面向ADHD诊断的代谢物生物标志物发现：基于可解释机器学习方法
机器学习
2026-02-25 v2
摘要
注意力缺陷多动障碍 (ADHD) 是一种流行的神经发育障碍，现有客观诊断工具有限，凸显了在精密精神医学中亟需客观、基于生物学的诊断框架的需求。我们将尿液代谢物组与可解释机器学习框架相结合，以识别与 ADHD 相关的生化信号。对 52 例 ADHD 患者和 46 例对照组的靶向代谢物组进行分析，使用内置特征选择的 Closest Resemblance (CR) 分类器。CR 模型超越随机森林和 K 近邻分类器，基于 14 种代谢物的精简面板实现 AUC > 0.97。这些代谢物包括多巴胺 4-硫酸盐、N-乙酰天门氨酸谷氨酰胺和精氨酸，映射至多巴胺神经递质和氨基酸代谢通路，为ADHD 病理机制提供了机制学意义。CR 分类器的透明决策边界和低计算成本支持整合到靶向代谢物检测 assay 和未来便携式诊断平台中。总体而言，本工作展示了一个结合代谢物组和可解释机器学习的翻译框架，以推动ADHD客观、基于生物学的诊断策略的进步。
引用
@article{arxiv.2601.11283,
title = {Metabolomic Biomarker Discovery for ADHD Diagnosis Using Interpretable Machine Learning},
author = {Nabil Belacel and Mohamed Rachid Boulassel},
journal= {arXiv preprint arXiv:2601.11283},
year = {2026}
}
备注
24 pages, 4 figures, 2 tables, submitted to AI in Medicine