AI发现症状前阿尔茨海默病的关键：FINGERS-7B基础模型整合多组学数据实现早期精准预防

时间:2026-05-10 12:42 来源:生物行作者:泉水点击:次

为了尽可能早地发现阿尔茨海默病（理想情况下在症状出现之前），麻省理工学院的研究团队发布了FINGERS-7B——首个旨在使阿尔茨海默病“可预防”的AI基础模型。该模型通过将生活方式、临床、基因组和蛋白质组学数据整合到一个单一的“生物指纹”中，实现了4倍更准确的临床前诊断，并能在症状出现前长达10年识别疾病。该模型是开源的，已部署在阿尔茨海默病数据倡议（ADDI）的安全云环境“AD Workbench”中，供全球40多个国家的研究人员使用。

模型架构与数据整合

数据类型	信息来源示例	在风险预测中的作用
生活方式	WW-FINGERS网络（40个国家， 30，000名参与者）的饮食、运动、认知训练、心血管风险控制。	识别可修改的风险因素（例如，地中海饮食、控制血压、有氧运动、社交互动）。
临床	认知评估（临床前阿尔茨海默病认知复合评分，简易精神状态检查），合并症（高血压，糖尿病）。	追踪认知衰退轨迹（包括症状前期下降速率）。
基因组	APOE ε4状态，全基因组关联研究多基因风险评分。	评估遗传易感性。
蛋白质组	血浆生物标志物（Aβ42/40， p-tau181，神经丝轻链（NfL））。	检测症状前的阿尔茨海默病病理（Aβ， tau）。

关键性能指标

指标	传统方法（单组学）	FINGERS-7B	改进
临床前阿尔茨海默病诊断（AUC）	约0.65-0.70（淀粉样蛋白PET阳性 vs. 阴性）。	约0.80-0.85（基于多组学生物指纹）。	4倍更准确（相对而言）。
应答者分层（对干预的反应）	低（例如，对饮食/运动方案的反应者与无反应者）。	130%更好的应答者分层。	识别谁会从特定干预措施中获益。

对临床实践与药物研发的影响

应用	描述	当前状态
个体化风险预测	提供个体化的风险概况、认知衰退的时间轨迹以及候选干预措施（生活方式改变，药物）的预测效果。	研究阶段（在真实世界的临床环境中仍有待验证）。
临床试验富集	使用多组学生物指纹选择临床试验的参与者（抗淀粉样蛋白免疫疗法，生活方式干预）。	可采取行动（使用FINGERS-7B进行回顾性分析；前瞻性试验尚待开始）。
精准预防（2.0版）	推荐精准的多领域干预措施（饮食+运动+认知训练+药物）。	模型可以生成假设（需在FINGER 2.0试验中测试）。
药物再利用/靶点发现	AI代理分析多组学关联，以识别新的药物靶点（例如，与APOE4相互作用的蛋白质）。	推测（假设生成）。

关键信息速览

项目	内容
模型名称	FINGERS-7B（基础模型）。
架构	多组学整合（生活方式，临床，基因组，蛋白质组）。
训练数据	数万名有阿尔茨海默病风险的个体（WW-FINGERS网络）。
主要结果（临床前诊断）	4倍更准确（优于单组学方法）。
主要结果（应答者分层）	130% 改善。
临床前窗口（诊断超前时间）	症状出现前至少10年。
可用性	开源（AD Workbench）。
发表/发布状态	已发布（ICLR 2026）。

*——本文基于麻省理工学院皮考尔研究所（ICLR 2026）报道的研究编译，为神经科医生、老年病专家及AI医疗研究人员提供关于开源AI基础模型FINGERS-7B的证据，该模型通过整合多组学数据进行临床前阿尔茨海默病检测和个性化干预预测。*

(责任编辑：泉水)