Bringing medical advances from the lab to the clinic.
关键词：淀粉样变性；AI；交叉β结构；Alzheimer’s & Dementia淀粉样变性（Amyloidosis）与多种神经退行性疾病和其他疾病相关，其早期检测方法的缺乏促使了基于大规模患者基因组测序数据预测淀粉样变性风险的计算方法的研究。人工智能（AI）技术在多个领域的应用显示出了显著的效果，尤其是在机器学习（ML）模型的训练中，数据的质量和数量都至关重要。现有的淀粉样蛋白数据库存在混合不同类型聚合物的问题，且往往不区分体外和体内形成的淀粉样纤维。因此，构建一个仅包含自然条件下形成的已知淀粉样原纤维区域（ARs）的数据库对于准确检测体内发生的疾病相关和功能相关的淀粉样变性至关重要【1】。2025年1月8日，Valentin Gonay 等研究人员在期刊 Alzheimer’s & Dementia 上发表了题为 Developing machine-learning-based amyloidogenicity predictors with Cross-Beta DB 的研究论文【2】。本研究构建了Cross-Beta DB数据库。该数据库精心筛选和整理了自然条件下形成的交叉β淀粉样纤维的数据，旨在为开发新的ML基础的淀粉样变性预测器提供高质量的训练数据，进而推动个性化风险评估的发展，为疾病预防和个性化医疗提供有力支持。（如需原文，请加微信healsana获取，备注20250108AD）🔷 Cross-Beta DB数据库的构建：
从蛋白质数据库（PDB）、AmyPro数据库以及相关文献中，收集了自然条件下形成的高质量交叉β淀粉样纤维数据。Cross-Beta DB数据库包含115个条目，涵盖46种不同的蛋白质，主要来源于人类。大多数条目被标记为与疾病相关的淀粉样变性，一些条目则属于功能性淀粉样变性，或同时具备疾病相关性和功能性特征。与UniProt数据库相比，Cross-Beta DB中的淀粉样纤维区域（ARs）的氨基酸组成显示出显著差异。
🔷 Cross-Beta预测器的开发：
研究使用Cross-Beta DB中的条目和DisProt数据库中的非淀粉样内在无序区域（IDRs）构建正负数据集。通过特征选择和模型优化，Extra Trees分类器被选为Cross-Beta预测器，因其速度优势。Cross-Beta预测器在准确率（0.844）和F1分数（0.852）上优于其他方法。
输入和输出：Cross-Beta预测器接受长度为15个氨基酸或更长的氨基酸序列作为输入，输出包括查询预测的平均分数、预测的淀粉样区域（ARs）的位置和每个氨基酸的分数。
![]()
Cross-Beta预测器的开发和性能
临床意义和科研启发：
随着基因组测序成本的降低、淀粉样结构数据的持续扩展以及AI方法的精确度提高，这些进展为开发能够预测神经退行性疾病和其他疾病个性化风险档案的计算工具奠定了坚实基础。Cross-Beta DB数据库和Cross-Beta预测器的开发不仅提高了淀粉样变性预测的准确性，还为未来的研究提供了一个可维护、可复制和可扩展的平台，有望在疾病预防和个性化医疗领域发挥重要作用。
【1】Fernandez-Escamilla AM, Rousseau F, Schymkowitz J, Serrano L. Prediction of sequence-dependent and mutational effects on the aggregation of peptides and proteins. Nat Biotechnol. 2004; 22: 1302-1306. doi:10.1038/nbt1012【2】https://doi.org/10.1002/alz.14510本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。作者：Amber Wang，微信号：Healsana。助理：ChatGPT征战AD公众号，以分享阿尔茨海默病领域最新研究为主旨，希望由此推动由实验室向临床应用的转化。欢迎您的投稿与合作；也希望其他医学科学家以推文的形式分享您的研究成果。运营：美国Healsan咨询公司AD项目组，专注于临床科研及临床试验的服务公司，擅长于针对阿尔茨海默病的临床科研设计及临床试验结果的报告撰写。
网址：https://healsan.com/
![]()
(投稿或商务合作，请联系：healsana)
![]()
