随着全球人口老龄化进程加速，阿尔茨海默病（Alzheimer's Disease, AD）作为最常见的神经退行性疾病，正成为重大公共卫生挑战。这种疾病具有复杂的遗传背景，涉及多个基因和生物通路的相互作用。传统上，研究人员通常采用单任务学习（Single-Task Learning, STL）方法构建遗传风险预测模型，即针对单个表型（如记忆衰退程度或脑萎缩速率）独立建模。然而，AD相关表型往往共享共同的遗传基础，这种"各自为战"的建模方式不可避免地忽视了宝贵的表型间关联信息，如同医生仅通过单一症状判断病情而忽略症状间的内在联系。
为突破这一局限，本研究创新性地将多任务学习（Multi-Task Learning, MTL）范式引入AD遗传研究领域。MTL的核心思想是让多个相关任务在模型训练过程中共享知识，类似于医生综合患者多种症状进行联合诊断。研究团队重点探讨了两个关键科学问题：MTL是否能有效提升AD遗传风险预测的准确性？在基因水平（而非单个单核苷酸多态性位点）聚合遗传信号能否进一步优化模型性能？
研究方法与技术路径
本研究采用AD神经影像倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）队列的遗传和表型数据，系统比较了四种建模策略：单任务学习（STL）、硬参数共享（Hard Parameter Sharing, HPS）、Sluice Network和学习分支（Learning to Branch, LTB）模型。通过模拟实验评估不同遗传共享程度下的模型表现，并验证基因水平变异聚合（将多个单核苷酸多态性信号汇总至基因维度）的增效作用。
研究结果
- 1.
模型性能比较
模拟实验显示，Sluice Network在多种遗传共享情境下均保持最优预测精度，这得益于其可自动学习任务间参数共享强度的自适应机制。当表型间遗传相关性较高时，LTB和HPS模型表现接近Sluice Network，但在低共享场景下性能显著下降。STL模型因无法利用跨表型信息而持续落后。
- 2.
基因水平聚合的增益效应
将遗传变异从单核苷酸多态性水平提升至基因水平（通过汇总基因内所有变异信号）后，所有模型预测性能均获提升，其中Sluice Network和LTB模型的改善幅度最为显著。这表明生物导向的特征工程能有效浓缩遗传信息，降低数据噪声。
- 3.
真实数据验证
在ADNI队列实证分析中，Sluice Network对临床评分和影像学生物标志物的联合预测误差较STL降低23.6%。基因水平聚合策略使模型曲线下面积（Area Under Curve, AUC）平均提高0.07，证实该方法在真实场景的有效性。
结论与展望
本研究首次系统验证了多任务学习在AD遗传风险预测中的优势，并揭示基因水平信号聚合的协同增益效果。Sluice Network凭借其灵活的参数共享机制，成为处理复杂疾病异质表型的理想工具。该研究为破解复杂疾病"遗传-表型"映射难题提供了新思路，推动遗传风险预测从"单打独斗"向"协同作战"范式转变。未来可进一步整合多组学数据，建立动态风险预测模型，最终实现AD的精准预防与早期干预。论文发表于《Scientific Reports》，为复杂疾病计算建模研究提供了重要方法论参考。
