AI從蛋白質體資料篩出五蛋白血液模型，阿茲海默症診斷價值仍待驗證

阿茲海默症血液檢測正逐步走近臨床，但單一指標很難涵蓋疾病複雜的生物變化。Genedata與聖路易華盛頓大學研究人員如今提出一套五蛋白血漿模型，希望在p-tau217之外增加診斷資訊，也為人工智慧如何參與生物標記篩選提供一個具體案例。

這項工作使用整合於Genedata Profiler平台的「生物標記探索代理程式」，分析大型蛋白質體與患者資料。系統可引導研究人員依序完成研究設計、資料選取、品質控制、特徵篩選、統計建模及候選標記排序，並保留分析流程與產出紀錄；重點並非讓AI直接替患者下診斷，而是把原本分散、仰賴程式設計與統計專業的探索步驟串成可追溯的工作流程。

Genedata表示，該流程找出的五蛋白模型在一個獨立族群中仍能維持表現，顯示訊號並非只貼合最初的資料集。研究團隊也稱，另一種互補分析方法得到相近發現。不過，目前公開資料未交代訓練與驗證族群規模、受試者疾病階段、五種蛋白的身分，以及敏感度、特異度或曲線下面積等關鍵指標，因此尚無法衡量改善幅度。

CTAD 2026的官方初步議程與海報名單則提供了外部確認：這項研究列為P561海報，題名指出五蛋白血漿面板可在p-tau217基礎上改善阿茲海默症診斷，作者來自Genedata、Danaher Diagnostics與聖路易華盛頓大學。議程確認了研究主題與合作關係，卻沒有提供足以獨立檢視結論的完整方法和結果。

p-tau217能反映與阿茲海默症相關的tau病理，已成為血液生物標記研究的重要主角。加入多種蛋白，理論上可能捕捉神經發炎、突觸損傷或其他疾病面向，也可能協助處理單一標記難以區分的病例；但模型變得更複雜後，檢測成本、不同實驗平台間的一致性，以及跨年齡、族群與共病狀況的穩定性，都會成為轉譯門檻。

獨立族群驗證是必要的一步，仍不等同於臨床診斷效用。這套面板接下來需要公開完整效能資料，接受前瞻性、多中心與多元族群研究，並與既有血液檢測、腦脊髓液及影像檢查進行直接比較。在這些證據到位以前，它較適合被視為AI輔助生物標記探索的候選成果，而不是可供臨床確診或排除阿茲海默症的現成工具。