基因能否通过影像中间表型预测阿尔茨海默病风险？

仅靠基因仍留下大量风险未解释

多基因风险评分把许多基因变异汇总成一个数值，是依据 DNA 预测常见疾病风险的标准做法。论文的出发点是这种方法存在上限：位于基因与症状之间的复杂生物学过程无法被基因变异单独完整捕捉，而传统多基因评分通常假设基因效应是线性的。相比之下，基于影像的模型在许多疾病上能达到高得多的准确率，但影像成本高，大多数人无法获得。

G2DBridge 正是围绕这一不对称设计的。它利用一个同时测量了基因、影像和诊断的队列，学习基因变异如何映射到影像衍生表型（IDP）。IDP 是定量的脑部测量，例如体积、皮层厚度或扩散指标，反映脑结构和微结构的变化。学会这一映射后，新队列只需要基因型数据：模型推断出影像特征，再交给疾病分类器。

三种影像模态携带的信号基本不冗余

研究使用了来自阿尔茨海默病神经影像计划（ADNI）的三组 IDP：扩散张量成像（DTI）反映白质微结构，FreeSurfer 形态学测量反映脑体积和皮层厚度，海马亚区分割（ASHS）反映海马区域。分析样本为 DTI 385 名参与者（265 个特征）、FreeSurfer 534 名（323 个特征）、ASHS 534 名（35 个特征），三组共有的参与者为 355 名。

单独使用时，这些 IDP 对阿尔茨海默病状态的分类表现已经不错。最佳 AUC 分别为：ASHS 配合 Lasso 为 0.853 ± 0.063，DTI 配合 XGBoost 为 0.952 ± 0.036，FreeSurfer 配合神经网络为 0.922 ± 0.024。把三者整合进一个神经网络模型后，AUC 升至 0.967 ± 0.018。论文用相关性分析支持这一增益：跨模态一致性很低，DTI–FreeSurfer 的平均绝对相关系数为 0.112，DTI–ASHS 为 0.085，FreeSurfer–ASHS 为 0.116，块级 RV 系数在 0.07 至 0.18 之间。作者据此认为，这些模态捕捉的是互补而非重复的脑结构信息。

预测出的影像特征只解释很小一部分方差

第二阶段要回答基因型能否预测 IDP。在三组 IDP 中，神经网络在解释方差和误差之间取得了最好的平衡。DTI 上 R² = 0.072 ± 0.019；FreeSurfer 和 ASHS 上 XGBoost 的 R² 最高，分别为 0.033 ± 0.007 和 0.051 ± 0.004，神经网络紧随其后，为 0.032 ± 0.008 和 0.051 ± 0.003，同时误差最小。Lasso 表现较差，R² 更低、均方误差更高。

约 0.03 至 0.07 的 R² 绝对值很低，论文并未把它当作对个人扫描的准确重建。作者认为这在统计遗传学中是预期结果：基于基因型的模型通常只能解释复杂性状的一小部分方差。他们把目标定位为分离出每个 IDP 中可遗传、受基因调控的成分，而不是复现非遗传噪声。作为支持证据，他们报告在所有模态中，真实 IDP 与预测 IDP 的 GWAS 效应值呈正相关。

外部验证中 G2DBridge 优于多基因评分

决定性的比较在只有基因数据的情况下进行。模型在 ADNI 上用五折交叉验证训练和调参，阿尔茨海默病测序计划（ADSP）第 5 版仅用于外部验证，同时出现在两个数据集中的个体已从 ADSP 中剔除。仅含基因型的 ADSP 队列有 25,113 人。多基因评分来自 PGS Catalog，使用大规模 GWAS 已发表的 SNP 效应值计算，包括多个源自大型欧洲队列的评分和一个在多祖先样本上训练的评分。

在 ADNI 内部验证中，基因推断的 IDP 取得了高于所有纯基因基线的 AUC，不过单个 IDP 介导的模型结果好坏参半。在 ADSP 外部验证中，G2DBridge 使用相同的目标基因数据，表现优于多个当前最先进的多基因风险评分模型。论文的解释是，两阶段设计起到了信息瓶颈的作用：直接用大量 SNP 预测疾病很难，因为变量远多于样本，直接模型容易记住遗传噪声而过拟合，这在更高的验证损失中可见。把预测路径经过影像特征，则把模型限制在能够映射到脑结构变化的遗传信号上。

在临床阈值上区分病例与对照更重要

除 AUC 外，论文还报告了两项面向临床的分析。对归一化预测分数的分布比较显示，G2DBridge 在阿尔茨海默病病例与对照之间的区分显著比多基因风险评分模型更清晰。决策曲线分析权衡净收益与风险阈值，结果显示在 20% 和 30% 这两个临床有意义的阈值上，多数基线模型的净收益降至零或负值，而 G2DBridge 在多数折中保持正收益。

作者将其解读为可能有助于优先安排个体接受进一步筛查或临床随访。这是关于在所研究队列内进行排序和分诊的陈述，而不是声称模型能仅凭 DNA 诊断阿尔茨海默病。相关比较是在相同基因输入下 G2DBridge 与多基因评分之间的比较，所报告的优势也体现在这一比较中。

模型依赖与阿尔茨海默病病理一致的区域

特征归因分析考察了哪些输入驱动了预测。对 DTI 而言，来自扣带–海马束和钩束的扩散指标是最强的预测因子之一，这与既往关于阿尔茨海默病白质受损的报告一致。对 FreeSurfer 而言，颞叶区域的皮层和皮层下特征反复排名靠前。对 ASHS 而言，内侧颞叶结构被突出，包括海马旁回、内嗅皮层和海马亚区，这些区域长期被视为阿尔茨海默病相关神经退行的早期标志。

论文还检查了模型得出的风险分数能否重现已知关联。在所有结构性体积测量中，预测风险与区域脑体积呈负相关，在全部 ASHS 区域和 FreeSurfer 海马体积上显著（p < 0.001），FreeSurfer 内嗅皮层和海马旁回体积呈相同趋势但未达显著。对 DTI 而言，上纵束和扣带扣带束中更高的平均扩散率与更高的预测风险相关（p < 0.001），胼胝体及其压部更低的各向异性分数与更高的预测风险相关（p < 0.001）。这些是与已知效应方向的一致性检验，而非独立的因果发现。

增益受配对样本量限制

该框架的优势依赖于拥有一个基因、影像和诊断相匹配的训练队列，论文把配对样本量列为主要限制。由于三组 IDP 之间仅弱相关，作者认为性能主要受配对样本数量而非特征空间限制，因此更大的基因与影像队列是进一步提升的关键。这里分析的 ADNI 影像子集只有数百名参与者，而外部验证使用的是 25,113 人的纯基因队列。

论文还把阿尔茨海默病定位为一个因其强大的遗传和影像生物标志物而被选中的案例，并指出该方法可推广到其他存在配对基因与影像数据的神经退行性、心血管和精神疾病。这是论文陈述的扩展方向，而非已证明的结果。具体到阿尔茨海默病风险预测，证据支持的实践优先级是：当只有基因型可用时，一个把预测路径经过基因推断影像特征的模型，相对于基于相同基因数据构建的多基因评分，可以在 20% 和 30% 风险阈值上增加预测能力和净收益，前提是训练时拥有规模合适的配对队列。

本文引用的文献