编辑推荐：
本研究旨在探索牙周炎（CP）诱发阿尔茨海默病（AD）的机制并寻找有效干预策略。研究人员通过整合单细胞转录组分析和多种机器学习方法，成功从黄连解毒汤（HLJDD）干预的CP-AD模型海马转录组数据中，精准识别出cGAS–STING信号通路是连接外周感染与神经退行性病变的核心炎症轴。体内外实验证实，HLJDD能有效抑制cGAS–STING活化、减轻神经炎症并改善认知功能。该研究不仅为理解CP与AD的关联提供了新见解，也为开发多靶点AD治疗策略提供了数据驱动的新范式。
当提到阿尔茨海默病（Alzheimer’s disease, AD），人们通常会联想到大脑内的淀粉样斑块和神经纤维缠结。然而，近年来越来越多的证据表明，大脑之外的慢性炎症，特别是像牙周炎（Chronic Periodontitis, CP）这样的口腔疾病，可能与AD的发生发展有着隐秘的联系。尽管临床观察提示了这种关联，但其背后的分子机制却如同一团迷雾，阻碍了有效干预策略的开发。外周感染究竟如何“遥控”大脑，引发神经退行性病变？是否存在一个关键的信号枢纽？更重要的是，能否从传统医学宝库中找到多靶点干预的钥匙？这些问题构成了本研究的起点。
为了解开这些谜团，研究人员开展了一项融合了前沿计算科学与传统药理学的研究。论文《Machine learning–guided Huanglian Jiedu decoction targets STING in periodontitis-induced Alzheimer’s Disease》发表在了《npj Digital Medicine》期刊上。研究团队首先利用公开的单细胞RNA测序（scRNA-seq）数据，揭示了AD患者小胶质细胞中存在显著的炎症激活特征，提示神经免疫系统在疾病中扮演要角。随后，他们建立了牙周炎诱导的AD大鼠模型，并对其海马组织进行转录组测序，获得了海量的基因表达数据。
面对高维复杂的转录组数据，如何精准定位关键致病通路是巨大挑战。本研究巧妙地运用了多种互补的机器学习策略来破译数据密码。核心方法包括：1）基于随机森林（Random Forest）的基因特征筛选，从海量数据中初步锁定与疾病高度相关的候选基因集；2）利用支持向量机（Support Vector Machine, SVM）对候选基因进行进一步精炼与验证，提升预测模型的准确性；3）构建基因互作网络模型，从系统层面分析基因间的协同关系；4）最后，通过可解释性模型分析，量化每个特征（基因或通路）对疾病状态的贡献度。这一系列数据驱动的方法，旨在无需过多先验假设的情况下，让数据自己“说话”，指出最可能的致病机制。
结果
机器学习模型一致识别cGAS–STING通路为CP-AD病理的核心枢纽
通过上述多种机器学习模型对CP-AD模型海马转录组数据的交叉分析，一个信号通路在所有模型中均表现出强大且方向一致的贡献——即环状GMP-AMP合成酶–干扰素基因刺激因子（cyclic GMP–AMP synthase–stimulator of interferon genes, cGAS–STING）信号通路。该结果从计算层面强烈提示，cGAS–STING通路是连接外周牙周炎感染与中枢神经退行性病变的一个核心炎症轴。
HLJDD在体内外有效抑制cGAS–STING通路并改善AD表型
基于机器学习得出的靶点假设，研究团队在细胞和小鼠模型中进行验证。体外实验表明，黄连解毒汤（Huanglian Jiedu Decoction, HLJDD）能够显著抑制cGAS–STING信号通路的活化。在体内，使用HLJDD干预CP诱导的AD模型大鼠后，同样观察到了海马组织中cGAS–STING通路相关分子表达的下调。更重要的是，这种药理干预带来了明确的生物学效益：神经炎症反应（如促炎细胞因子释放）得到有效缓解，同时模型动物的认知功能缺陷也获得了显著改善。
结论与讨论
本研究成功地将数据科学与传统医学研究相结合，为解决复杂疾病机制探索提供了新思路。通过整合单细胞转录组学和多种机器学习算法，研究无需依赖强假设，便从高维数据中客观、精准地筛选出cGAS–STING通路作为牙周炎诱发阿尔茨海默病的关键分子桥梁。这一发现不仅深化了人们对“口腔-脑轴”的理解，为AD的病因学提供了新的外周炎症视角，也明确了cGAS–STING是一个极具潜力的治疗靶点。
进一步的药理学验证表明，中药复方黄连解毒汤能够有效靶向该通路，发挥抑制神经炎症、保护认知功能的多重效益。这提示HLJDD或可作为一类通过调节cGAS–STING轴来治疗由外周炎症（如牙周炎）驱动或加重的阿尔茨海默病的多靶点治疗策略。总之，该研究不仅揭示了连接牙周炎与AD的一个具体分子机制，也展示了机器学习在解析复杂疾病机制和指导中药现代化研究中的强大应用价值，为开发基于数据驱动的神经退行性疾病疗法开辟了新途径。
