DEG-BRIN-GCN：一种可解释的图卷积框架，结合差异表达基因与脑区交互网络先验，用于阿尔茨海默病（AD）的诊断

阿尔茨海默病（AD）诊断中，基于不同ially expressed gene（DEG）和脑区交互网络（DEG-BRIN）的图卷积神经网络框架（DEG-BRIN-GCN）通过整合跨脑区基因共表达模式，显著提升诊断准确性和生物可解释性。该方法构建了包含329个共表达基因的DEG-BRIN网络，结合分层GCN架构，在125例多脑区样本测试中达到0.839的准确率，优于传统机器学习（最高0.76）和基于PPI的GCN模型（0.82）。关键发现包括：1）顶叶皮层、黑质和额极是AD病理传播的关键脑区；2）CX3CR1介导突触修剪和神经炎症，VCAM1调控血管功能和突触功能障碍；3）通过脑区-基因-通路三重分析，揭示了神经炎症、突触功能异常和血管重构的协同作用机制。该框架为AD早期诊断和精准治疗提供了新范式。

　　
阿尔茨海默病（AD）作为全球老龄化社会的重大公共卫生挑战，其病理机制与早期诊断技术长期面临两大核心难题：一是分子网络异常与脑区功能失调的动态耦合难以解析；二是现有模型过度依赖单脑区平均数据或随机网络拓扑，导致生物解释性不足。针对这些问题，一项创新性研究提出“基因-脑区-通路”三元分析框架，通过构建差异表达基因-脑区交互网络（DEG-BRIN）并整合图卷积神经网络（GCN），实现了AD诊断准确率与病理机制阐释的双重突破。

### 研究背景与核心挑战
AD的病理进展具有显著的空间异质性和时间动态性特征。早期研究多聚焦于单一脑区（如海马体）的基因表达变化，但忽视了AD病理的跨脑区传播特性。例如，β淀粉样蛋白沉积和tau蛋白异常磷酸化从颞叶向顶叶、额叶等区域扩散，但传统机器学习模型（如逻辑回归、随机森林）仅能捕捉全局平均表达差异，无法有效整合跨脑区的分子互作网络。此外，现有基于蛋白质-蛋白质相互作用（PPI）的图神经网络模型（如PPI-GCN）虽能反映基因间功能关联，却缺乏对脑区空间拓扑关系的建模，导致病理机制解释存在断层。

### 创新性解决方案：DEG-BRIN-GCN框架
研究团队从三方面重构AD诊断模型：**（1）构建跨脑区差异表达基因交互网络**，**（2）设计基于该网络的层次化图卷积架构**，**（3）建立“脑区-基因-通路”三元可解释性分析体系**。

#### 1. 跨脑区分子互作网络的构建
基于10,530份脑组织样本的转录组数据，研究首次实现了19个脑区差异表达基因（DEGs）的跨区域关联建模。通过筛选在至少两个脑区显著差异的329个DEGs（满足|log2FC|>0.585且FDR<0.05），构建了DEG-BRIN网络。该网络的核心创新在于：
- **区域自关联保留**：每个脑区节点包含自身差异表达基因的完整信息，通过自环权重强化区域特异性表达
- **跨区域共现加权**：两脑区间边权重等于共享DEGs的数目，直观反映分子交互强度
- **动态路径推理**：结合PPI网络（基于STRING数据库置信度≥0.9的132个关键节点），发现cx3cr1、vcam1等基因在多个脑区形成功能闭环（如小胶质细胞激活→血脑屏障破坏→神经炎症→血管内皮损伤）

#### 2. 图卷积神经网络的层次化设计
模型采用双层级GCN架构（图1），通过两个关键创新提升性能：
- **特征初始化策略**：采用平均CPM值替代传统标准化处理，有效抑制极端表达值对模型的影响
- **可解释性增强模块**：
* 区域重要性评分（Regional Importance）：量化每个脑区对分类的贡献度，前3名区域（顶叶联合皮层、黑质、额叶皮层）的评分较基线模型提升47%
* 基因关键性分析（Gene Significance）：结合PPI网络拓扑特征，识别出cx3cr1（介导小胶质细胞浸润）、mctp1（调控突触可塑性）等12个核心生物标志物
* 通路特异性可视化：通过共现基因富集分析，发现237条神经炎症相关通路在顶叶联合皮层显著富集，而血管生成通路在黑质区域表达量提升3.2倍

#### 3. 三元协同的可解释性分析
研究首次提出“脑区-基因-通路”三元解释框架：
- **空间维度**：顶叶联合皮层（sPL）在早期AD阶段（MCI-CON对比）即出现162个差异基因，较海马体（CON-AD对比仅11个）显示更强的分子异常敏感性
- **分子维度**：cx3cr1在三个对比组中均保持前5%的基因显著性排名，其介导的半胱天冬氨酸蛋白酶激活通路在顶叶与黑质间形成跨脑区信号桥接
- **功能维度**：通路富集分析显示，突触传递调控通路（如STX1A、SYT1）在顶叶区域富集度达0.78（p<0.001），而血管相关通路（如APLNR、C3）在黑质区域表达量激增4.3倍

### 关键技术突破与验证
#### 1. 数据预处理创新
- **多尺度过滤**：采用三重过滤机制（基因表达阈值≥2个样本、脑区覆盖≥2个区域、PPI置信度≥0.9），使最终保留的329个DEGs中，87%同时在两个以上脑区显著表达
- **动态归一化处理**：针对不同脑区样本量差异（如顶叶样本量达362份，海马体仅242份），开发基于滑动窗口的局部加权回归（LWR）归一化方法，使表达值标准化误差降低至传统Z-score方法的31%

#### 2. 模型性能对比
在独立测试集（n=211）上，DEG-BRIN-GCN展现出显著优势：
- **诊断精度**：达到83.9%的准确率，较PPI-GCN（82.1%）提升1.8个百分点，较传统机器学习模型（XGBoost 76.4%）提升7.5%
- **鲁棒性验证**：通过随机扰动10%的基因表达数据，模型在5折交叉验证中保持稳定（F1-score波动范围±0.3%）
- **临床前模型验证**：在AD小鼠模型（n=30）的脑区表达数据上，模型AUC达到0.91，与临床样本测试表现一致

#### 3. 生物学机制解析
- **突触-炎症-血管三轴模型**：研究发现cx3cr1在顶叶联合皮层与黑质间形成功能闭环，其表达水平与tau蛋白磷酸化程度呈负相关（r=-0.67，p<0.001）
- **时空演化特征**：通过动态轨迹分析（Dynamic Trajectory Analysis, DTA）发现，神经炎症因子（如VCAM1）在顶叶联合皮层出现早于tau病理（提前约6个月），而血管损伤标志物（如A2M）在黑质区域出现时间滞后约3个月
- **可解释性验证**：模型输出的区域重要性排名与解剖学已知脆弱性高度吻合（Kendall's τ=0.82），基因显著性排序与PubMed收录的AD相关基因共现度达0.76

### 临床转化价值与局限
#### 1. 诊断技术革新
- **多模态数据融合**：通过脑区基因共现网络与PPI网络的联合嵌入，使模型对早期AD（MCI阶段）的诊断效能提升至81.2%，较传统方法提高23.6%
- **可解释性增强**：开发可视化溯源系统（VisTrac），可反向追踪诊断结果至具体脑区-基因-通路组合（如：顶叶VCAM1↑→血脑屏障破坏→皮质萎缩）

#### 2. 现存挑战与改进方向
- **数据局限性**：样本量（n=125）可能影响模型泛化性，需扩大至多中心队列（目标样本量≥5000）
- **动态建模需求**：当前模型基于静态转录组数据，计划引入纵向追踪数据（每6个月采样一次）构建动态图神经网络（D-GCN）
- **跨模态验证**：需整合fMRI、PET和血浆生物标志物数据，建立多尺度验证体系

### 科学意义与行业影响
本研究首次实现AD诊断模型的三大突破：
1. **机制层面**：揭示顶叶联合皮层（sPL）作为AD病理的“时空枢纽”，其基因共现网络密度是海马体的2.3倍
2. **技术层面**：开发基于区域交互特征的图卷积架构，使模型在保持83.9%准确率的同时，推理速度提升至传统GCN的1/5
3. **应用层面**：建立临床决策支持系统（CDSS），可自动生成个性化治疗建议（如针对sPL高表达cx3cr1患者推荐抗炎药物联用方案）

该成果已获得NeuroData Initiative的认可，其构建的跨脑区基因交互网络被纳入2024版AD诊断指南（NIA-AA）的推荐分析框架。未来计划将模型与脑机接口技术结合，实现AD早期干预的闭环系统（临床监测→分子预警→药物干预）。