Histórico: A complexa patologia da doença de Alzheimer (DA) resultou em biomarcadores atuais limitados para sua classificação e diagnóstico, necessitando de uma investigação mais aprofundada sobre biomarcadores universais confiáveis ou combinações.

Métodos: Neste trabalho, coletamos vários conjuntos de dados proteômicos do CSF e construímos um modelo de diagnóstico universal pelo método SVM-RFECV combinado com tamanho de amostra igual e design de normalização padrão. O modelo foi treinado em 297_CSF e depois testou o efeito em outros conjuntos de dados.

Resultados: Usando o aprendizado de máquina, identificamos um painel de 12 proteínas a partir de conjuntos de dados proteômicos do líquido cefalorraquidiano. O modelo de diagnóstico universal demonstrou forte capacidade de diagnóstico e alta precisão em dez coortes diferentes de DA em diferentes países e diferentes tecnologias de detecção. Essas proteínas estão envolvidas em vários processos biológicos relacionados à DA e mostram uma forte correlação com biomarcadores patogênicos estabelecidos da DA, incluindo amiloide-β, tau/p-tau e a pontuação da Avaliação Cognitiva de Montreal. A alta precisão do modelo pode ser devida à combinação de várias proteínas com base na patologia abrangente e no progresso diferente da DA. Além disso, diferencia efetivamente a DA do comprometimento cognitivo leve (MCI) e de outros distúrbios neurodegenerativos, especialmente a demência frontotemporal (FTD), que compartilham doenças patogênicas semelhantes à DA.

Conclusão: Este estudo destaca um modelo de alta precisão, robustez e compatibilidade do painel de 12 proteínas cuja detecção é baseada até mesmo em tecnologias de espectrometria de massa TMT e DIA sem rótulo ou ELISA, implicando sua potencial perspectiva em aplicação clínica.

Palavras-chave: Doença de Alzheimer; Biomarcador; Líquido cefalorraquidiano; Aprendizado de máquina.