kór, frontotemporalis dementia, Lewy-testes dementia és kontroll – adott egyéni valószínűségi becsléseket. A modell átlagos AUC-értéke 0,955, összpontossága 92,3% volt, és mind az öt kategóriában 0,92 feletti AUC-t értek el, 0,96 feletti specificitások mellett.

A szerzők külön kiemelik, hogy a modell nem bináris döntést ad, hanem teljes, többosztályos valószínűségi profilt. Ez a megközelítés a cikk értelmezésében azért lényeges, mert az egyes betegekben egymás mellett jelen lévő neurodegeneratív mintázatok is megragadhatók, nem csupán az a kérdés válaszolható meg, hogy egy adott személy „Alzheimer-kóros-e vagy sem”.

A modellmagyarázó elemzés alapján a legerősebb hatású változó a p-tau217 volt, amely a legmagasabb globális SHAP-értéket mutatta. Emellett a NEFL különösen a Lewy-testes dementia és a frontotemporalis dementia vonatkozásában járult hozzá érdemben a klasszifikációhoz, míg a HBA1, NPY, VEGFD, valamint a CCL2, CCL4 és CCL13 kemokinek szerényebb, de következetes osztályspecifikus hozzájárulást mutattak.

Lényeges megfigyelés, hogy az egyetlen markerre, p-tau217-re épülő modell Alzheimer-kórban ugyan erős teljesítményt nyújtott, AUC-je 0,977 volt, de a nem Alzheimer-típusú betegségek esetén érdemben gyengébben szerepelt. A szerzők ebből azt a következtetést vonják le, hogy a heterogén neurodegeneratív állapotok megbízhatóbb leképezéséhez a többfehérjés panel alkalmasabb, mint az egymarkeres megközelítés.

Külső validáció és neuropatológiai összefüggések

A Banner-kohorszban a modellt újratanítás és imputáció nélkül alkalmazták, majd az eredményeket klinikai és neuropatológiai adatokkal vetették össze. Az UMAP-ábrázolásban az egyéni valószínűségi vektorok mentén kialakuló klasztereződés összhangban állt a neuropatológiai terheléssel; az Alzheimer-kórnak prediktált személyeknél magasabb Braak-stádium és Thal-fázis társult a modellkimenethez.

A klinikailag Alzheimer-kóros 53 eset közül 41-et, vagyis 77,4%-ot sorolt a rendszer Alzheimer-kór kategóriába. Az AD-ként prediktált betegekben a kevésbé egyértelmű mintázatú esetekhez képest nagyobb volt az átlagos Thal-fázis (4,40 vs. 2,86; p = 4,01 × 10^-3), magasabb a Braak-stádium (5,27 vs. 3,86; p = 6,57 × 10^-4), és alacsonyabb az MMSE-pontszám (13,90 vs. 21,71; p = 4,01 × 10^-2).

A kontrollcsoportban 72 személyből 41-et, azaz 57%-ot klasszifikált helyesen kontrollként a modell. Azoknál azonban, akiket e klinikai kontrollcsoporton belül inkább Alzheimer-kórosnak jelzett, magasabb amyloidterhelést találtak, mint a kontrollnak prediktáltaknál, az átlagos Thal-fázis 2,6 versus 1,2 volt (p = 6,39 × 10^-4), ami a szerzők értelmezése szerint arra utalhat, hogy a klinikailag egészségesnek tekintett csoportban is jelen lehet a modell által észlelt amyloidpatológia.

A két frontotemporalis dementiás eset közül egyet sorolt helyesen FTD-be a modell; a másik, Alzheimer-kórként prediktált betegben jelentős AD-társuló patológia állt fenn, Thal 3 és Braak V értékekkel. Ezt a szerzők úgy értelmezik, hogy a klasszifikációs bizonytalanság mögött itt is kevert neuropatológia húzódhatott meg.

A Parkinson-kóros csoportban a legtöbb beteg magasabb PD-valószínűséget mutatott, de egy alcsoportnál az AD- vagy CO-valószínűség is számottevő volt. A magasabb AD-valószínűséggel jellemzett klinikai PD-esetekben nagyobb amyloidfelhalmozódást mértek, az átlagos Thal-fázis 3,09 volt a CO-felé hajló PD-alcsoport 1,57-es értékével szemben (p = 5,62 × 10^-3), és a tau-patológia is kifejezettebbnek bizonyult, Braak 3,91 versus 2,57 értékkel (p = 3,11 × 10^-4).

Ebben a PD-alcsoportban az MMSE is alacsonyabb volt, mint a neuropatológiailag megerősített kontrollokban, 20,91 versus 27,58 ponttal (p = 4,76 × 10^-3). Ugyanakkor a Lewy-test-sűrűség minden Parkinson-altípusban egyöntetűen magas maradt, függetlenül attól, hogy a modell a PD mellett inkább AD- vagy CO-jellegű társuló mintázatot is valószínűsített-e.

Ez a megfigyelés a közlemény egyik legfontosabb üzenete: a rendszer nem „tévesen átminősítette” a Parkinson-kórt Alzheimer-kórrá, hanem a szerzők interpretációja szerint a Parkinson-kóros betegek egy részében jelen lévő amyloid- vagy tau-társuló patológiát jelezte. A többosztályos, valószínűségi kimenet tehát itt a kevert kórfolyamatok érzékenyebb leképezésére szolgált.

A modellt bizonytalan vagy korai állapotokban is kipróbálták. A WashU „egyéb diagnózisú” csoportjában a predikciók megoszlása 30% kontroll, 36% Alzheimer-kór és 12% Parkinson-kór volt, míg a Banner MCI-csoportban 29% kontroll, 38% Alzheimer-kór és 14% Parkinson-kór valószínűség dominált.

A kérdéses csoportokban az AD-domináns predikciók szoros kapcsolatot mutattak a háttérpatológiával. A WashU OT-mintákban az Alzheimer-kórnak prediktált személyeknél nagyobb amyloidterhelés mutatkozott, mind a neuriticus plakkok számában (p = 5,56 × 10^-5), mind a Thal-fázisban (p = 2,50 × 10^-2), az MCI-csoportban pedig az AD-predikcióval jellemzett személyek szignifikánsan magasabb Thal-értéket mutattak (p = 1,98 × 10^-4).

A kvantitatív plakkterhelés elemzése tovább erősítette ezt az összefüggést: az AD-valószínűség pozitívan korrelált az összes plakkfelhalmozódással (Spearman-féle rho = 0,601; p = 6,51 × 10^-5), míg a kontrollvalószínűség negatív korrelációt mutatott vele (rho = -0,613; p = 4,25 × 10^-5).

A négy, autoszomális domináns Alzheimer-kórként nyilvántartott eset közül három, patogén PSEN1-mutációt hordozó személyt a modell Alzheimer-kórként sorolt be, és ezekben p-tau217-pozitivitás, illetve amyloid-PET-pozitivitás is jelen volt. A negyedik személyt a rendszer kontrollnak minősítette, amyloid-PET-je negatív volt, és utólagos elemzés alapján APP p.V287G variánsa nem bizonyult patogénnek, így a modellbesorolás a genetikai és biomarkeradatokkal is összhangban állt.

Klinikai jelentőség és korlátok

A szerzők értelmezésében a vizsgálat fő hozadéka, hogy egy viszonylag kompakt, 15 fehérjéből álló plazmapanellel sikerült több gyakori neurodegeneratív kórképet nagy teljesítménnyel elkülöníteni, miközben a rendszer a klinikai diagnózison túli, társuló neuropatológiai komponensekre is érzékeny maradt. Különösen fontosnak tartják, hogy a modell folyamatos valószínűségi profilt ad, így a biológiai heterogenitást hívebben képezheti le, mint az egyetlen címkét kiosztó hagyományos osztályozók.

A közlemény ugyanakkor világosan rögzíti, hogy a klinikai alkalmazhatóság még további megerősítést igényel. A szerzők szerint a módszer bevezetése előtt nagyobb, heterogénebb és közösségi populációkat is felölelő prospektív validáció szükséges, továbbá az osztályegyensúlytalanság miatt – különösen az FTD és a DLB esetében – az osztályspecifikus teljesítménymutatók értelmezése óvatosságot kíván.

Forrás: Xu Y, Denkinger MN, Liu M, et al. GPND-AI NULISA: A 15-Protein AI classifier for diagnosis and co-pathology profiling across neurodegenerative diseases. Alzheimer’s & Dementia. 2026;22:e71420. doi: 10.1002/alz.71420