队列建立与临床评估
招募DS成人,进行临床诊断和认知评估,明确无症状(aDS)和有症状(sDSAD)亚组。
从LMU医院AD21队列纳入59名DS成人,完成至少1次随访。通过神经学评估、CAMCOG-DS测试、ATN分类(CSF和影像)等确定临床诊断。
Longitudinal Dynamics of the Blood Proteome Within the Alzheimer Spectrum in Down Syndrome
研究为前瞻性纵向队列分析,包含59例DS患者,采用OLINK技术检测血浆蛋白,运用贝叶斯模型评估蛋白纵向轨迹及其与认知变化的关系,但缺乏体外功能验证、动物模型或机制研究,仅有观察性数据。
59例唐氏综合征成人队列(含13例sDSAD和41例aDS)
诊断标准:基于神经心理学评估(CAMCOG-DS)和临床诊断,需核对AD诊断算法及排除标准。 随访时间:患者至少完成1次随访(中位13.37个月),14例完成2次随访,需确认随访间隔和窗口。 蛋白检测:采用OLINK Explore 3072 Panel,需核实批次效应校正(bridging samples)及质量控制流程。 统计模型:贝叶斯层级模型,控制年龄、性别、智力障碍等级,需确认先验设定和链数(4链,10000迭代)及诊断分层。 认知结局:以CAMCOG-DS总分为主要结局,需确认测试版本(德语版)和评分标准。
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
招募DS成人,进行临床诊断和认知评估,明确无症状(aDS)和有症状(sDSAD)亚组。
从LMU医院AD21队列纳入59名DS成人,完成至少1次随访。通过神经学评估、CAMCOG-DS测试、ATN分类(CSF和影像)等确定临床诊断。
检测血浆中9种目标蛋白的浓度水平,获取其纵向数据。
使用EDTA管采集非空腹血样,离心分离血浆,-80°C保存。采用OLINK Explore 3072 Panel(多重免疫分析平台)测量约3000种蛋白。通过桥接样本进行批次间校正。
评估每种蛋白随年龄的变化趋势。
使用贝叶斯层级模型(Model 1)分析NPX水平随年龄的变化,控制性别。结果显示除CBLN4外,其余蛋白均随年龄增加。
评估蛋白水平随时间(自基线)的变化,并控制年龄效应。
使用Model 2分析NPX随时间的变化,控制基线年龄和性别。发现CD14, CXCL17, EDA2R和GFAP显著上升;NFL和SPON1有上升趋势但不显著。
评估基线蛋白水平是否与认知随时间的变化相关。
使用Model 3,以CAMCOG-DS %为结局,分析基线NPX与时间交互作用,控制基线年龄、智力障碍等级和性别。结果显示高基线水平的CD14等与更快的认知衰退相关,高CBLN4与较慢衰退相关。
探究蛋白轨迹和关联是否在aDS和sDSAD间存在差异。
使用Model 4和5,分析蛋白轨迹在不同诊断组中的差异,以及蛋白基线水平对认知影响的差异。发现IGFBP2在sDSAD中的交互效应显著,其他蛋白无显著差异。
探索个体蛋白变化率与认知子域变化率之间的关联。
使用普通最小二乘回归获得个体斜率和变化率,进行Spearman相关分析,按诊断组分层。经FDR校正后,未观察到显著的相关性。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 蛋白检测 | OLINK Explore 3072 检测面板 | -- | -- |
| 血液样本处理 | EDTA管 | -- | -- |
| 认知评估 | 德语版CAMCOG-DS | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 参与者招募与诊断 | 诊断标准:需核对DS诊断和ID分级(DSM-V),排除重度ID。sDSAD诊断需由2名神经科医生基于预定义算法独立诊断。 阅读提示:Methods: Participants and Clinical Workup |
| 随访和数据收集 | 随访时间:需确认所有受试者至少完成1次年度随访,中位随访时间为13.37个月。本研究的随访时间较短,可能影响结果观察。 阅读提示:Methods: 参与者与临床检查;Table 1 |
| 血浆蛋白测量 | 蛋白定量平台:OLINK Explore 3072 Panel,数据以NPX(log2转换)形式表示。批次效应校正通过桥接样本实现。需注意批间变异。 阅读提示:Methods: 血浆样本收集与分析;补充材料 |
| 统计模型 | 贝叶斯模型:使用brms包,4链,10000次迭代,5000次预热,thinning=10。连续变量缩放,先验为弱信息先验(N(0,1),截距N(0,3))。模型性能通过R-hat、ESS等诊断。 阅读提示:Methods: 统计分析 |