科學家使用了一種新的基于視頻的機器學習工具，精確識別出經過基因改造以模擬阿爾茨海默病關鍵特征的小鼠中原本難以察覺的早期疾病跡象。

格拉德斯通研究所

11月26日

阿爾茨海默病的微妙跡象可能在確診前數(shù)十年就已出現(xiàn)，通常表現(xiàn)為反映大腦功能障礙極早期階段的不規(guī)則行為。

但迄今為止，即使是在研究小鼠阿爾茨海默病時，以科學方式識別和測量這些輕微的行為變化也并不可行。

在《細胞報告》（Cell Reports）上發(fā)表的一項研究[1]中，格拉德斯通研究所（Gladstone Institutes）的一組科學家使用了一種新的基于視頻的機器學習工具，精確識別出經過基因改造以模擬阿爾茨海默病關鍵特征的小鼠中原本難以察覺的早期疾病跡象。

研究于2024年11月26日發(fā)表在《Cell Reports》（最新影響因子：7.5）雜志上

他們的工作為比目前更早地識別神經系統(tǒng)疾病以及追蹤其隨時間的發(fā)展提供了一種新策略。

該研究的資深作者、格拉德斯通研究所研究員 Jorge Palop 博士表示：“我們已經展示了機器學習的潛力，它將徹底改變我們分析大腦功能早期異常行為的方式。我們利用了一個寶貴的工具，為更全面地理解毀滅性的大腦疾病及其起源打開了大門。”

科學家們使用了一種名為VAME（Variational Animal Motion Embedding，變分動物運動嵌入）的機器學習平臺來分析小鼠在開闊場地探索的視頻。這個開源工具能夠識別出攝像機捕捉到的微妙行為模式，這些變化僅憑肉眼觀察小鼠是無法注意到的。

高級研究員 Jorge Palop（左）和研究員 Stephanie Miller（右）審查開源機器學習工具 VAME 的數(shù)據(jù)。該工具分析了小鼠的視頻片段，為早期阿爾茨海默病的跡象提供了新的見解

追蹤無序行為

VAME 的深度學習平臺與小鼠的傳統(tǒng)行為測試不同，傳統(tǒng)測試通常圍繞預先設定的任務展開，這些任務對小鼠來說具有挑戰(zhàn)性。

格拉德斯通研究所的研究科學家、該研究的第一作者 Stephanie Miller 博士解釋說，傳統(tǒng)測試存在局限性，無法捕捉到疾病引起的全部自發(fā)行為變化，尤其是在早期階段。此外，這些測試還缺乏可擴展性，并且往往依賴于勞動密集型方法。

在格拉德斯通研究所使用 VAME 的研究中，團隊評估了兩種模擬阿爾茨海默病不同方面的小鼠。在這兩種小鼠模型中，機器學習工具都識別出隨著小鼠年齡的增長，“無序行為”顯著增加。例如，小鼠表現(xiàn)出異常的行為模式，并且在不同活動之間的轉換更加頻繁，這些因素可能與記憶和注意力缺陷有關。

Miller 說：“有一天，類似的機器學習方法也可以用于研究人類的自發(fā)行為，從而可能為神經系統(tǒng)疾病提供早期診斷，”她指出，“智能手機質量的視頻就足夠用于 VAME 分析，“我設想這項技術將被用于在診所甚至在家里評估病人。它給科學家和醫(yī)生提供了一種方法來解決診斷疾病臨床前階段這一非常困難的問題。”

Miller 幾年前在 VAME 技術還處于萌芽階段時就開始對其進行實驗。她與德國神經退行性疾病研究中心（DZNE）的醫(yī)學博士 Stefan Remy 的團隊進行了合作，該團隊最初開發(fā)了這一平臺。他們共同在《通訊生物學》（Communications Biology）雜志上發(fā)表的一項研究[2]中證明了 VAME 在神經科學研究中的實用性。

研究于2022年11月18日發(fā)表在《Communications Biology》（最新影響因子：5.2）雜志上

評估潛在治療方法

在他們這項新研究的另一個維度上，格拉德斯通團隊使用 VAME 來研究一種潛在的阿爾茨海默病治療方法是否能阻止小鼠的無序行為。

科學家們利用了格拉德斯通研究所研究員 Katerina Akassoglou 博士的先前研究成果，她發(fā)現(xiàn)一種名為纖維蛋白的凝血蛋白在通過受損的血管泄漏到大腦時會產生一系列毒性作用。通過阻斷纖維蛋白的毒性作用，Akassoglou 的實驗室已經能夠阻止導致認知能力下降的神經退行性病變，并在動物身上保護其免受阿爾茨海默病的影響。

Jorge Palop 博士說：“我們利用了一個寶貴的工具，它為我們更全面地理解毀滅性腦部疾病的成因及其發(fā)病機制打開了大門。”

為了探究這種治療策略是否能保護小鼠免受與阿爾茨海默病相關的行為影響，研究團隊通過基因手段阻止了纖維蛋白在大腦中觸發(fā)毒性炎癥。該干預措施取得了成效，減少了異常行為的發(fā)展。

“我們很高興地看到，阻斷大腦中纖維蛋白的炎癥活性幾乎完全消除了阿爾茨海默病小鼠的自發(fā)行為改變，這再次證實了纖維蛋白及其引發(fā)的神經炎癥是該疾病的關鍵驅動因素，”同為該研究作者的 Akassoglou 表示，“機器學習可以在實驗室中提供一種無偏倚的方式來評估潛在的治療方法，我相信它最終也可能成為一種寶貴的臨床工具。”

Palop 和 Miller 目前正在與格拉德斯通研究所其他研究神經系統(tǒng)疾病的團隊合作，幫助他們運用 VAME 技術進行新的行為學研究。

“我的目標是讓生物學家和臨床醫(yī)生更容易獲得這種工具及類似方法，以縮短開發(fā)強大新藥所需的時間，” Miller 說道。

創(chuàng)立于1979年的格拉德斯通研究所

參考文獻

Source：Gladstone Institutes

Machine learning reveals behaviors linked with early Alzheimer’s, points to new treatments

References：

[1].Stephanie R. Miller et al, Machine learning reveals prominent spontaneous behavioral changes and treatment efficacy in humanized and transgenic Alzheimer's disease models, Cell Reports (2024). DOI: 10.1016/j.celrep.2024.114870

[2]. Luxem, K., Mocellin, P., Fuhrmann, F. et al. Identifying behavioral structure from deep variational embeddings of animal motion. Commun Biol 5, 1267 (2022). https://doi.org/10.1038/s42003-022-04080-7

免責聲明

本公眾號上的醫(yī)療信息僅作為信息資源提供與分享，不能用于或依賴于任何診斷或治療目的。此信息不應替代專業(yè)診斷或治療。在做出任何醫(yī)療決定或有關特定醫(yī)療狀況的指導之前，請咨詢你的醫(yī)生。

       原文標題 : 機器學習揭示與早期阿爾茨海默病相關的行為，為新療法指明方向