Nat. Med. | 基于人群尺度单细胞数据的阿尔茨海默病表型AI解析

阿尔茨海默病（Alzheimer’s disease，AD）具有高度异质性，不同患者在神经病理变化、认知障碍和神经精神症状方面表现出显著差异。部分患者即使具有明确的AD病理改变，也能够长期保持较好的认知功能，提示疾病表型背后可能存在不同的细胞状态和分子机制。PsychAD项目建立了一个大规模人群单核RNA测序资源，包含来自1,494名供体背外侧前额叶皮层的630多万个细胞核，并覆盖AD诊断、Braak病理分期、认知韧性以及抑郁、睡眠异常等多种疾病表型。基于这一资源，研究人员开发了 PASCode（Phenotype Associated Single Cell encoder），用于在单细胞层面量化细胞与特定临床表型之间的关联。   

PASCode首先整合多种差异丰度分析方法，为细胞生成稳健的表型标签，再利用图注意力网络学习细胞表达特征及细胞间相似性，最终为每个细胞计算表型关联分数。研究人员在584名具有详细AD相关表型信息的供体中识别约150万个表型相关细胞，并进一步解析不同细胞亚群、基因和调控网络与AD诊断、疾病进展、认知韧性以及AD相关抑郁之间的关系。研究发现，微胶质细胞和星形胶质细胞是AD最显著相关的细胞群；认知受损患者表现出更明显的兴奋/抑制失衡和线粒体功能异常；不同反应性星形胶质细胞亚型可能分别具有神经保护或神经毒性作用；而AD相关抑郁则表现出独立于一般AD炎症的星形胶质细胞和少突胶质细胞异常。相关结果在SEA-AD、ROSMAP和重度抑郁症等独立队列中得到进一步验证。

AD并不是一种具有单一临床轨迹的疾病。除了经典的记忆和认知下降外，患者还可能出现抑郁、激越、睡眠异常、体重变化等神经精神症状，而这些表型在不同疾病阶段和不同个体之间差异明显。尤其值得关注的是，一些具有明显淀粉样蛋白和Tau病理的个体仍保持正常或接近正常的认知能力，这种“认知韧性”说明病理负担本身并不能完全解释临床表现。

传统转录组研究通常以供体作为基本分析单位，将患者整体划分为AD和对照，再比较平均基因表达差异。然而，大脑由多种神经元和胶质细胞组成，即使属于同一种细胞类型，也可能同时存在疾病相关和疾病无关的细胞状态。将所有细胞简单平均，可能稀释真正与某一表型相关的细胞亚群信号。人群尺度单细胞数据则提供了新的机会：研究人员可以不再只问“哪一种细胞类型与AD有关”，而进一步追问“同一种细胞类型中哪些具体细胞状态与某一种疾病表型最相关”。

PsychAD数据为这一问题提供了前所未有的数据基础。该项目包含超过630万个单核，覆盖27个主要细胞亚类和65个更细粒度亚型，并记录了AD诊断、Braak分期、认知状态以及多种神经精神症状。研究人员因此构建PASCode，希望把临床层面的复杂表型投射到单细胞层面，寻找真正驱动不同AD表型的细胞、基因和调控网络。   

PASCode首先利用PsychAD人群单核RNA测序数据和供体表型信息，对细胞进行表型关联建模。对于每一个表型对比，例如AD与对照，研究人员同时应用多种细胞差异丰度方法，评估某个细胞在不同条件下的相对富集趋势，再通过排序聚合获得三类稳定标签：与目标表型正相关、负相关或不明显相关。随后，以细胞基因表达和细胞–细胞相似图为输入训练图注意力网络，使模型预测这些聚合标签，并根据正负类别概率差得到每个细胞的表型关联分数，即PAC score。模型潜在空间还可进一步把原有细胞类型细分为具有不同表型关联性的亚群。研究人员再按供体汇总各细胞类型PAC分数，利用随机森林和SHAP确定与特定表型最相关的细胞亚类；随后对PAC阳性和阴性细胞进行差异表达、通路富集以及基因调控网络分析。PsychAD预训练模型还被直接应用于SEA-AD、ROSMAP和重度抑郁症独立单细胞队列，以检验跨队列可迁移性。 

图1｜PASCode利用人群尺度单细胞数据计算表型相关细胞分数的总体框架，以及在PsychAD多种AD和神经精神表型中的应用。

研究人员首先针对AD诊断构建AD-PAC模型。在传统基因表达UMAP空间中，来自AD和对照供体的细胞高度混杂；而经过PASCode训练后，细胞在潜在空间中能够按照AD-PAC分数形成更清晰的分离。将模型应用于PsychAD留出数据以及SEA-AD和ROSMAP两个独立队列后，AD相关和对照相关细胞仍显示显著不同的PAC分数，说明模型捕获的并不仅是训练数据中的队列特异性信号。

进一步按照细胞亚类进行重要性排序，微胶质细胞排名最高，其次是星形胶质细胞。多个兴奋性和抑制性神经元亚类也位于前列，而血管软脑膜细胞（VLMC）同样表现出较强AD关联。相比之下，数量最多的少突胶质细胞并未因为细胞数量多而获得高排名，说明PASCode较少受细胞丰度影响。

微胶质细胞中，PAC层面的差异表达尤其明显。研究人员在AD-PAC阳性和阴性微胶质细胞之间识别出1,148个差异基因，而直接比较AD与对照供体只能获得220个。PAC层面更容易识别与Aβ结合、Tau蛋白结合、免疫反应和细胞死亡等AD相关功能有关的基因，并发现两个AD相关微胶质亚群与既往报道的APOE高表达脂质相关微胶质细胞高度对应。

图2｜AD-PAC识别的AD相关细胞群、细胞类型优先级，以及微胶质细胞PAC层面基因和通路变化。

为了研究疾病进展，研究人员利用Braak 0期和6期供体训练AD进展模型，再为中间Braak阶段的细胞计算连续的AD进展PAC分数。进一步按供体整合这些信号后得到“AD progression stage time”，其变化趋势与真实Braak分期显著一致，并且在SEA-AD中与独立定义的连续病理进展评分相关，说明单细胞表达模式能够一定程度重建AD病理进程。

在受影响较明显的EN_L2_3_IT兴奋性神经元中，与疾病进展相关的基因涉及Aβ清除、Tau病理、神经炎症、突触功能和学习记忆。研究人员随后比较相同晚期病理阶段下的“AD-strict”患者和认知韧性患者，发现两组虽然具有类似Braak病理负担，但其细胞分子状态明显不同。

差异主要集中在兴奋性和抑制性神经元。认知受损组出现MTERF1等线粒体相关基因异常，并伴随KCNB2、KCND2等离子通道和多个神经传递相关基因变化，提示线粒体功能障碍和兴奋/抑制平衡破坏可能与临床认知下降有关。研究人员还观察到脂质代谢相关异常。

星形胶质细胞则表现出更复杂的反应状态。Astro_ADAMTSL3和Astro_GRIA等亚型高表达CRYAB和HSPB1等潜在神经保护因子，而Astro_PLSCR1表现出更高的MAOB和CHI3L1，提示更强反应状态。有趣的是，在认知韧性个体中，Astro_PLSCR1的EMP1明显升高，提示同一种反应性星形胶质细胞可能同时具有损伤和保护相关程序。 

图3｜PASCode重建AD病理进展，并揭示认知韧性相关的神经元兴奋/抑制平衡、线粒体功能和反应性星形胶质细胞差异。

AD患者中的抑郁症状并不能简单理解为AD整体病理程度更严重。研究人员专门比较具有和不具有抑郁症状的AD供体，以尽可能去除一般AD信号，建立Depression-PAC。结果显示，抑郁相关细胞广泛分布于多个细胞亚类，但星形胶质细胞、少突胶质细胞和少突胶质前体细胞最为突出。

在更细的细胞亚型中，Astro_WIF1、Oligo_OPALIN、Astro_GRIA1和Astro_ADAMTSL3排名最高。男女分别分析后，星形胶质细胞和少突胶质细胞在两性中总体保持一致，但OPC和微胶质细胞显示一定性别差异。将PsychAD中的抑郁模型应用于独立重度抑郁症数据集后，分类AUC达到0.90，提示AD相关抑郁和临床重度抑郁症可能共享部分细胞机制。

在功能层面，Depression-PAC阳性星形胶质细胞表现出增强的炎症信号，其中IL18显著升高，而且类似变化也出现在其他细胞类型中。这表明抑郁为AD大脑引入了额外的炎症状态，而不是简单重复AD本身的炎症模式。

进一步寻找同时与AD和抑郁相关的细胞后，研究人员发现共同PAC主要富集于Astro_WIF1和Oligo_OPALIN。Astro_WIF1相关细胞中有271个基因显著上调，并富集于内质网应激和蛋白错误折叠相关通路，提示这类星形胶质细胞可能是AD和抑郁共病的重要交叉节点。 

图4｜AD相关抑郁的细胞亚群优先级，以及AD与抑郁共享的Astro_WIF1和Oligo_OPALIN细胞群。

在确定星形胶质细胞是AD相关抑郁最显著的细胞群后，研究人员进一步构建Depression-PAC阳性和阴性星形胶质细胞的基因共调控网络。通过比较由共同转录因子调节的基因，模型识别出多个具有明确生物学功能的调控模块。其中M2模块富集神经炎症和谷氨酸能信号，M9模块与胆固醇生物合成有关。不同模块在不同星形胶质细胞亚型中表现出明显表达偏好，例如M2在PLSCR1亚型中更高，而M9在GRIA1亚型中更突出。疾病本体富集进一步显示，Depression-PAC阳性星形胶质细胞中存在明显抑郁相关模块，而AD相关模块并不占主导，进一步支持模型确实区分出了抑郁特异的细胞程序。  

网络重构还显示多个转录因子的靶基因关系发生改变。例如，具有神经保护作用的ANXA1在Depression-PAC阳性细胞中与M9模块靶基因的连接减弱；GRHL3和LMO2等与神经发育和神经发生相关的因子也表现出明显的网络重连。这些变化提示AD相关抑郁可能并不仅是单个炎症基因表达增加，而是星形胶质细胞整个调控网络发生了系统性重新组织。

图5｜AD相关抑郁星形胶质细胞中的基因共调控模块、疾病富集以及转录因子网络重连。

除AD诊断、疾病进展和抑郁外，研究人员还对WeightGain/Sleep/Suicide以及WeightLoss/PMA等神经精神表型进行了PAC分析，并最终构建AD表型单细胞图谱。该图谱包含约150万个PAC以及对应的差异表达基因，可以比较同一细胞类型在不同临床表型中的作用，也可以寻找同时参与多个症状的细胞亚群。

不同表型具有不同的细胞组成。例如，AD本身以微胶质细胞和星形胶质细胞最突出，而抑郁更强调星形胶质细胞、少突胶质细胞和OPC。不同神经精神症状还具有各自的神经元和胶质细胞组合。研究人员同时提供PsychAD预训练模型，使其他单细胞数据无需完整临床表型信息，也能够直接预测细胞的PAC分数。SEA-AD、ROSMAP以及重度抑郁症数据的应用已经展示了这种跨队列迁移能力。    

图6｜AD及多种神经精神症状的表型相关细胞图谱，以及不同表型间的细胞类型和差异基因共享关系。

这项研究的主要创新在于改变了人群单细胞数据与临床表型之间的连接方式。传统研究通常从“患者属于哪一组”出发，再寻找平均表达差异；PASCode则把表型关联向下分解到每一个细胞，使同一名患者体内不同细胞可以具有完全不同的疾病相关程度。这样可以从数量庞大的背景细胞中筛选出真正与某一临床特征相关的亚群，并提高差异基因和通路信号的分辨率。

研究结果进一步强调，AD的不同临床表现可能由不同细胞机制驱动。微胶质细胞和星形胶质细胞主要参与经典AD病理，认知韧性则与神经元兴奋/抑制平衡、线粒体状态和反应性星形胶质细胞有关；AD相关抑郁则形成额外的炎症和星形胶质细胞调控网络，并与重度抑郁症表现出一定一致性。这样的细胞层级分解有助于解释为什么病理程度相近的患者仍可能具有不同认知和精神症状。

PASCode仍存在限制。目前模型一次只针对一个表型建模，而真实患者往往同时具有认知下降、抑郁和其他症状；模型主要处理离散表型，对连续疾病进展的描述仍较简单。此外，现有预训练模型主要建立在背外侧前额叶皮层单核转录组上，尚不能直接代表其他脑区、外周血或脑脊液。未来若进一步加入多表型联合建模、空间转录组、scATAC-seq和其他脑区数据，有望构建更加完整的AD细胞表型图谱。

总体而言，PASCode把大规模人群单细胞测序从“描述细胞组成”推进到“量化每个细胞与临床表型的关系”。这种分析框架使研究人员能够从复杂的AD异质性中定位特定细胞亚群和分子程序，为理解疾病进展、认知韧性以及神经精神共病提供了新的细胞层级视角。

He, C., Li, A.Z., Hanthanan Arachchilage, K. et al. AI-based characterization of Alzheimer’s disease phenotypes from population-scale single-cell data. Nat Med (2026). 

https://doi.org/10.1038/s41591-025-04128-1