Nature！“渐冻症”开发预测模型，仅靠血液数据，AUC高达0.96

肌萎缩侧索硬化（ALS），又名渐冻症，是一种慢性、进行性神经性疾病，被世界卫生组织列为五大绝症之一。

临床医生长期以来一直在寻找一种可靠的 ALS 诊断方法。迄今为止，ALS 生物标志物的开发主要依赖于单一分析物的研究。

今天和大家分享的这篇文章，选择使用静脉采血获得的血浆蛋白识别可靠的ALS生物标志物，发现的一组由多个通路贡献的 17 种蛋白证实了 ALS 的多重特性，并构建机器学习预测模型诊断ALS。

这项研究于2025年8月19日，发表在Nature Medicine（医学一区，IF=50.0）。

我们重点看这篇文章中的机器学习构建预测模型的部分，在此之前，文章做了很多分析，感兴趣的朋友可以去看看原文。

在这项横断面研究中，研究者使用 Olink Explore 3072 平台研究血浆蛋白组学作为该神经退行性疾病的生物标志物工具。与对照组相比，ALS 患者血浆中有 33 种蛋白的丰度存在差异。我们在一个独立队列中重复验证了这些发现。
而后，研究者对蛋白组学数据进行了监督式机器学习，以识别 ALS 的分子特征谱。为此，随机选择 80% 的样本作为训练集，其余样本被指定为测试集。

33 个差异丰度蛋白与临床信息（包括取样时年龄、性别及采血管类型；特征总数 = 36）被作为初始特征输入模型。

研究评估了 10 种监督式机器学习算法。

在测试集、外部验证集 1 和外部验证集 2 中，基于总体性能（AUC 与平衡准确率）选择表现最佳的模型（随机森林）。

随机森林模型在训练集上进一步调优，并通过遗传算法特征选择方法对关键预测特征进行优先排序。

经过二次特征选择后，确定了 20 个最具预测性的特征（17 种蛋白、性别、取样时年龄及采血管类型），用于区分 ALS 病例与健康个体及其他神经系统疾病患者。

在测试集中评估时，该模型的曲线下面积（AUC）为 0.962，平衡准确率为 89.3%。

在外部验证集 1中，该模型的 AUC 和平衡准确率分别为 99.8% 和 96.4%。

外部验证集 2中也取得了较高的 AUC 与平衡准确率，分别为 99.1% 和 88.1%。

综上所述，本研究表明血浆蛋白可作为该致命性疾病——渐冻症的生物标志物，并为其前驱期提供了分子层面的见解。

本研究可能的一种结果是，基于血浆的生物标志物可用作 ALS 的筛查工具，而脑脊液检测可用于随后确认。

不过呢，话说回来，这种诊断模型有啥用呢？诊断了也没法提前治疗，只能引起更多的心理问题。

参考文献：Chia, R., Moaddel, R., Kwan, J.Y. et al. A plasma proteomics-based candidate biomarker panel predictive of amyotrophic lateral sclerosis. Nat Med (2025). https://doi.org/10.1038/s41591-025-03890-6