跳到正文
Journal of the American Chemical Society· Wen-Bo Li; Jing Li; Xin-Yu Ning; Jia-Hong Tian; Fang-Yuan Chen; Shu-Xin Zhang; Ze-Han Wang; Yu-Chen Pan; Wei Zhang; Dong-Sheng Guo·· 来源仅提供日期精选AI 评分63

超交叉反应识别实现阿尔茨海默病临床前诊断

Super-Cross-Reactive Recognition Enables Preclinical Diagnosis of Alzheimer’s Disease

AI 导读

研究团队开发了一种机器学习辅助的超分子传感器阵列,利用半选择性大环受体产生高维交叉反应,为不同AD阶段生成可区分的荧光指纹。该阵列在1月龄大鼠脑脊液中实现100%诊断准确率,比常规ELISA检测提前3个月、比行为症状出现提前4个月;在人类主观认知下降阶段的识别准确率超过95%。

推荐理由

研究用机器学习辅助的超分子传感器阵列,在1月龄大鼠脑脊液和主观认知下降人群中分别达到100%与超过95%的诊断准确率,为早期AD筛查提供多标志物分析思路。

已发表论文 · journal · 10.1021/jacs.6c14717

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

IF(5) 16.1 · 2025 · 期刊参考指标

摘要 · AI 翻译

阿尔茨海默病(AD)的早期诊断受到疾病初始阶段体液生物标志物细微且异质特性的阻碍。目前针对单一生物标志物的检测工具往往缺乏症状前筛查所需的灵敏度和特异性。为此,我们开发了一种机器学习辅助的超分子传感器阵列,采用整体性设计以克服“锁钥”识别的局限性。通过设计具有半选择性特性的大环受体,我们构建了一种以多重平衡和非线性响应为特征的竞争性信号转导过程。该设计赋予了高维交叉反应性,为特定AD阶段勾勒出独特的荧光指纹。该阵列在1个月龄大鼠模型的脑脊液中实现了100%的诊断准确率——比常规ELISA检测提前3个月,比行为症状出现提前4个月。至关重要的是,该阵列能够以>95%的准确率识别处于主观认知下降阶段的人类患者。这项工作为AD早期诊断提供了一种临床可行的工具,并为神经退行性疾病中多重生物标志物分析建立了一个可推广的模块化框架。

来源:Journal of the American Chemical Society · doi.org