N-糖基化与阿尔茨海默病的综合分析：识别关键生物标志物和机制

《Frontiers in Aging Neuroscience》：Integrated analysis of N-glycosylation and Alzheimer’s disease: identifying key biomarkers and mechanisms

阿尔茨海默病（AD）的N-糖基化修饰机制及早期诊断生物标志物研究。通过文献计量分析发现N-糖基化相关研究显著增长，结合转录组数据和机器学习筛选出MAX、MLEC、TMEM59等核心基因，构建的logistic回归模型诊断效能达AUC 0.947。揭示了MAX与MGAT3的负调控互作，MLEC与TMEM59的正向关联，并鉴定8个关键转录因子（MAX、BRD9等）。研究为AD的早期诊断和靶向治疗提供了新策略。|阿尔茨海默病|N-糖基化|生物标志物|机器学习|转录因子|MAX|MLEC|TMEM59|早诊|互作网络

　　阿尔茨海默病（AD）是一种影响老年人群的严重神经退行性疾病，其特征是认知功能的逐渐下降和日常生活能力的受损，给患者及其家庭乃至整个社会带来了沉重的负担。随着全球人口老龄化趋势的加剧，AD的发病率也在不断上升，预计到2050年，欧洲的痴呆症发病率将翻倍，而全球的发病率将增长三倍，其中AD占大多数病例。尽管已有大量研究和资源投入，当前的治疗手段仍主要针对症状，而无法阻止或逆转疾病进程。这表明，深入理解AD的发病机制并识别可靠的早期生物标志物，对于早期诊断和有效管理AD至关重要。

AD的分子特征包括淀粉样蛋白β斑块和由过度磷酸化的tau蛋白组成的神经纤维缠结。然而，越来越多的研究指出AD的复杂性，暗示多种遗传、表观遗传、代谢和环境因素共同作用，导致疾病的异质性和临床表现的多样性。其中，蛋白质的翻译后修饰，尤其是N-糖基化，因其在蛋白质折叠、运输和细胞信号传导中的关键作用而受到广泛关注。N-糖基化是一种高度保守的酶促过程，涉及寡糖链连接到天冬酰胺残基上，是维持蛋白质正确构象和功能的重要环节。N-糖基化通路的失调已被认为与多种疾病，包括神经退行性疾病有关，提示其可能在AD中导致蛋白质聚集、突触功能障碍和神经炎症。

然而，尽管已有这些认识，N-糖基化在AD发病机制中的具体作用仍不完全明确。一些研究已经指出N-糖链在神经元蛋白稳态和突触可塑性中的重要性，但直接证据表明特定的N-糖基化相关基因与AD的发生和进展之间存在关联的研究仍较为有限。此外，目前对于N-糖基化特征或相关基因在AD中的诊断价值的系统性评估较少，相较于已知的生物标志物如淀粉样蛋白β、tau蛋白和影像学手段，这种不足限制了新型非侵入性诊断策略的开发。此外，现有研究往往依赖于单一组学或单维度分析方法，缺乏整合多种分子网络的系统性视角，这阻碍了对AD复杂分子机制的全面理解。

为了解决这些问题，本研究采用多维度的生物信息学和统计方法，系统探索N-糖基化与AD的交叉作用。通过结合文献计量分析、基因表达分析和机器学习，本研究旨在克服以往研究的局限性。文献计量方法绘制了研究主题的演变图谱，识别了N-糖基化-AD领域的研究前沿，而基因表达分析则揭示了与疾病状态相关的分子改变。机器学习算法的应用有助于候选生物标志物的筛选和优先级排序，从而在传统方法之外提升诊断准确性。

本研究的设计涵盖了全面的工作流程：首先，系统检索文献并进行文献计量分析，以界定关键趋势和知识空白；其次，整合多个公共数据库中的转录组数据，以识别AD中差异表达的N-糖基化相关基因；第三，运用先进的机器学习技术，包括正则化回归和集成方法，以筛选和验证潜在的生物标志物；最后，通过网络和调控分析，阐明所识别基因、转录因子（TFs）和分子通路之间的相互作用。这种多层策略旨在最大化临床相关靶点的发现，并提供对AD中N-糖基化景观的全面理解。

在文献计量分析方面，数据从Web of Science核心数据库中获取，包括2001年至2025年间发表的英文研究论文和综述文章。使用优化的搜索查询，提取了与N-糖基化和AD相关的文献。初步检索获得239篇文献，经过筛选后保留了研究论文和综述。完整的文献列表和详细检索结果见补充表1。分析工具包括VOSviewer、CiteSpace和R，用于生成网络可视化、研究主题图谱和定量分析。VOSviewer用于生成主题演化图谱和主题象限图谱，CiteSpace用于构建循环主题景观并进行目标聚类分析，R用于量化分析，包括主题趋势和关键词相关性计算，以确保对文献的严谨分析。

在N-糖基化相关基因的识别方面，分析了GSE5281数据集，该数据集包括150个脑样本的基因表达谱，这些样本来自三个阿尔茨海默病中心（ADCs）：亚利桑那州ADC、杜克大学ADC和华盛顿大学ADC。数据集覆盖六个与AD和衰老相关的脑区，包括内侧嗅区、海马体、内侧颞叶皮层、后扣带回、前额叶皮层和初级视觉皮层。样本按诊断组、年龄组和APOE基因型进行分层，以确保对AD和正常衰老的分子机制的全面覆盖。差异表达基因（DEGs）的识别使用R中的LIMMA包，这是一种广泛用于微阵列数据分析的工具。工作流程包括数据预处理，以标准化表达值并减少技术变异，随后拟合线性模型以评估AD受影响样本与对照样本之间的差异表达。DEGs的定义基于严格的标准：绝对log2倍数变化（logFc）> 0.4和调整后的p值（Benjamini-Hochberg校正）< 0.05。

为了研究DEGs与N-糖基化相关基因的重叠，从GeneCards数据库中检索了N-糖基化相关基因列表。计算DEGs与该列表的交集，以识别同时与AD发病机制和N-糖基化过程相关的基因。所有分析，包括数据预处理、统计建模和可视化，均使用R进行。

机器学习技术用于从GSE5281和GSE122063数据集中初始的39个基因中识别与AD相关的基因。这39个基因是从DEGs和N-糖基化相关基因的交集中选取的。应用了三种正则化方法：Lasso、弹性网络和自适应Lasso。Lasso回归配置为α=1，弹性网络配置为α=0.5，自适应Lasso则不预设α值，允许正则化强度的自适应调整。这些方法使用R中的glmnet包实现，通过交叉验证确定最优的正则化参数（λ），以最小化偏差。在最优λ下具有非零系数的基因被视为显著。结果使用系数路径图和特征影响条形图进行可视化，并构建了维恩图以展示三种方法下所选基因的重叠。

为了评估DEGs中的诊断生物标志物，使用GSE48350和GSE5281数据集研究了五个特定基因与AD的关系。工作流程从数据预处理开始，包括数据标准化和去除零方差特征。特征选择使用随机森林算法，配置为生长100棵树以评估特征重要性。构建了三种机器学习模型：逻辑回归、随机森林和XGBoost。逻辑回归模型使用“lrm”函数实现，随机森林模型配置为100棵树和重要性参数设为TRUE，XGBoost模型训练50轮，使用“xgb.train”函数，目标参数设为“binary:logistic”。模型性能通过曲线下面积（AUC）指标进行评估。

在研究TMEM59与N-糖基化相关基因之间的相互作用时，利用GSE5281和GSE122063数据集，探讨了11个与N-糖基化和AD相关的基因。这些基因包括STT3A、MLEC、CALR、CANX、CTSD、MGAT1、MGAT2、MGAT3、MGAT5、APP和STT3B。这些基因的选择基于其在糖基化过程、钙信号传导和蛋白质质量控制中的作用。例如，STT3A和STT3B参与糖基化启动，MGAT家族成员参与糖链修饰，MLEC参与糖链识别。CALR和CANX作为蛋白质折叠的伴侣蛋白，CTSD与蛋白质降解有关。使用了八种特征选择算法：Lasso、弹性网络、随机森林、XGBoost、Boruta、逐步回归、遗传算法和决策树。数据预处理包括标准化和去除缺失值的样本。分析在R中实现，并利用并行计算提高效率。至少被四种算法选择的基因被聚合为最终输出。

为了识别与MLEC、TMEM59和胶质细胞激活相关的转录因子，利用ChIPBase数据库预测了调控这四个基因（GFAP、FOS、MLEC和TMEM59）表达的44个转录因子。这些基因的选择基于其与胶质细胞分化相关的相关性，而胶质细胞分化是AD发病机制中紧密相关的部分。使用R中的VennDiagram包进行交集分析，识别GFAP、FOS、MLEC和TMEM59之间的共同转录因子。随后，分析GSE5281和GSE48350数据集，提供了AD和衰老相关脑区的全面基因表达谱。应用了七种机器学习算法：Lasso、弹性网络、自适应Lasso、XGBoost、Boruta、遗传算法和线性判别分析（LDA），以评估预测的转录因子的重要性。每个算法被优化以平衡模型复杂度和预测准确性。算法性能通过选择率进行量化，定义为所选基因与总基因数的比例。至少被四种算法识别的核心生物标志物被视为AD发病机制的关键贡献者。R编程语言用于这些分析，其中特定包如“glmnet”、“xgboost”、“Boruta”、“GA”和“MASS”在其中发挥了关键作用。

为了评估与MLEC、TMEM59和小胶质细胞激活相关的转录因子的诊断价值，使用GSE5281和GSE48350数据集，分析了13个分子特征，包括APP、CALR、CANX、CTSD、MAX、MGAT1、MGAT2、MGAT3、MGAT5、MLEC、STT3A、STT3B和TMEM59。机器学习算法包括逻辑回归、支持向量机（线性和径向核）、随机森林、XGBoost、K近邻（KNN）、LDA、朴素贝叶斯和决策树，用于评估诊断准确性。特征选择使用基于随机森林的重要性评分，模型训练和验证使用五折重复交叉验证。关键性能指标，包括AUC、准确率、灵敏度、特异性和F1分数，计算每个算法和基因组合的性能。分析在R中进行，利用“caret”、“pROC”、“xgboost”和“randomForest”等包。

在分析N-糖基化相关分子特征的诊断价值时，使用GSE5281和GSE48350数据集，研究了13个分子特征，这些特征基于其在N-糖基化通路中的作用和可能的AD发病机制参与。这些特征包括APP、CALR、CANX、CTSD、MAX、MGAT1、MGAT2、MGAT3、MGAT5、MLEC、STT3A、STT3B和TMEM59。数据预处理包括标准化、缺失值的中位数填补和去除零方差特征。特征选择使用基于随机森林重要性评分的混合方法，并结合逻辑回归系数进行预测模型构建。预测模型使用随机森林、XGBoost和逻辑回归（含交互项）进行构建。模型性能通过AUC-ROC进行评估，其中随机森林和XGBoost达到了完美的AUC值1.0。SHAP值用于解释特征贡献，分子相互作用使用热图和交互图进行分析。所有分析在R中进行，可视化支持由“ggplot2”、“pheatmap”和SHAP工具实现。

本研究的工作流程如图1所示，详细的数据集访问号和所用GEO数据集的信息见补充图1。

研究结果表明，N-糖基化与AD领域的研究趋势和主题演变分析显示，AD与核心生物和生化过程的互动一直是研究重点，而N-糖基化作为连接这些主题的关键主题，显示出其在AD研究中的核心地位。2021年至2024年间，研究更加聚焦于分子和生化主题，如“切割”、“蛋白质”、“机制”、“质谱分析”和“肽”，反映出对AD发病机制在分子层面的深入解析，以推动诊断和治疗的进展。主题象限分析（2021–2024）进一步明确了研究重点：右上象限（“运动主题”）包括高中心性和高密度主题，如“AD表达”和“糖基化”，这些主题连接了不同的研究方向；左上象限（“利基主题”）包括专门的子领域，如“神经系统”和“受体亚基”；右下象限（“基础主题”）突出基础概念，如“生物标志物”和“痴呆”；左下象限（“新兴/衰退主题”）包括如“tau蛋白”和“肽”等演变兴趣。网络可视化进一步明确了N-糖基化–AD研究中的主题连接（见图3C和D）。在图3C中，“AD”是最核心的节点（57次出现，总连接强度为134），反映出其在该领域中的核心地位，而“N-糖基化”（24次出现，总连接强度为58）确认了其在AD病理过程中的关键作用。图3D突出了最近的主题优先级，通过温暖的红色节点着色，强调“N-糖基化”（24次出现，连接强度为58）仍然核心，“bisecting GlcNAc”（8次出现，连接强度为27）显示出持续的相关性，而“GNT-III (MGAT3)”（2次出现，连接强度为7）作为新的关注点，与其在调控bisecting GlcNAc形成中的作用一致。

关键词分析和研究重点显示，三领域图（见图3A）可视化了关键文献、机构和关键词之间的相互连接。影响深远的研究包括“Vassar R (1999) Science”、“Kizuka Y (2016) Biochem J”、“Ohtsubo K (2006) Cell”、“Gizaw ST (2016) BBA-Gen Subjects”和“Kizuka Y (2015) EMBO Mol Med”，这些研究构成了当前对N-糖基化在AD发病机制中作用的理解基础。这些作品与领先机构如卡罗林斯卡医学院、加州大学系统和福岛医科大学紧密相关，突显了其在该领域的主导贡献。核心关键词包括“糖基化”、“AD”和“淀粉样蛋白β”，而“bisecting GlcNAc”作为突出关注点，表明这一特定糖基化修饰在AD研究中的重要性。

关键词爆发检测图（见图3B）追踪了高影响的时序趋势（2001–2025）：早期爆发包括“N-糖基化”（强度=3.65）和“蛋白质糖基化”（强度=3.85），反映出对糖基生物学的基础兴趣。近年来，“病理学”（强度=3.63）和“tau”（强度=3.72）自2020年以来持续爆发，表明当前对疾病机制的关注。此外，“bisecting GlcNAc”也显示出显著的爆发（强度=2.74）在2016至2018年之间，突显其在该领域中的历史重要性。网络可视化进一步明确了N-糖基化–AD研究中的主题连接（见图3C和D）。在图3C中，“AD”是最核心的节点，而在图3D中，通过温暖的红色节点着色突出了最近的主题优先级，“N-糖基化”保持核心地位，“bisecting GlcNAc”显示出持续的相关性，而“GNT-III (MGAT3)”作为新的关注点，与它在调节bisecting GlcNAc形成中的作用一致。

通过机器学习识别的差异表达和N-糖基化相关基因显示，GSE5281数据集的差异表达分析发现了6,845个差异表达基因（DEGs），可视化为火山图（见图4A）。该图突出显示了显著的上调基因（红色）和下调基因（蓝色），灰色点代表非显著基因。值得注意的是，TMEM59被鉴定为显著的下调基因，而MLEC和MAX被鉴定为在AD受影响样本中显著上调，与对照样本相比。DEGs与GeneCards数据库中N-糖基化相关基因的交集得到了39个重叠基因。

在GSE122063数据集的分析中，使用机器学习算法识别了一组可能在AD中具有重要意义的基因。图4G展示了Lasso回归结果，其中DAD1和MLEC表现出最高的绝对标准化系数，表明其对模型的强影响。图4H展示了弹性网络回归结果，显示类似的模式，其中DAD1和MLEC突出，其他基因如ALG8和MOGS。图4I突出了通过Lasso回归选择的前几个特征，其中DAD1、MLEC和ALG8具有最大的影响。自适应Lasso的结果在图4J中显示，DAD1是最有影响的基因，其次是TMEM59和MLEC，指出它们在疾病病理中的关键作用。图4K中的维恩图揭示了所有三种方法选择的基因交集，显示出一致的候选基因，如ALG1、ALG3、ALG8、DAD1、MLEC、MOGS、ORAI1、PRKCSH、RPN1、SLC3A2、TMEM59和TMEM59L，强调这些基因在不同正则化技术下的稳健性。

基因标志物在DEGs中的验证和AD诊断的列线图开发显示，GSE48350数据集的分析揭示了几个显著发现。逻辑回归模型在测试中的AUC为0.594，表明其预测准确性适中。图5A展示了模型性能在不同机器学习算法中的比较，显示逻辑回归模型的预测能力适中。图5B展示了五个基因在不同模型中的重要性排名，其中TMEM59显示出最高的平均重要性。图5C展示了分子特征表达模式，突出了控制组与疾病组之间的明显区别，特别是TMEM59，其表现出最显著的差异表达。图5D展示了临床预测列线图，其模型性能AUC为0.699，表明其合理区分控制组和疾病组的能力。该列线图根据标准化系数为每个基因分配点，其中TMEM59获得最高点分配，显著影响总点数和因此AD的风险概率。这些结果突显了这些基因作为AD诊断生物标志物的潜力，其中TMEM59因其显著的差异表达和在不同模型中的高特征重要性而成为特别有前景的候选者。

对GSE5281数据集的分析显示，逻辑回归和随机森林模型在测试中的AUC分别为0.8566和0.8505，而XGBoost模型的AUC为0.8304。临床预测列线图在图5F中显示，其AUC为0.899，强调TMEM59的贡献。特征重要性分析（图5G）和表达模式（图5H）突出了TMEM59和MLEC作为关键驱动因素。此外，图5G和图5H中显示，TMEM59和MLEC在多个模型中表现出显著的重要性，表明它们在模型预测能力中的重要性。

对GSE48350数据集的分析进一步验证了这些基因的诊断价值。图5D中的列线图显示，TMEM59在模型中表现出显著的重要性，其标准化系数较高，从而影响总点数和AD的风险概率。通过交叉验证评估模型性能，结果显示了模型的稳健性，特别是在使用TMEM59作为唯一预测基因时，其在不同模型中的重要性得到了进一步验证。这些结果强调了这些基因在AD诊断中的潜力，特别是在模型性能和临床实用性之间取得平衡。

通过机器学习和SHAP分析揭示的AD关键分子特征和相互作用显示，GSE5281数据集的分析通过图10A–K提供了对AD分类驱动关键分子特征和相互作用的全面概述。随机森林和XGBoost模型表现出卓越的性能，达到了完美的AUC值1.0，优于其他算法如SVM径向（AUC=0.976）和弹性网络（AUC=0.953）。SHAP值分布（图10B）和特征值与SHAP影响分析（图10E）揭示了特征表达水平与预测贡献之间的非线性关系。MAX和APP表现出强烈的正向影响，其贡献随着表达水平的升高而急剧增加。MLEC和TMEM59也显示出显著的贡献，尽管它们对表达水平的依赖性较弱。力图（图10D）和个体预测分解（图10F）进一步强调了MAX、MLEC、APP和TMEM59在推动预测分数中的主导作用，其中MAX贡献最显著。相互作用分析揭示了几个关键关系。MLEC和TMEM59之间的相互作用高度显著（p=0.00019，β=2.469），随着这两个基因的表达水平升高，预测概率也相应增加。相反，MAX和MGAT3之间的相互作用（p=0.0288，β=–4.491）显示出强烈的负向影响，当MGAT3的表达水平较低时，MAX的表达水平升高会降低预测概率。APP和MLEC之间的相互作用（p=0.03068，β=–1.473）也显示出显著的负向影响。尽管某些相互作用，如MAX × MLEC（p=0.3604，β=–1.439）和APP × MGAT3（p=0.3216，β=–0.827），未达到统计学显著性，但它们可能暗示潜在的调控趋势，值得进一步研究。

在GSE48350数据集的分析中，使用了11种关键可视化来揭示特征分析和预测建模的相关数据。图11A展示了ROC曲线，比较了不同模型的性能，显示随机森林达到了完美的AUC值1.0。图11B展示了特征重要性分析，其中APP和MAX被识别为最显著的特征。图11C展示了不同模型中特征重要性的平均排名，APP和MAX位列前茅。图11D展示了特征对预测分数的贡献，其中MAX表现出显著的正向影响，而CTSD表现出显著的负向影响。图11E展示了特征值与SHAP影响之间的非线性关系，其中APP和MAX表现出与AD分类的正向相关性，而STT3A表现出负向相关性。MGAT3表现出非线性趋势，突显其在AD病理中的复杂作用。相互作用分析揭示了显著的协同效应。MAX与MGAT1之间的相互作用（p=0.0016，β=7.7）显示出显著的正向影响，而MGAT3与STT3A之间的相互作用（p<0.001，β=–6.864）显示出高度显著的负向影响。其他相互作用，如APP × MGAT3（p=0.3216，β=–0.827）和MAX × STT3A（p=0.4841，β=–1.745），显示出有限或不显著的影响。

本研究的讨论部分指出，AD是一种影响老年人群的严重神经退行性疾病，其特征是认知功能的逐渐下降和记忆障碍，给患者及其家庭和整个社会带来了沉重的负担。随着全球人口老龄化趋势的加剧，AD的发病率也在不断上升，预计到2050年，欧洲的痴呆症发病率将翻倍，而全球的发病率将增长三倍，其中AD占大多数病例。尽管已有大量研究和资源投入，当前的治疗手段仍主要针对症状，而无法阻止或逆转疾病进程。这表明，深入理解AD的发病机制并识别可靠的早期生物标志物，对于早期诊断和有效管理AD至关重要。

本研究探讨了N-糖基化在AD病理中的作用，揭示了其可能作为疾病进展的关键因素。通过整合多个数据集的基因表达数据和先进的机器学习技术，我们识别出了一些N-糖基化相关基因，这些基因可能作为早期诊断的生物标志物。这些发现强调了这些生物标志物在提高诊断准确性和指导未来治疗干预中的重要性，从而推动我们对AD机制的理解，并为针对性治疗策略铺平道路。

对GSE5281数据集的深入分析揭示了五个关键基因（ALG8、MLEC、ORAI1、SLC3A2和TMEM59）在AD中的作用。不同机器学习模型的性能在图5E中进行了评估，其中逻辑回归和随机森林表现突出，测试AUC分别为0.8566和0.8505。XGBoost的测试AUC为0.8304。图5F中的临床预测列线图，该列线图整合了这些基因，显示出较高的模型性能AUC为0.899，表明其强大的预测能力。该列线图根据基因表达水平为每个基因分配点，其中TMEM59获得最多的点，表明其在决定AD风险概率中的关键作用。图5G突出了不同模型中的平均特征重要性，其中TMEM59被识别为最重要的基因，其次是ALG8和MLEC。这突显了这些基因对模型预测能力的显著影响。图5H，包括MLEC和TMEM59，展示了分子特征表达模式。

对MLEC和TMEM59之间的相关性分析表明，它们在N-糖基化通路中存在功能上的相互作用，这可能是维持神经组织中糖蛋白质量控制的关键。之前的糖基组研究已经识别出增强或异常的糖链合成是AD的一个标志，其中遗传或饮食调节糖基化酶直接改变认知和行为表型。MLEC和TMEM59的同时上调可能表明细胞对糖蛋白错误折叠和聚集的适应性但最终不足的反应。从机制上讲，MLEC可能促进错误折叠糖蛋白在内质网中的识别和保留，而TMEM59则涉及这些底物的运输和加工。MLEC和TMEM59之间的联系为AD神经病理中蛋白质量控制和异常糖基化的功能障碍提供了分子依据。

对MLEC、TMEM59、GFAP和FOS相关基因的转录因子识别扩展了我们对糖基化和神经炎症反应在AD中基因调控网络的理解。之前计算研究已经指出特定的转录因子，如STAT1和HSF5，在AD脑中调控糖基转移酶基因表达的重要性。这些调控轴预测会以细胞类型和区域特异性的方式改变糖链合成。MAX作为关键调控因子的选定尤为突出，因为其作用不仅限于传统的代谢调控，还可能涉及神经应激反应和小胶质细胞与星形细胞激活状态的调控。值得注意的是，这种调控模式与其它神经退行性疾病中的转录调控格局不同，表明AD特异性糖基化和胶质反应的独特的转录架构。这些发现不仅证实了转录调控在AD发病机制中的重要性，还揭示了可能作为干预点的新候选调控因子，以调控疾病进程。

诊断算法的比较评估显示，逻辑回归在基于基因表达特征分类AD状态方面表现出更高的准确性和稳定性，优于随机森林和XGBoost等集成方法。这一结果与最近关于机器学习在医学诊断中的元分析部分相矛盾，后者通常报告集成模型在处理高维或非线性数据时提供更好的性能。然而，本研究中使用的相对较小的样本量和严格的特征选择可能更有利于线性模型的泛化能力和可解释性，与报告逻辑回归可能在预测因子数量受到严格控制且减少过拟合风险时优于更复杂的算法一致。此外，逻辑回归在外部验证数据集中的稳定表现强调了其在AD临床生物标志物开发中的实用性，特别是在透明度和可重复性至关重要的情况下。这一方法论见解支持在模型选择中采取情境依赖的优化策略，而不是无差别地偏好算法复杂性。

本研究的局限性主要体现在缺乏湿实验验证和相对较小的样本量，这限制了结果的泛化性。依赖于公开数据集可能引入批次效应，这可能影响结果的稳健性，从而影响所识别生物标志物的可靠性。此外，尽管机器学习技术被用于增强N-糖基化相关基因的识别，复杂模型的可解释性仍然是一个挑战，需要进一步验证以建立临床相关性。这些方面突显了需要更大规模、多中心研究，整合计算和实验方法，以提高结果的可靠性。

总之，本研究识别了与N-糖基化和AD相关的多个基因，展示了它们作为早期诊断生物标志物的潜力。机器学习方法的创新应用突显了这些发现对推进AD病理理解的重要性，并为早期干预策略提供了依据。未来的研究应优先考虑更大的队列和这些生物标志物的临床验证，以及探索它们在疾病进展中的机制作用。将这些见解整合到临床实践中，可能为AD的管理提供改进的诊断和治疗框架。