08.17-08.23 临床预测模型研究顶刊快报

1、多发性硬化症诊断和临床分层的脑网络生物标志物：一项整合个体化结构协方差MRI与高密度脑电图的纵向研究  08.19 eBioMedicine

1、药物筛查和机器学习预测儿童痴呆临床前人类模型中的神经保护剂 08.20  nature communications

1、多发性硬化症诊断和临床分层的脑网络生物标志物：一项整合个体化结构协方差MRI与高密度脑电图的纵向研究

Brain network biomarkers for diagnosis and clinical stratification in multiple sclerosis: a longitudinal study integrating individualised structural covariance MRI with high-density EEG

（1）背景：多发性硬化症（MS）正被重新认识为一种大规模脑网络重组障碍，而非仅由局灶性脱髓鞘病变所致。然而，结构网络异常与临床异质性及进展的关系尚不明确。本研究利用两个独立MRI队列（共635例）及高密度脑电图（hd-EEG）子集，构建个体化结构协方差网络（iSCN），结合图论与机器学习，系统评估其在MS诊断、残疾、认知及疾病活动分层中的价值，并探索纵向变化。

（2）结论：iSCN方法可靠地识别了MS及其临床分层中拓扑与连接异常，主要涉及丘脑及皮层下枢纽和视觉网络耦合改变。机器学习显示，连接特征对诊断区分最优（AUC 0.86），而拓扑特征更适用于临床分层（残疾分层AUC 0.73，认知分层AUC 0.75）。纵向NEDA亚组存在细微节点变化，提示iSCN可检测亚临床网络演变，为MS个体化评估提供潜在生物标志物。

1、药物筛查和机器学习预测儿童痴呆临床前人类模型中的神经保护剂

Drug screen and machine learning predict neuroprotective agents in a preclinical human model of childhood dementia

（1）背景：儿童痴呆（如Sanfilippo综合征/MPS IIIA）由单基因突变引起，缺乏有效疗法。本研究利用5名患儿及5名对照的诱导多能干细胞（iPSC）分化为皮层神经培养物，该模型重现了硫酸乙酰肝素蓄积、溶酶体功能障碍、进行性神经退变和反应性星形胶质增生等疾病表型。研究旨在通过高通量药物筛选与机器学习，从63种FDA已获批药物中识别可快速转化应用的神经保护候选药物。

（2）结论：整合高内涵成像、单核转录组、电生理及机器学习（XGBoost、CNN）的多模态平台，筛选出至少9种可显著改善MPS IIIA神经表型的药物（如别嘌醇、丙磺舒、乙酰-D-亮氨酸等）。机器学习模型能准确区分疾病与健康状态，并将有效药物治疗后的样本预测为“健康样”状态。转录组和电生理验证显示，联合用药可持续恢复兴奋/抑制平衡。该研究为儿童痴呆提供了可行的临床前药物筛选与预测框架。