神經退行性疾病 — 11

一項具啟發性的研究提出治療「跳躍基因」（稱為逆轉錄轉座子）的潛力。研究將阿茲海默症患者及對照者的皮膚細胞轉化為多能幹細胞，再分化為神經元，在類器官三維細胞培養中重現疾病的多項核心特徵（如Aβ沉積及Tau蛋白累積），並以拉米夫定（一種穩定轉座子的藥物）逆轉這些現象。

總結近年所學，兩種單株抗體的淨臨床效益證據充其量也只是有限。即使清除腦中所有的澱粉樣蛋白沉積，可能仍太遲，無法有意義地中斷疾病不可逆的進展。這是針對已出現輕度認知障礙或早期阿茲海默症患者的治療，與在高風險人群中實現預防或顯著延緩病程截然不同。

預防

此領域的突破是一項簡單的血液生物標記，能指示高風險，為令人振奮的初級預防奠定基礎。憑藉累積的相關知識，我認為這是改變這種毀滅性年齡相關疾病自然史的典範。請記住我們的有利條件：此病發展需超過二十年。對超過兩千名參與者進行十八年多次評估的早期成人炎症血液檢測——C反應蛋白，能區分認知衰退風險。讓我概述依賴識別高風險者、密切監測、多模態人工智能數據分析及量身訂做干預的策略。

我曾在其他地方論述醫療預測模擬人工智能驅動的GraphCast天氣預報（準確率達99.7%）的非凡成功。在圖7.5中，我們看到整合多層數據以區分高風險個體的方法。這不僅包括已知臨床因素，如聽力損失、女性骨質疏鬆、男性勃起功能障礙或前列腺肥大，以及父系家族史，還有我們剛回顧的生活方式因素。補充資料包括APOE基因型、多基因風險分數、血液p-tau-217測試、炎症血液標記如高敏感C反應蛋白、血漿蛋白組成的腦器官時鐘群、腸道微生物組及其特定促炎微生物的存在，以及全身DNA甲基化評估的表觀遺傳年齡。視網膜影像對預測高風險亦有獨立幫助。利用人工智能分析語音可預測六年內阿茲海默症發生。多模態人工智能用於定量評估風險水平，綜合所有數據輸入，甚至在數據較有限時亦展現準確性。可選擇閾值將高風險者分類，如評估中排名前5%或10%的個體。