Blutbiomarker zeigen, wie sich Gliazellen und Blutgefäße im Verlauf der Alzheimer-Stadien verändern
Eine große ADNI-Studie zeigt, dass GFAP bei der Verfolgung des Alzheimer-Verlaufs besser abschneidet als vaskuläre Marker, während die vaskulären Marker im Zeitverlauf unterschiedliche Verläufe zeigen.
Zusammenfassung
Die Alzheimer-Krankheit umfasst mehr als Amyloid und Tau. Auch die Stützzellen des Gehirns und die Auskleidung der Blutgefäße scheinen beteiligt zu sein. Forschende nutzten Daten der Alzheimer's Disease Neuroimaging Initiative, um fünf Blutmarker bei Menschen zu verfolgen, die kognitiv gesund waren, eine leichte kognitive Beeinträchtigung hatten oder an einer Alzheimer-Demenz litten. GFAP, ein Marker für die Aktivierung von Astrozyten (Stützzellen des Gehirns), stieg schrittweise über die Stadien hinweg an und war bei Alzheimer um etwa 56 % höher als bei gesunden Teilnehmenden. Er konnte diese Gruppen recht gut voneinander unterscheiden. Die vaskulären Marker VEGF und sVCAM-1 waren bei Alzheimer um etwa 14 % höher, überlappten jedoch zwischen den einzelnen Personen so stark, dass sie für die Diagnose nicht nützlich waren. Der Mikroglia-Marker sTREM2 unterschied sich nicht nach Diagnose. Gliale und vaskuläre Marker veränderten sich nicht im Gleichschritt miteinander, und die vaskulären Verläufe umfassten nur 12 Monate, sodass sie in längeren Nachbeobachtungen bestätigt werden müssen.
Detaillierte Zusammenfassung
Die Alzheimer-Krankheit wird zunehmend als multizelluläre Erkrankung betrachtet, bei der Entzündung, Störungen der Blut-Hirn-Schranke und Schäden an der neurovaskulären Einheit neben Amyloid und Tau auftreten. Bluttests sind günstiger, weniger invasiv und leichter zu wiederholen als Liquoruntersuchungen oder PET-Scans. Daher ist es sowohl für die klinische Praxis als auch für Studien wichtig zu verstehen, welche nicht zum Kern gehörenden Marker den Krankheitsverlauf abbilden. Nur wenige Studien haben Marker der Gliazellen (Stützzellen des Gehirns) und Marker der Blutgefäße gemeinsam in derselben Kohorte untersucht. Genau diese Lücke adressierte die vorliegende Analyse.
Anhand von Daten der Alzheimer's Disease Neuroimaging Initiative bildeten die Autoren eine kovariatenvollständige Kohorte mit 2.650 Teilnehmenden (1.027 kognitiv unbeeinträchtigt, 1.187 mit leichter kognitiver Beeinträchtigung, 436 mit Alzheimer-Demenz). Gemessen wurden im Plasma GFAP (Astrozyten), sTREM2 (Mikroglia), VEGF (Angiogenese) sowie sICAM-1 und sVCAM-1 (endotheliale Aktivierung). Die biomarkerspezifischen Stichproben umfassten zu Studienbeginn zwischen 566 und 1.001 Personen. Die Modelle verwendeten lineare Regression und Modelle mit gemischten Effekten, adjustiert für Alter, Geschlecht, Bildung und APOE ε4, mit Benjamini-Hochberg-Korrektur. Die Gefäßmodelle wurden zusätzlich für BMI, Blutdruck, Medikamente, Rauchen und Nierenfunktion adjustiert.
GFAP zeigte das deutlichste Signal. Die Mediane lagen bei 125,7, 165,8 und 238,6 pg/mL in der kognitiv unbeeinträchtigten, der MCI- und der AD-Gruppe. Nach Adjustierung war GFAP bei MCI um 21,5 % und bei AD um 56,3 % höher (q = 1,7 × 10⁻¹⁴). Die AUC für AD gegenüber unbeeinträchtigten Personen betrug 0,822, mit einem Cohen's d von 1,23. sTREM2 unterschied sich nicht nach Diagnose (AUC 0,507). VEGF und sVCAM-1 waren bei AD um 14,1 % bzw. 14,7 % höher (q = 0,014 bzw. 0,002), doch die AUCs lagen nur bei 0,612 und 0,625, mit mehr als 80 % Überlappung der Verteilungen.
Im Zeitverlauf stiegen GFAP um 4,50 % pro Jahr und sTREM2 um 2,99 % pro Jahr bei kognitiv unbeeinträchtigten Teilnehmenden. Keiner der beiden Marker zeigte eine signifikante Interaktion zwischen Diagnose und Zeit, sodass sich die Veränderungsraten nicht nach Stadium unterschieden. In einem 12-Monats-Fenster sank sICAM-1 bei unbeeinträchtigten Teilnehmenden um 23,3 % pro Jahr, und dieser Rückgang war bei MCI und AD abgeschwächt. sVCAM-1 stieg bei unbeeinträchtigten Teilnehmenden um 8,6 % pro Jahr, mit negativen Interaktionen bei MCI und AD. Diese vaskulären Muster blieben nach Adjustierung für kardiometabolische und renale Faktoren, bei zeitvariabler Diagnose und bei der Trennung von stabilem MCI und Konvertierenden bestehen. Die Korrelationen zwischen Glia- und Gefäßmarkern waren nicht signifikant, beruhten aber nur auf 64 bis 94 Teilnehmenden mit überlappenden Messungen.
Die Ergebnisse legen nahe, dass GFAP der nützlichste nicht zum Kern gehörende Marker für die Stadieneinteilung ist, während Gefäßmarker kleine Verschiebungen auf Gruppenebene zeigen, ohne diagnostischen Wert für den Einzelnen. Glia- und Gefäßwege schritten nicht synchron fort. Die Einschränkungen sind erheblich: Die Nachbeobachtung der Gefäßmarker betrug nur 12 Monate, die Nullergebnisse für sICAM-1 und sTREM2 waren unterpowert (minimal nachweisbare Unterschiede von 16,5 % bzw. 14,3 %), und die Verfügbarkeit der Assays war in Bezug auf die Diagnose nicht zufällig. Viele Teilnehmende hatten nur eine Messung, und in der Gefäßstichprobe gab es nur wenige unbeeinträchtigte Teilnehmende (10,2 %).
Wichtigste Erkenntnisse
- Baseline plasma GFAP was 56.3% higher in AD than in cognitively unimpaired participants (95% CI 40.4 to 74.2; q = 1.7 × 10⁻¹⁴) and 21.5% higher in MCI
- GFAP discriminated AD from unimpaired with an AUC of 0.822 (95% CI 0.779 to 0.866), Cohen's d 1.23, and distribution overlap of 0.51
- VEGF (+14.1%, q = 0.014) and sVCAM-1 (+14.7%, q = 0.002) were higher in AD, but AUCs were only 0.612 and 0.625 with 83-92% overlap
- sTREM2 did not differ by diagnosis (AD vs. CU +2.2%, AUC 0.507) and sICAM-1 showed no significant baseline difference
- GFAP rose 4.50% per year (q = 1.0 × 10⁻³³) and sTREM2 2.99% per year in unimpaired participants, with no diagnosis-by-time interactions
- Over 12 months sICAM-1 fell 23.3% in unimpaired participants, attenuated in MCI (+17.8%) and AD (+24.6%), while sVCAM-1 rose 8.6% with negative interactions of -9.9% and -11.0%
- Glial-vascular correlations were not significant, but were based on only 64 to 94 overlapping participants
Methodik
Dies war eine retrospektive longitudinale Kohortenanalyse von ADNI-Daten mit 2.650 Teilnehmenden mit vollständigen Kovariaten (1.027 CU, 1.187 MCI, 436 AD). Die Analysestichproben waren biomarkerspezifisch: 832 für GFAP, 1.001 für sTREM2 und 566 für das Gefäßpanel, das genau zwei Visiten umfasste (Baseline und Monat 12). Für die Baseline-Assoziationen wurde lineare Regression verwendet, für die Längsschnittanalysen gemischte Modelle mit zufälligen Achsenabschnitten (Random Intercepts), adjustiert für Alter, Geschlecht, Bildung und *APOE* ε4, mit Benjamini-Hochberg-FDR-Korrektur. Die Gefäßmodelle wurden zusätzlich mit kardiometabolischen und renalen Kovariaten neu angepasst, und es wurden sechs Sensitivitätsanalysen durchgeführt, ergänzt um AUC, Cohens d und Überlappungsmaße.
Studienlimitierungen
Die Autoren weisen darauf hin, dass die vaskuläre Nachbeobachtung nur 12 Monate dauerte. Die divergierenden Verläufe müssen daher über längere Zeiträume repliziert werden, bevor sie als stadienabhängige Regulation interpretiert werden können. Die Nullergebnisse für sICAM-1 und sTREM2 waren durch die statistische Power begrenzt, und die glial-vaskulären Korrelationen beruhten auf kleinen, sich überlappenden Stichproben. Die Verfügbarkeit der Assays war nach Diagnose nicht zufällig verteilt (kognitiv unbeeinträchtigte Teilnehmende machten nur 10,2 % der vaskulären Stichprobe aus), bei vielen Teilnehmenden lag nur eine einzelne Messung vor, und einige Ausgangswerte wurden extrapoliert.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: