Il Machine Learning Identifica i Geni della N-Glicosilazione come Biomarcatori dell'Alzheimer

Il morbo di Alzheimer (AD) colpisce decine di milioni di persone in tutto il mondo e, entro il 2050, si prevede che l'incidenza della demenza triplichi a livello globale. Nonostante decenni di ricerca, i trattamenti attuali rimangono sintomatici, sottolineando l'urgente necessità di biomarcatori precoci affidabili e di una comprensione meccanicistica più approfondita della malattia. Questo studio si concentra sulla N-glicosilazione — una modificazione post-traduzionale delle proteine che coinvolge il legame di oligosaccaridi ai residui di asparagina — la cui disregolazione è stata sempre più implicata nella neurodegenerazione, nell'aggregazione proteica e nella neuroinfiammazione.

I ricercatori hanno impiegato una pipeline bioinformatica multidimensionale che integrava la mappatura bibliometrica (VOSviewer, CiteSpace, R) della letteratura Web of Science dal 2001 al 2025, l'analisi trascrittomica dell'espressione differenziale (LIMMA) e tre algoritmi di machine learning: regressione Lasso, Random Forest e XGBoost. Le tendenze bibliometriche hanno rivelato un notevole spostamento verso meccanismi molecolari più granulari, con le modificazioni bisecting GlcNAc e l'enzima GNT-III (codificato da MGAT3) che emergevano come temi di ricerca di primo piano. L'analisi trascrittomica di dataset di tessuto cerebrale AD rispetto ai controlli ha identificato 6.845 geni espressi differenzialmente (DEG).

Tutti e tre i modelli di machine learning hanno convergito sugli stessi candidati principali: TMEM59 (una glicoproteina coinvolta nell'elaborazione di APP), MLEC (malectina, una lectina del reticolo endoplasmatico fondamentale per il controllo qualità delle glicoproteine) e MAX (un fattore di trascrizione nella rete MYC). APP, la proteina precursore dell'amiloide, è emersa anch'essa come molecola chiave associata. L'analisi SHAP (SHapley Additive exPlanations) ha confermato questi quattro geni come i principali predittori e ha rivelato un'interazione positiva significativa tra MLEC e TMEM59 (p = 0,00019) e un'interazione negativa tra MAX e MGAT3 (p = 0,0288), suggerendo un crosstalk regolatorio coordinato tra il macchinario di glicosilazione e il controllo trascrizionale.

Le prestazioni diagnostiche sono risultate notevoli: un modello di regressione logistica che utilizza MAX, APP e MLEC ha raggiunto AUC = 0,947; Random Forest e XGBoost hanno ottenuto AUC = 1,0 nei dataset primari; e un nomogramma clinico che integra il set di geni principali ha prodotto AUC = 0,899. In modo particolarmente rilevante, MAX da solo ha dimostrato un'utilità diagnostica a singolo gene con AUC di validazione esterna compresi tra 0,644 e 0,898, rendendolo un candidato biomarcatore di particolare accessibilità. Otto fattori di trascrizione — tra cui MAX e BRD9 — sono stati identificati come modulatori critici sia delle vie di N-glicosilazione che dell'attivazione gliale nell'AD.

Questi risultati forniscono un nuovo quadro integrativo che collega la biologia della N-glicosilazione alla patogenesi e alla diagnosi precoce dell'AD. La convergenza di evidenze bibliometriche, trascrittomica e di machine learning posiziona MAX, MLEC e TMEM59 come bersagli promettenti per ulteriori validazioni sperimentali e cliniche, con potenziali applicazioni in pannelli diagnostici non invasivi e strategie terapeutiche personalizzate.