以常規臨床資料精準「生成」多組學分子圖譜——澳科大開發PULSE框架 以AI推動普惠精準醫學
澳門科技大學AI交叉應用研究院和醫學院張康教授團隊聯合溫州醫科大學，廣州國家實驗室，北京大學，國際醫療數字孿生聯盟等國內外科研及臨床機構，在國際頂尖學術期刊Nature Computational Science發表研究論文，提出Patient Unified Longitudinal Signal Engine（PULSE）框架。該框架通過追蹤患者常規血液檢驗的縱向變化，精準推演出昂貴且難以重複的代謝組學和蛋白質組學圖譜，使精準醫學從資源密集的研究場景走向基層和資源匱乏地區，大幅降低醫療成本，促進健康公平。
代謝組學、蛋白質組學等高維度分子譜分析能夠揭示個體深層的健康與疾病狀態，是精準醫學的重要基石。然而，這類檢測費用高昂、操作複雜且部分具有一定侵入性，患者難以在常規診療中頻繁接受檢測。與此形成鮮明對比的是，血常規、血生化指標等基礎實驗室檢驗價格低廉、創傷小、可重複性強，是臨床隨訪中最常見的資料類型。
一個根本性的科學問題由此浮現：能否利用患者反復進行的常規檢驗所記錄的個體生理狀態演變軌跡，來推演那些昂貴且難以重複的分子圖譜的變化？
張康教授團隊給出了肯定的答案。該團隊提出的PULSE框架，其核心洞見正在於此：同一位患者的多次就診資料構成了一個縱向多模態資料集，資訊不僅存在於單次就診內部不同檢驗指標之間的關聯，更關鍵地存在於不同時間點之間的變化趨勢之中。換句話說，一次常規檢驗結果的價值，必須放在患者既往測量值的縱向背景中才能真正彰顯。基於這一認識，PULSE將患者前一次就診的個性化潛在狀態顯式編碼並傳遞至當前就診，與當前獲得的稀疏常規檢驗資料在共用隱空間中進行對齊與融合，從而重建出當前時間點的完整高維分子圖譜。簡言之，PULSE讓每一次普通的抽血化驗，都能「附帶」生成一份虛擬的高通量組學檢測報告。
研究團隊在大規模佇列中系統驗證了這一策略的有效性。在從61項常規血液檢驗生成251項代謝組學生物標誌物的任務中，PULSE的預測精度顯著優於所有基準方法。尤其值得關注的是，那些受機體穩態調控更為嚴格的代謝物預測準確度更高，這說明PULSE的預測建立在堅實的生理學基礎之上，而非簡單的統計插值。在蛋白質組學生成任務中，PULSE利用常規化驗和電子健康記錄中的病史資訊，生成了與實測蛋白組學高度一致的圖譜。基於生成蛋白組學訓練的疾病預測模型在六種常見年齡相關疾病上的曲線下面積與基於昂貴實測蛋白組學的模型表現相當——這意味著，患者無需實際支付高昂的檢測費用，即可獲得足以支撐精準風險評估的分子信號。
PULSE框架
研究團隊還揭示了PULSE隱空間所編碼的深層生物學結構。通過對參與者的聯合隱空間進行軌跡推斷，團隊發現人群並非沿著單一的衰老路徑前進，而是分化為三條不同的衰老軌跡。其中一條軌跡上的個體，在慢性阻塞性肺病、糖尿病、心力衰竭和腦卒中等年齡相關疾病上的累積發病率顯著高於同齡人，這是一條「加速衰老」的軌跡。
「PULSE的核心是用廉價、可重複的常規檢驗去『追蹤』昂貴、難以重複的分子檢測的變化。」張康教授指出。「我們投入大量資源構建的大規模多模態資料庫作為『訓練場』，讓模型學會這種推演能力，然後把它帶到基層醫院、帶到偏遠地區，那裡沒有科研檢測設備，但有常規血液和實驗室檢查能力。PULSE讓每個人都能以極低成本獲得接近精準醫學水準的健康評估。」
該研究的意義不僅在於技術突破，更在於推動全球健康公平。在醫療資源配置不均的現實下，PULSE使基層和落後地區的患者無需長途跋涉或支付巨額費用，僅憑常規檢驗即可獲得深度分子圖譜，實現早期風險識別和疾病預警。這正是「少測多算」理念的核心價值：用最少的檢測，算出最多的健康資訊，讓精準醫學從「奢侈品」變為「日用品」。
隨著PULSE框架的持續演進，「少測多算」的範式有望重塑臨床決策路徑，讓每一次普通的抽血，都成為通往精準健康管理的一步，讓技術進步惠及每一個角落。