《Frontiers in Neurology》：MALT1 in cerebrospinal fluid: a prognostic biomarker and potential therapeutic target in Alzheimer’s disease
编辑推荐：
本综述通过整合孟德尔随机化（MR）、转录组学与机器学习（ML）分析，系统揭示了脑脊液（CSF）代谢物与阿尔茨海默病（AD）风险的因果关联，首次提出MALT1作为AD关键风险生物标志物，并证实其过表达可加剧神经炎症与神经元损伤，为AD早期诊断与靶向治疗提供了新视角。
背景
阿尔茨海默病（AD）是一种毁灭性的神经退行性疾病，早期干预仍是延缓其进展的唯一可靠策略。脑脊液（CSF）代谢物在AD早期诊断中起着至关重要的作用，因此对其研究具有重要意义。
方法
研究整合了两样本孟德尔随机化（MR）、转录组学和机器学习（ML）分析，以识别AD中因果性的CSF代谢物及其下游分子介质。MR评估了338种CSF代谢物对AD风险的影响，同时分析了整合的GEO数据集（GSE4757、GSE48350和GSE122063）以识别50个差异表达相关基因（DEAGs）。进行了免疫浸润和相关性分析以表征免疫浸润。预测性ML模型，包括随机森林（RF）、支持向量机（SVM）、广义线性模型（GLM）和极限梯度提升（XGBoost），用于筛选生物标志物，构建诊断列线图，并在体内验证发现。
结果
MR分析确定了15种与AD相关的潜在CSF代谢物。升高的肌酸水平（OR = 0.610, 95% CI: 0.441–0.845, p = 0.003）对AD具有保护作用，而升高的亮氨酸水平（OR = 1.548, 95% CI: 1.210–1.981, p < 0.001）与更高的AD风险相关。转录组分析揭示了50个DEAGs，这些基因在脂质代谢、炎症和神经信号通路中富集。免疫浸润分析显示了适应性和先天性免疫群体的改变，将风险基因与免疫激活联系起来。ML分析确定了五个稳健的预测因子（PLXDC2、DTNB、ALOX5、MALT1和F13A1），其中SVM模型显示出最佳性能（AUC = 0.895），并且有一个独立验证的列线图（AUC = 0.933）。MR和GEO数据集（GSE138260）进一步证实MALT1是一个潜在的风险生物标志物，体内表征支持其与AD不良预后的关联。
讨论
本研究旨在识别用于AD早期检测的CSF生物标志物，并探索治疗干预的潜在靶点。我们采用了一种结合MR、转录组分析、免疫细胞反卷积和机器学习技术的综合方法，全面探索了CSF代谢物在AD中的作用。我们的发现提供了几个重要的贡献：（i）我们为CSF代谢物在AD发病机制中的因果作用提供了新的见解；（ii）我们识别了与疾病进展相关的转录组和免疫特征，并开发了一个具有潜在临床适用性的预测模型；（iii）我们证明了MALT1过表达在AD小鼠模型中加剧了神经炎症、神经元损伤和线粒体功能障碍，并通过分子对接分析探索了其作为治疗靶点的潜力。
我们首先进行了MR分析，以识别几种影响AD风险的CSF代谢物。结果显示，肌酸水平对AD发展具有显著的保护作用。肌酸是大脑中ATP缓冲系统的关键组成部分，对于维持神经元能量储备至关重要。肌酸水平降低会增加神经元的脆弱性，而脑室内肌酸治疗通过抑制STAT1磷酸化来减轻AD病理和记忆缺陷。相反，升高的亮氨酸水平与增加的AD风险相关。亮氨酸是一种支链氨基酸。富含亮氨酸重复激酶2（LRRK2）介导的Rab12和Rab10磷酸化有助于AD中的内溶酶体功能障碍，pS106-Rab12在GVBs中积累并与tau蛋白共病理，表明LRRK2在tau相关神经退行性变中起关键作用。这些发现表明，CSF失调可能有利于由氨基酸驱动的合成代谢过程，同时损害能量缓冲，可能导致神经元脆弱性并加速AD进展。肌酸和亮氨酸等关键代谢物为了解疾病病理生理学提供了关键见解，并代表了早期诊断和有潜力的治疗靶点的有前景的生物标志物，突出了CSF在AD检测和干预策略中的核心作用。
为了研究CSF在AD中的关键作用，我们进行了整合的转录组和免疫分析。转录组分析揭示了在AD中介导代谢紊乱的失调基因。上调的基因如INPP5D、PICALM、TMEM119和PLXDC2与淀粉样蛋白加工、小胶质细胞激活和突触功能相关，而下调的ZNF家族成员、RGMA和PTPRN2表明转录调控和突触信号受损。这些改变汇聚于关键的AD相关通路，包括淀粉样蛋白代谢、tau病理、脂质稳态和神经炎症。免疫反卷积进一步揭示了适应性和先天性免疫的激活，其特征是调节性和记忆T细胞、浆细胞和小胶质细胞极化的增加，反映了慢性神经炎症。相关性分析将APP、PICALM和RBFOX1表达与免疫激活联系起来，表明淀粉样蛋白病理与免疫重塑之间存在串扰。总的来说，这些发现表明CSF代谢和转录失调有助于免疫失衡和AD进展。
接下来，发现MALT1过表达会诱导神经炎症、神经元损伤和线粒体功能障碍，突出了MALT1作为AD潜在贡献者。MALT1是各种病理生理过程的关键调节因子，主要通过调节NF-κB信号通路。在免疫细胞中，它在抗原刺激后激活NF-κB中起关键作用，而在神经元细胞中，它参与神经炎症，特别是在实验性自身免疫性脑脊髓炎（EAE）等疾病中，它通过非降解性多聚泛素化促进致病性Th17细胞功能。MALT1还通过促进神经胶质内质网应激、神经炎症和神经元损伤来加剧缺血性脑损伤和脊髓缺血/再灌注（SCI/R）损伤，其抑制可减轻这些影响。在缺血性中风中，MALT1通过其与HECTD4的相互作用调节GluN2B磷酸化和钙超载，其下调可减少神经元损伤。此外，在胶质母细胞瘤中，MALT1通过调节NF-κB信号来调节间充质表型，其被miR-181d抑制使肿瘤向恶性程度较低的原始神经外胚层肿瘤亚型转变。MALT1在炎症、缺血性损伤和肿瘤进展中的参与强调了其作为跨疾病治疗靶点的潜力。然而，关于MALT1在AD中CSF和脑组织中的研究仍然有限，其在神经炎症和神经退行性疾病中的确切作用尚未完全了解。
我们进一步发现MALT1通过NF-κB和JNK通路调节Th2和Th17细胞分化，这一机制与AD中CSF的神经炎症过程密切相关。单细胞测序研究揭示了AD进展过程中疾病相关小胶质细胞（DAM）的动态变化。此外，MALT1依赖的HOIL1切割调节NF-κB信号和炎症活性，导致“高炎症”表型。在AD模型中，MALT1的药理学抑制已被证明可以减轻淀粉样蛋白β诱导的线粒体功能障碍和神经炎症。需要进一步的工作来剖析MALT1信号在小胶质细胞、星形胶质细胞和周围免疫细胞中的细胞类型特异性效应，以及确定靶向MALT1是否可以在阶段依赖性方式下调节神经炎症和突触功能障碍。多组学数据集的整合和纵向单细胞分析将进一步有助于阐明共享的遗传变异是否驱动基因表达、代谢物水平和AD风险的协调变化。
总体而言，我们强调了MALT1作为AD中“炎症放大器”的关键作用。通过驱动慢性神经炎症，MALT1直接或间接诱导神经元死亡和线粒体功能障碍，从而加剧AD中的神经退行性变化。因此，靶向MALT1代表了一种有前景的策略，以破坏AD中炎症的恶性循环并可能减缓疾病进展。未来的研究应侧重于旨在调节MALT1活性的体内干预，以确认其在AD中的精确因果作用和治疗潜力。这些研究可以为了解AD病理生理学提供更深入的见解，并将MALT1确定为潜在的治疗靶点。
然而，我们的研究有一定的局限性。首先，MR研究的有效性可能因工具变量较弱而受到损害。为了解决这个问题，我们利用了达到全基因组显著性水平（p < 5 × 10?6）的独立SNPs，并且F统计量满足>10的阈值以避免弱工具变量的影响。尽管如此，仍然需要进行敏感性分析来评估弱工具变量的潜在影响并提高因果推断的稳健性。其次，多效性发生在遗传变异影响感兴趣暴露以外的多种性状时。虽然采用了多种统计方法来检测和调整多效性效应，但这些方法各有其局限性。因此，不能完全排除残留多效性的可能性。未来需要更大的GWAS样本量来识别更多CSF相关的SNPs。第三，由于缺乏匹配的CSF代谢组学和MALT1测量数据，我们未评估CSF亮氨酸/肌酸与MALT1之间的直接相关性。未来需要进行整合的CSF多组学研究（在同一受试者中同时进行代谢组学和MALT1蛋白测量）和精细的功能注释（eQTL、染色质相互作用数据和共定位分析），以直接检验亮氨酸/肌酸–AD关系是否通过MALT1相关通路介导。此外，当一些工具SNPs与多个其他因素相关时，可能会出现多效性。据我们所知，这是第一个基于遗传数据探索CSF代谢物与AD之间潜在因果关联的研究，然而现有GWAS数据中未提及不同AD阶段下CSF代谢物的变化。此外，由于我们的研究对象仅限于欧洲人，结果可能无法推广到全部人群，任何结论都应谨慎外推。不同人群之间的遗传异质性可能导致所研究性状的等位基因频率和生物学机制存在差异。未来的研究应旨在纳入更多不同种族群体的数据，以确保研究结果具有广泛适用性，并增强MR研究的外部有效性。
尽管如此，虽然CSF代谢物与AD风险之间的关联具有统计学意义，但从数据推断的因果关系需要进一步验证。种族、遗传背景和环境背景之间的异质性可能影响结果的普遍性。除了生物学机制外，必须仔细考虑潜在的混杂因素，以避免夸大关联。生活方式因素如饮食、运动、饮酒和吸烟已被证明与CSF代谢和AD风险都有关联。未能考虑这些混杂因素可能导致有偏见的结论，掩盖了关系的真实性质。最后，虽然MR分析可以建立CSF代谢物与AD之间的因果关系，但它不能提供暴露对AD的具体效应大小。鉴于使用GWAS数据进行分析和荟萃分析，需要未来的实验或试验来验证这些结果。
结论
总之，我们的整合分析提供了强有力的证据，表明特定的CSF代谢物通过失调的代谢通路、基因表达变化和免疫重塑因果性地影响AD风险。此外，我们开发并验证了一个基于机器学习的具有高临床实用性的预测模型。这些发现增进了对AD发病机制的理解，并突出了具有转化潜力的新型生物标志物和治疗靶点。
