YWHAG

引言我们身体里的每个细胞都是一个微缩宇宙，里面运行着无数精密复杂的系统。这些系统的核心，是千姿百态的蛋白质（Proteins），它们就像宇宙中的不同星球，执行着各自独特的任务，但更重要的是，它们通过相互作用（Protein-protein interactions）形成复杂的蛋白质网络（Protein networks），共同维持着宇宙的和谐运转。这些蛋白质“朋友圈”的面貌，直接决定了细胞的功能和状态，一旦出现问题，往往是疾病的开端。研究人员多年来绘制了大量蛋白质相互作用图谱，试图揭示生命的奥秘。然而，这些图谱大多像是一张笼统的世界社交地图，无法告诉你具体某个城市（比如肝脏或大脑）里的蛋白质关系是怎样的。因为蛋白质的“社交圈”并非一成不变，它会随着所处的组织（Tissue）、细胞类型甚至细胞状态而高度特异化（Tissue specificity）。缺失了这种“情境”信息，我们对疾病发生机制的理解就像是隔靴搔痒。有没有可能绘制一张真正精细到组织的蛋白质“朋友圈”地图呢？5月2日发表在《Nature Biotechnology》上的重磅研究“A tissue-specific atlas of protein–protein associations enables prioritization of candidate disease genes”，正带来了这样的突破。研究团队创造性地利用大量数据——来自11种人体组织的7,811份蛋白质组学样本的蛋白质丰度信息，通过分析蛋白质在不同样本中的共丰度（Protein coabundance），构建了一份前所未有的组织特异性蛋白质关联图谱（A tissue-specific atlas of protein-protein associations）。令人惊喜的是，这项研究发现蛋白质共丰度是一个极其强大的预测指标，它能非常准确地识别蛋白质之间的关联，甚至在某些方面优于传统的蛋白质共分级（Protein cofractionation）方法。更重要的是，图谱清晰地揭示了蛋白质关联存在广泛的组织特异性——据估计，超过25%的关联是特定于某个组织的！而且，这种差异的驱动力远不止简单的基因表达，更多来自于组织或细胞特有的细胞组分（Cellular components）变化。这张详细的图谱不仅能帮助我们更深入地理解不同组织中细胞结构的独特组成，更提供了一个强大的新工具：它可以帮助我们以前所未有的精度，在复杂的遗传关联位点中，优先筛选出最可能导致疾病的那个“致病基因”（Disease gene），特别是在特定组织相关的疾病中。海量样本汇聚：构建蛋白质关联的基石要绘制一张宏大的图谱，首先需要海量的数据。这项研究收集了来自50项已发表研究的蛋白质组学数据，这些研究涵盖了14种人类组织。样本总数高达7,811份，其中包括来自肿瘤的5,726份样本和来自邻近健康组织的2,085份样本。这些样本为研究团队提供了丰富的蛋白质丰度信息。为了进行更全面的比较，研究人员还为其中约2,900份肿瘤样本和722份健康样本收集了配对的mRNA表达数据。研究人员利用蛋白质共丰度来估计蛋白质对（Protein pair）之间发生关联的可能性。具体来说，他们计算了同一研究中至少在30个样本中都能检测到的一对蛋白质的丰度曲线之间的皮尔森相关系数（Pearson correlation）。相关性越强，说明这对蛋白质共丰度的趋势越一致，它们也就越有可能存在功能关联。为了将这些相关系数转化为易于理解的概率，研究团队使用了逻辑模型（Logistic model）。他们利用已知的稳定蛋白质复合体（比如来自CORUM数据库的数据）作为阳性样本（Ground-truth positives），也就是已知有相互作用的蛋白质对。通过训练逻辑模型，研究人员可以将任何一对蛋白质的共丰度相关系数转化为一个介于0到1之间的概率，表示这对蛋白质发生关联的可能性。这项研究总共汇集了来自不同研究的超过110万个蛋白质对的关联概率，这些数据为构建组织特异性图谱奠定了坚实的基础。共丰度：预测蛋白质关联的有力工具那么，利用蛋白质共丰度来预测蛋白质关联，效果究竟如何呢？研究团队将这种方法与另外两种常用方法进行了比较：mRNA共表达和蛋白质共分级（Protein cofractionation）。蛋白质共分级是一种通过分离细胞组分并分析蛋白质在不同组分中的丰度来推断相互作用的方法，通常被认为是预测物理相互作用的黄金标准之一。为了评估这些方法的性能，研究人员同样使用CORUM数据库中的已知蛋白质复合体成员作为阳性样本，计算了受试者工作特征曲线下面积（Area Under the Curve, AUC）。AUC是一个衡量分类器性能的指标，值越高表示预测准确性越高。结果显示，基于蛋白质共丰度的关联概率在回收已知蛋白质复合体成员方面的表现最优，其平均AUC达到了0.80（标准误 ± 0.01）。这显著优于蛋白质共分级数据（平均AUC 0.69 ± 0.01）和mRNA共表达数据（平均AUC 0.70 ± 0.01）。这一发现非常有意义，它表明仅仅通过蛋白质在不同样本中的丰度变化，就能相当准确地推断出它们的功能关联。更有趣的是，研究人员尝试将mRNA和蛋白质丰度数据结合起来，但这种组合并没有显著提高召回已知复合体成员的性能（平均AUC 0.82 ± 0.01），与单独使用蛋白质共丰度相比，差异不具有统计学意义（P = 0.15）。此外，即使在计算蛋白质共丰度估计之前，先从蛋白质丰度中去除基因表达的影响，得到的AUC也仅轻微下降到0.78（标准误 ± 0.01），差异也不具有统计学意义（P= 0.18）。这强烈暗示，蛋白质共丰度的预测能力主要来自于转录后过程（Post-transcriptional processes）的影响，而不是简单的基因表达水平变化。这意味着，蛋白质的降解、修饰或复合体组装动力学等因素，可能比基因表达本身更能驱动蛋白质之间的共丰度关系，进而反映它们的功能关联。图谱初显：组织特异性关联的面貌既然蛋白质共丰度能够有效地预测蛋白质关联，并且主要反映了转录后过程，那么这些关联是否具有组织特异性呢？研究人员首先通过基因表达数据确认，蛋白质关联概率并非简单地由细胞类型组成（Cell-type composition）差异引起。随后，他们分析了来自所有研究的1,115,405个关联概率，发现来自同一组织的重复队列通常会聚集在一起。例如，来自不同血液样本研究的数据会聚类，来自不同脑组织样本的数据会聚类，来自不同肝脏样本和肺脏样本的数据也表现出类似的聚类模式。这有力地证明了组织来源是导致不同研究队列之间蛋白质关联差异的主要驱动因素。在比较同一组织（AUC 0.71 ± 0.01）和不同组织（AUC 0.56 ± 0.00）对恢复组织特异性关联的能力时，这种差异在所有组织中都具有统计学意义（P < 0.05）。基于不同队列聚类的结果，研究团队将来自同一组织的重复队列的关联概率进行聚合，为11个人体组织计算了单一的组织级关联得分（Association scores）。这种聚合方法被证明是有效的，因为它在恢复已知蛋白质相互作用方面的表现优于绝大多数单个队列（P = 1.3 × 10⁻¹⁰）。值得注意的是，来自肿瘤样本计算得到的关联得分在预测已知蛋白质相互作用方面优于来自健康组织样本的得分（肿瘤AUC 0.87 ± 0.01，健康AUC 0.82 ± 0.01，差异具有统计学意义 P = 8.3 × 10⁻⁵）。这可能是因为肿瘤样本由于遗传异质性等因素，样本间的变异性更大，反而有助于识别更稳健的共丰度模式。尽管如此，肿瘤来源的得分仍然能够很好地恢复健康组织的组织特异性关联（同一健康组织AUC 0.74 ± 0.02，其他健康组织AUC 0.53 ± 0.01，差异具有统计学意义 P = 5.9 × 10⁻⁵）。这些分析共同表明，基于蛋白质共丰度计算的组织级关联得分是可重复的，并且能够代表蛋白质关联在特定组织中的情况。最终，研究人员构建了一份包含1.16亿个蛋白质对在11种人体组织中的关联得分图谱。平均而言，每个组织包含约5600万个蛋白质对的关联得分，其中约1000万个蛋白质对被认为是“可能关联”（Likely associated，得分大于0.5），约49万个蛋白质对被认为是“高可信关联”（Confident associations，得分大于0.8）。这些关联在不同组织中的分布差异很大，只有约99,103个蛋白质对在所有11个组织中都被认为是可能关联的。这初步揭示了蛋白质关联具有显著的组织特异性。组织间的差异：远不止基因表达一个长期存在的观点认为，组织间蛋白质相互作用的差异主要源于基因表达水平的差异——如果一个蛋白质在某个组织中不表达，那它自然也无法参与该组织中的相互作用。这项研究证实，在特定组织中能被检测到的蛋白质，其在同一组织中的表达水平普遍高于其他组织（P = 1.3 × 10⁻⁶）。然而，研究团队发现，组织间（可能关联）关联差异中，只有最高7%可以通过基因表达水平差异来解释，而且这部分解释力主要来自于蛋白质在某些组织中完全检测不到的情况。这进一步支持了先前的发现，即蛋白质共丰度主要受转录后过程驱动，组织间的关联差异并不仅仅是基因表达的简单反映。为了量化组织特异性关联的比例，研究人员发现，在比较同一健康组织和肿瘤组织的重复样本时，约46.3%的可能关联（得分大于0.5）和90.2%的高可信关联（得分大于0.8）在重复样本中仍然被认为是可能关联的。而在比较不同组织之间的关联时，这些比例分别下降到32.9%和54.6%。基于重复样本与不同组织之间的这些概率差异，研究人员估计，在可能的关联中，有18.8%到34.0%（四分位数间距）是组织特异性的。考虑到最高7%的可能关联因为基因表达差异而在其他组织中未被检测到，研究最终估计，超过25.8%（即18.8% + 7%）的可能关联是组织特异性的。这意味着，组织间的蛋白质“朋友圈”不仅面貌各异，而且这种差异的很大一部分是由基因表达以外的因素驱动的，这些因素可能包括组织或细胞类型特有的蛋白质修饰、定位、稳定性或与特定细胞器、结构的关联。细胞组分：组织特异性关联的关键驱动力组织间的蛋白质关联差异是由什么决定的？研究人员通过分析不同组织中可能关联的共享程度来探索这个问题。他们发现，与所有可能关联（平均Jaccard指数 0.19）相比，如果仅限于已知的高通量实验（如酵母双杂交HuRI，Jaccard指数 0.30；AP BioPlex，Jaccard指数 0.41）检测到的相互作用，或者仅限于已知生物学途径（如Reactome，Jaccard指数 0.48）、信号通路（如SIGNOR，Jaccard指数 0.32）中的相互作用，或者物理相互作用（如STRING得分大于400，Jaccard指数 0.56），组织间的相似性会有所增加。如果仅限于人类蛋白质复合体（如CORUM，Jaccard指数 0.74），组织间的相似性则最高。这意味着，已知的蛋白质相互作用，特别是稳定复合体中的相互作用，在不同组织间通常是共享的。然而，研究人员也发现，那些在不同组织中变化较大的关联，往往与特定的细胞组分（Cellular components）相关。例如，大脑组织中与突触（Synapse）相关的组分、喉部组织中与肌肉纤维结构相关的组分、肺部组织中与运动纤毛（Motile cilia）相关的组分以及肝脏组织中与过氧化物酶体（Peroxisomes）相关的组分，其蛋白质关联在不同组织间表现出强烈的差异性。这表明，组织特异性或细胞类型特异性的细胞组分是驱动组织间蛋白质关联差异的重要因素，而且这种差异独立于简单的基因表达差异。研究团队进一步探索了图谱中细胞类型特异性关联的例子。以AP2衔接蛋白复合体（AP2 adaptor complex）为例，它在所有细胞中都具有普遍功能，但在神经元中也有特异性功能。图谱显示，AP2复合体亚基在所有组织中都是共丰度的（平均关联得分0.80）。然而，在与AP2复合体关联且已知与之相互作用（STRING得分大于400）的91个蛋白中，51个突触蛋白（SynGO数据库中的蛋白）在大脑中的关联得分（平均0.54）高于其他组织（平均0.48 ± 0.00，P = 6.7 × 10⁻⁶）。相反，非突触蛋白在大脑中的关联得分（平均0.33）低于其他组织（平均0.43 ± 0.00，P = 1.1 × 10⁻²¹）。这生动地展示了即使是普遍存在的蛋白质复合体，其与不同功能蛋白质的关联也可能具有组织或细胞类型特异性。图谱还能揭示疾病相关的细胞类型特异性关联。例如，血红蛋白（Hemoglobin）蛋白与贫血（Anemia）相关，在图谱中，它们与贫血相关蛋白的可能关联只在血液组织中出现。同样，乳糜微粒（Chylomicron）亚基与克罗恩病（Crohn's disease）相关，它们与克罗恩病相关蛋白的可能关联只在结肠（Colon）组织中出现。纤维蛋白原（Fibrinogen）亚基与肝脏疾病相关，它们与肝脏疾病相关蛋白的肝脏特异性可能关联也被发现。这些例子表明，这份关联图谱可以用来研究蛋白质复合体的组织特异性功能以及疾病基因在特定情境下的关联。研究人员还将这种分析推广到更广阔的层面，系统性地绘制了性状（Traits，基于GWAS数据）与细胞组分之间的关系图谱。他们发现，在所有组织中都得分较高的关系主要涉及核心细胞组分，如核糖体（Ribosome）和剪接体（Spliceosome）（72%的关系相对平均得分大于1.75）。而那些在不同组织中变异最大的关系（变异系数大于0.4）往往涉及组织特异性结构，比如突触组分（Synaptic components）（61%的关系属于这一类）。这些发现再次印证了细胞组分，特别是组织特异性组分，在决定蛋白质集合的组织特异性相关性中扮演的关键角色。疾病基因“C位”：基于图谱的精准排序理解蛋白质关联的组织特异性如何应用于疾病研究？研究团队利用这份图谱来优先排序（Prioritize）疾病相关基因，特别是那些位于遗传关联位点（Loci）的候选基因。已知与疾病基因直接相互作用的蛋白通常更可能是致病基因，并且在成功的药物靶点中富集。为了更深入地探索这一点，研究人员构建了一个针对精神分裂症（Schizophrenia, SCZ）相关基因的大脑相互作用网络，旨在优先排序大脑中那些得分较高且涉及SCZ相关基因的关联。研究始于369个通过GWAS研究与SCZ关联的基因（“起始基因”，L2G得分大于等于0.5）。他们计算了这些起始基因与各自组织中得分最高的25个性状和细胞组分之间的关系。随后，研究人员筛选出那些包含一个SCZ起始基因和一个SCZ相关基因的蛋白质对，并要求它们在大脑中的关联得分高于该组织得分分布的97%分位数（在大脑中平均得分0.73）。由此得到了SCZ相关基因的组织特异性关联网络。令人鼓舞的是，移除SCZ起始基因后，该大脑网络中剩余的基因仍然富集于与SCZ相关的基因，这些证据来自小鼠SCZ表型（Mouse phenotypes）（BH校正P值 1.5 × 10⁻⁵）、SCZ药物靶点（BH校正P值 9.8 × 10⁻⁵）以及GWAS中关联较弱的变异（BH校正P值 1.0 × 10⁻⁷）。与其他组织相比，这种富集性是特定于大脑的。这表明，所提出的方法提供了一种系统性地优先排序组织特异性性状疾病基因的途径。为了进一步验证这些预测的SCZ相关基因关联，研究人员汇编了一个实验验证过的人类大脑相互作用数据集，这些数据主要来自使用人类大脑细胞（AP-MS或CoIP-MS）进行的Pull-down实验。该数据集包含了7,887个与30个“诱饵蛋白”（Bait proteins）相关的人类大脑相互作用。研究人员筛选出该数据集中与SCZ相关的诱饵蛋白，并将组织特异性SCZ相关基因网络过滤到只包含至少一个诱饵蛋白的关联。结果发现，这些SCZ相关基因的关联强烈富集于与SCZ相关诱饵蛋白的Pull-down相互作用中，尤其是在大脑中（log BH校正P值高达84.3），远远高于其他组织（平均log BH校正P值仅为1.8）。这有力地证明了该研究预测的大脑SCZ相关基因关联得到了实验验证，并且确实富集于SCZ相关的互作蛋白。整合多源证据：深入理解并发现新靶点在实验验证的基础上，研究人员从优先排序的大脑SCZ相关基因关联中，筛选出那些也通过Pull-down研究发现的相互作用，构建了一个包含205个已验证的大脑SCZ相关基因相互作用网络。为了简化并突出重点，他们进一步将网络限制在具有先前证据的突触（SynGO）基因。这个可视化网络包含56个蛋白质，通过66个已验证的大脑相互作用连接到3个诱饵蛋白。这些蛋白质中包括3个SCZ药物靶点（临床阶段2或更高）、12个与小鼠SCZ相关的蛋白（IMPC得分大于等于0.5）以及15个与SCZ相关但先前证据较弱的蛋白（OTAR L2G得分小于0.5）。令人惊讶的是，在这205个已验证的相互作用中，只有4个在主要蛋白质相互作用数据库中被报告过。这个网络富集了典型的神经元功能和SCZ相关的细胞组分基因群，比如突触后细胞骨架（Postsynaptic cytoskeleton）（BH校正P值 2.3 × 10⁻⁸）和网格蛋白包被囊泡（Clathrin-coated vesicles）（BH校正P值 9.4 × 10⁻¹⁴）。特别是，与网格蛋白囊泡相关的组分，该网络连接了AP2复合体的所有亚基和网格蛋白与HCN1蛋白的相互作用。有研究表明，HCN通道与TRIP8b直接相互作用，TRIP8b调节HCN通道的运输，并主要与AP2复合体关联。鉴于中间白蛋白阳性（PV）神经元与SCZ之间的已知联系，这些观察结果提示AP2和网格蛋白可能参与了与SCZ相关的PV神经元HCN通道运输的特定障碍。为了提出已验证SCZ相关基因大脑相互作用的潜在界面模型，研究人员利用AlphaFold2预测了205个蛋白质相互作用的结构，包括可视化网络中的所有相互作用。这些预测模型得到的相互作用置信度（pDockQ得分平均0.28）高于CORUM（平均0.13）和HuMAP（平均0.25）中已知复合体成员的模型。总共识别出15个中等置信度的相互作用（界面预测模板建模ipTM得分大于0.5）。这其中包括所有三个14-3-3蛋白（YWHAG, YWHAH, YWHAZ）与HCN1的大脑特异性结合（平均关联得分0.82）。这三个模型的预测界面重叠，位于HCN1的C端无序区域（残基775-802），包含一个预测的14-3-3结合位点（中心位于S789，预测结合位点ipTM得分平均0.75）。这一结合位点已通过Pull-down实验验证，且已知14-3-3蛋白与HCN1的结合依赖于S789的磷酸化，这种相互作用可能抑制HCN1的降解。最后，该网络还包含15个位于与SCZ遗传关联位点的基因，它们作为致病基因的证据相对较弱。考虑到它们与SCZ相关基因的相互作用，这些基因更有可能因其功能作用而成为潜在的致病基因。例如，AP2B1, ATP2B2和SYNGAP1这三个基因的L2G得分（分别为0.457, 0.264和0.251）低于研究设定的0.5截止值，但由于它们与SCZ相关基因的相互作用而被优先排序。另一个例子是PAFAH1B1，虽然其L2G得分较低，但它在突触组分中富集，且与另一种突触蛋白RHOA存在相互作用。尽管PAFAH1B1作为致病基因的证据较弱，但其与大脑疾病（如抑郁症）的关联以及其在突触的特异性位置和表达，使得它在抑郁症相关的优先级排序中被提升。这些例子表明，结合遗传学数据、组织特异性网络和AlphaFold2结构预测，可以构建一个整合的网络，增强对疾病机制的理解并助力靶点优先排序。所预测的疾病-基因关联倾向于组织特异性，这可能意味着所提出的靶点也更安全。绘制涵盖人体所有组织的蛋白质相互作用图谱，一直是一个巨大的挑战。这项研究利用大规模蛋白质组学样本的蛋白质共丰度，构建了一份全面的组织特异性蛋白质关联图谱，包含了1.16亿个蛋白质对在11个组织中的关联得分。研究证实，蛋白质共丰度是预测蛋白质功能关联的有力工具，其准确性甚至优于蛋白质共分级和mRNA共表达。这份图谱成功地重建了已知的蛋白质复合体和更大的细胞结构组织，并揭示了蛋白质关联存在显著的组织特异性，其中超过25%的关联是组织特异性的，而基因表达差异仅能解释其中不到7%。组织特异性的细胞组分，如突触，被发现是驱动组织间差异的主要因素。该图谱不仅能揭示蛋白质复合体和细胞组分的组织特异性功能，还能关联性状与细胞组分，并为疾病基因的优先排序提供依据。研究以精神分裂症为例，展示了如何利用图谱构建SCZ相关基因在大脑中的相互作用网络，并通过Pull-down实验和AlphaFold2结构预测对这些关联进行验证。结果显示，通过结合多种证据来源，可以有效地筛选出更可能为致病基因的候选者，即使他们在遗传关联位点上的证据相对较弱。这种方法为理解复杂疾病（特别是神经系统疾病）的分子机制提供了新的视角，并为发现更具组织特异性的药物靶点奠定了基础。当然，共丰度推断的“蛋白质关联”并非都是直接的物理相互作用，这是一种功能层面的关联，它可能受到蛋白质复合体稳定性、蛋白质定位、翻译后修饰等多种因素的影响。未来的研究可以进一步整合更多数据源（如蛋白质修饰组学、空间蛋白质组学等）以及更先进的计算方法，来完善这份图谱，并区分不同类型的蛋白质关联。尽管如此，这份组织特异性蛋白质关联图谱已经为我们提供了一张前所未有的蛋白质“朋友圈”地图，有望加速对复杂疾病机理的理解，并为精准医疗和药物开发带来新的突破。参考文献Laman Trip DS, van Oostrum M, Memon D, Frommelt F, Baptista D, Panneerselvam K, Bradley G, Licata L, Hermjakob H, Orchard S, Trynka G, McDonagh EM, Fossati A, Aebersold R, Gstaiger M, Wollscheid B, Beltrao P. A tissue-specific atlas of protein-protein associations enables prioritization of candidate disease genes. Nat Biotechnol. 2025 May 2. doi: 10.1038/s41587-025-02659-z. Epub ahead of print. PMID: 40316700.声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！往期热文：Cell | 颠覆认知！不是被动扩散，CD36介导内吞才是许多“大块头”药物入胞的秘密通道Nature Methods | mScarlet3-H：红色荧光蛋白的新一代王者！Nature Methods | 告别“平面时代”！光学显微镜如何带你看清3D细胞世界的秘密？Nature | 帕金森病新曙光！iPS细胞人体试验结果揭晓，安全有效性初显！Cell | 实时见证“基因之吻”：Oligo-LiveFISH高精度追踪增强子-启动子动态互作Nature Biotechnology | 重磅综述：不止CAR-T！唤醒免疫“特种部队”，工程化先天细胞开启抗癌新纪元

*仅供医学专业人士阅读参考阿尔茨海默病（AD）的认知能力下降速度在不同人中差异极大，症状发作年龄在40-100岁之间，而从轻度认知障碍（MCI）进展到AD源性痴呆症的时间在2-20年内。目前通过脑脊液和PET对生物标志物β淀粉样蛋白（Aβ）和tau的评估已经一定程度上可以帮助进行AD的诊断和进展预测。然而，Aβ和tau只能解释AD认知障碍方差中的20-40%。此前提出的“A/T/N”（Aβ/tau/神经变性）的生物标志物框架中，神经变性也只能有限地解释除Aβ和tau之外的一小部分，因此，这表明存在其他的AD源性痴呆症驱动因素。在今天的《自然·医学》杂志中，来自斯坦福大学的研究团队发表最新研究成果[1]，在脑脊液蛋白质组学分析中，突触蛋白具有独立于Aβ和tau的最强认知障碍相关性。利用机器学习，他们发现，脑脊液YWHAG:NPTX2突触蛋白比值相比pTau181:Aβ42和tau PET等金标准标志物，能够解释更多的认知障碍方差。脑脊液YWHAG:NPTX2会随年龄增长而增加，在常染色体显性AD（ADAD）突变携带者中，大约开始于估计的症状出现前20年。在超过15年的随访中，脑脊液YWHAG:NPTX2能够很好地预测Aβ和磷酸化tau双阳性（A+T+）的认知正常者，以及A+T+ MCI进展为痴呆症。这些结果强调了脑脊液YWHAG:NPTX2是认知弹性与AD发病和进展的稳定预后生物标志物，也进一步暗示了突触功能障碍是AD源性痴呆症的一个核心驱动因素。这项研究使用6个前瞻性AD病例对照队列的3397名参与者的脑脊液样本，进行了大规模的蛋白质组学分析。研究人员共鉴定出了675个显著增加的蛋白和721个显著减少的蛋白，主要在突触蛋白中富集，增加最多的包括YWHAG、YWHAZ和YWHAH等，YWHA家族与pTau181:Aβ42密切相关。减少最多的蛋白包括NPTX2、NPTXR和SLITRK1等，其中排名第一的NPTX2此前被发现过在AD神经元中表达下降。研究人员训练了一个惩罚线性模型，根据214种突触蛋白的水平来预测认知障碍的严重程度，并使用递归特征消除对模型进行了简化，该模型确定YWHAG和NPTX2之间接近1:1的差异是认知障碍的合适特征。在各队列中，YWHAG:NPTX2与认知障碍的关联都是一致的，包括散发性和早发性AD，以及不同性别亚组。各队列中，YWHAG:NPTX2在不同人群中的分布在区分痴呆症患者和认知正常个体时，YWHAG:NPTX2的曲线下面积（AUC）为0.97。在A+T+个体中，YWHAG:NPTX2水平低（最低的25%）者中62%认知正常，37%有MCI，而水平高（最高的25%）者中仅有4%认知正常，46%患痴呆症。线性回归显示，在A+T+个体中，pTau181:Aβ42解释了认知障碍中10%的方差，YWHAG:NPTX2解释了36%，额外解释了除pTau181:Aβ42外的27%。类似的情况也发生在YWHAG:NPTX2与tau PET（额外11%），以及脑脊液神经丝轻链蛋白（NfL）、生长相关蛋白43（GAP-43）和神经颗粒素（额外28%）的比较中。这些结果表明，YWHAG:NPTX2水平代表一种“病理”，与以前报道的AD神经变性和突触功能障碍生物标志物不同，并且与认知障碍的关系更加密切。研究人员还发现，YWHAG:NPTX2在成年后早期就会随年龄增加，它的变化发生在pTau181:Aβ42变化前约30年。无论是散发性AD还是ADAD，相比正常衰老，AD进展期间，YWHAG:NPTX2增加都有数倍的加速，在ADAD中，发病前约22年，YWHAG:NPTX2就会有显著增加。在衰老过程中，YWHAG:NPTX2和pTau181:Aβ42随年龄的变化这种逐步的变化意味着YWHAG:NPTX2可能能够作为预测AD发病和进展的标志物。在15年的随访中，校正基线认知障碍、pTau181:Aβ42、脑脊液NfL和神经颗粒素、年龄、性别，以及APOE4后，YWHAG:NPTX2能够很好地预测A+T+ MCI人群向轻度痴呆症的进展，YWHAG:NPTX2每增加一个标准差，认知下降风险增加124%。类似的，YWHAG:NPTX2也能够预测A+T+认知正常者未来发生痴呆症的风险，每增加一个标准差，风险即增加197%。YWHAG:NPTX2对进展为痴呆症的预测最后，鉴于近年来血浆AD生物标志物的可用性增加，研究人员也结合机器学习，尝试提取出了一组基于血浆蛋白质组学的认知障碍生物标志物，包含了随认知障碍增加的蛋白CPLX2、PTPRD和PI3等，以及随认知障碍下降的蛋白NPTXR、SEZ6L和CD93等，它们与脑脊液YWHAG:NPTX2具有相关性。综上所述，脑脊液中的突触蛋白具有非Aβ和tau依赖性的与AD相关认知障碍的关联，突触蛋白YWHAG:NPTX2水平变化代表了一个与认知功能障碍过程有关的生物过程，而目前我们对此还知之甚少，还需要进行机制研究以阐明这一病理学的发展。同样在今天，美国圣路易斯华盛顿大学医学院和瑞典隆德大学的研究团队发表了另一篇AD生物标志物的研究[2]，他们发现，血浆MTBR-tau243能够特异性地反映tau的缠结病理，在MCI和痴呆症阶段呈现阶段式的升高，这一标志物与tau PET和认知能力密切相关，优于目前常用的其他血浆tau标志物（p-tau217和p-tau205）。生物标志物的进展对于AD的诊断、治疗药物研发、疗效评估和临床试验受试者筛选都有着重要意义，期待它们未来在临床中的应用。参考文献：[1] Oh, H.SH., Urey, D.Y., Karlsson, L. et al. A cerebrospinal fluid synaptic protein biomarker for prediction of cognitive resilience versus decline in Alzheimer’s disease. Nat Med (2025). https://doi.org/10.1038/s41591-025-03565-2[2] Horie, K., Salvadó, G., Koppisetti, R.K. et al. Plasma MTBR-tau243 biomarker identifies tau tangle pathology in Alzheimer’s disease. Nat Med (2025). https://doi.org/10.1038/s41591-025-03617-7本文作者丨应雨妍

▎药明康德内容团队编辑  阿尔茨海默病是一种令人生畏的疾病，因为它会逐渐影响人最重要的器官——大脑，造成记忆力减退，最终丧失思考能力。作为最常见的痴呆症形式，阿尔茨海默病叶常被当作“老年痴呆”的代名词。不过，阿尔茨海默病的发展速度因人而异，从轻度认知受损进展到痴呆症，有些人可能仅仅两三年时间，有些人则能撑上20年左右。已有的研究显示，在出现认知衰退症状之前的十几年，患者脑中早已出现病理变化，最为人熟知的大概就是淀粉样蛋白聚集或过度磷酸化tau蛋白形成缠结。一些检测早期阿尔茨海默病的技术便是在此基础上开发的，例如通过PET脑扫描检测淀粉样蛋白斑块和tau蛋白缠结。然而，阿尔茨海默病的病理过程十分复杂，已有的这类指标无法完全解释阿尔茨海默症患者中观察到的认知受损差异。在《自然-医学》本周发表的一篇研究论文中，斯坦福大学的一支研究团队基于对脑脊液的分析，发现了一个新的蛋白指标，用于预测阿尔茨海默症患者症状发作和病情进展，尤其是对早期阿尔茨海默病患者未来的痴呆风险做出预测。脑脊液是填充在大脑和脊髓四周的透明液体，相当于中枢神经系统内的“血浆”，能为大脑提供营养物质，也帮助清除有害蛋白和代谢废物。这项研究的负责人Tony Wyss-Coray教授在二十多年前开启大脑衰老相关研究时就注意到了脑脊液的重要性。在先前的研究中，他与同事曾经通过精巧的手术将年轻小鼠的脑脊液输入到衰老小鼠的脑中，发现改变脑脊液的成分就可以逆转大脑衰老，帮助衰老小鼠提升记忆力。显然，脑脊液“有点东西”。在此次的新研究中，Wyss-Coray教授团队的研究生Hamilton Se-Hwee Oh等人则对人类的脑脊液样本展开了大规模蛋白质组学分析。研究收集了来自美国、瑞典和芬兰的6个前瞻性队列人群的脑脊液样本，总共3397名受试者，包含3187名确诊认知衰退的患者。研究人员将蛋白质组学分析结果与受试者的认知功能、年龄、性别、阿尔茨海默症风险基因（如APOE4）以及PET脑扫描结果中生物标志物（淀粉样蛋白和tau蛋白）的数据进行关联，鉴定出与认知衰退关系最密切的脑脊液蛋白。▲研究示意图（图片来源：参考资料[1]）结果显示，与认知受损关系最密切的是突触蛋白，即通常在神经元连接处富集的蛋白，并且这种相关性与淀粉样蛋白、tau蛋白无关。论文指出，这一结果“进一步表明突触功能障碍是阿尔茨海默病导致痴呆的核心驱动因素”。在数百种含量显著上升的脑脊液蛋白中，最突出的一种蛋白是YWHAG。与此一致的是，复旦大学附属华山医院郁金泰教授领衔的团队在不久前发表的研究中也通过高通量脑脊液蛋白质组学发现，YWHAG可作为临床诊断阿尔茨海默病痴呆的重要生物标志物。同时，还有数百种蛋白随认知受损而含量下降，最显著的包括NPTX2。利用机器学习，作者发现这两种蛋白的比值（即YWHAG:NPTX2）可作为新的潜在生物标志物，可能是比当前金标准生物标志物更为可靠的认知受损指标。论文显示，脑脊液中的YWHAG:NPTX2比值从生命早期开始就会随年龄增长而上升，并且与阿尔茨海默病从认知正常进展到轻度认知、以及从轻度认知进展到痴呆症的风险上升密切相关。作者指出，这一比值除了用于阿尔茨海默症的早发现和监测病情发展，还可用于阿尔茨海默病新药临床试验，评估患者在接受治疗后认知能力是否有所恢复。研究团队也进一步在上万份样本中测试了血浆蛋白质组的特征，并一定程度上再现了脑脊液YWHAG:NPTX2的特征。值得一提的是，在《自然-医学》同期发表的另一篇论文中，圣路易斯华盛顿大学医学院和瑞典隆德大学的研究人员合作开发了一种新的血液检测指标，同样有助于对阿尔茨海默病患者的疾病发展程度做出诊断。这项研究发现，血液中一种名为MTBR-tau243的蛋白质水平能准确反映阿尔茨海默病患者脑中tau蛋白的聚集程度，并与疾病进展的严重程度相关。研究作者指出，这种检测方法也可以应用到为治疗阿尔茨海默病开发新药的临床研究中，借助简单的液体活检，让医生们更好地判断患者的痴呆症状是否由阿尔茨海默病引起，以及更好地确定哪些患者可能从药物治疗中获益，以及获益的程度。期待这些液体活检技术能够在不久的将来造福阿尔茨海默病患者，让患者在疾病不同阶段得到更有效的个体化治疗方案。参考资料：[1] Hamilton Se-Hwee Oh et al., A cerebrospinal fluid synaptic protein biomarker for prediction of cognitive resilience versus decline in Alzheimer’s disease. Nature Medicine (2025) Doi: 10.1038/s41591-025-03565-2[2] Kanta Horie et al., Plasma MTBR-tau243 identifies tau tangle pathology in Alzheimer’s disease. Nature Medicine. 2025. DOI: 10.1038/s41591-025-03617-7.[3] Highly accurate blood test diagnoses Alzheimer’s disease, measures extent of dementia. Retrieved Apr. 1, 2025 from https://www.eurekalert.org/news-releases/1078610本文来自药明康德内容微信团队，欢迎转发到朋友圈，谢绝转载到其他平台。如有开设白名单需求，请在“学术经纬”公众号主页回复“转载”获取转载须知。其他合作需求，请联系wuxi_media@wuxiapptec.com。免责声明：药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作信息交流之目的，文中观点不代表药明康德立场，亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。更多推荐点个“在看”再走吧~