阿尔茨海默病的细微迹象可能在确诊前几十年就已出现，通常表现为大脑功能障碍的非常早期阶段的行为异常。然而，直到现在，科学地识别和测量这些轻微的行为变化还不可行，即使是在研究小鼠阿尔茨海默病时也是如此。在《Cell Reports》上发表的一项研究中，Gladstone Institutes的一组科学家使用了一种新的基于视频的机器学习工具，成功识别出模拟阿尔茨海默病关键特征的小鼠中无法察觉的早期疾病迹象。他们的工作揭示了一种新的策略，可以在当前可能的时间点之前更早地识别神经退行性疾病，并追踪其发展过程。
“我们展示了机器学习在分析早期脑功能异常行为方面的潜力。我们利用了一个有价值的工具，为深入了解毁灭性脑疾病及其起始机制打开了大门。”该研究的高级作者、Gladstone研究员Jorge Palop博士说。
科学家们使用了一个名为VAME（变分动物运动嵌入）的机器学习平台来分析小鼠在开放场地探索的视频片段。这个开源工具能够识别摄像机捕捉到的细微行为模式——这些变化仅凭肉眼观察小鼠是无法注意到的。
跟踪混乱行为
VAME的深度学习平台与传统的啮齿动物行为测试不同，后者往往围绕预设的任务进行。这些测试的局限性在于，它们无法捕捉疾病引起的自发行为变化的全部范围，尤其是在早期阶段，Gladstone的工作人员科学家Stephanie Miller博士解释道。这些测试还缺乏可扩展性，通常依赖于劳动密集型方法。
在使用VAME的Gladstone研究中，团队评估了两种模拟阿尔茨海默病不同方面的小鼠模型。在这两个模型中，机器学习工具都识别出随着年龄增长，“混乱行为”显著增加。例如，小鼠表现出不寻常的行为模式，并且在不同活动之间转换得更频繁——这些因素可能与记忆和注意力缺陷有关。
“类似的机器学习方法有一天可以用于研究人类的自发行为，可能提供神经退行性疾病早期诊断的方法，”Miller说，她指出智能手机质量的视频足以进行VAME分析。“我设想这项技术将在临床中用于评估患者，甚至在他们的家中。它为科学家和医生提供了一种解决诊断疾病前临床阶段这一难题的方法。”
评估潜在治疗方法
为了进一步拓展他们的新研究，Gladstone团队使用VAME来了解一种潜在的阿尔茨海默病治疗方法是否可以防止小鼠出现混乱行为。科学家们借鉴了Gladstone研究员Katerina Akassoglou博士的先前研究，她发现血液凝固蛋白纤维蛋白在通过受损血管渗入大脑时会引发一系列有毒效应。通过阻断纤维蛋白的有毒效应，Akassoglou的实验室已经能够在动物中预防导致认知衰退的神经退化，并保护其免受阿尔茨海默病的影响。
为了确定这种治疗策略是否可以保护小鼠免受阿尔茨海默病相关行为的影响，研究团队通过基因手段阻止纤维蛋白在大脑中引发炎症。这一干预措施减少了阿尔茨海默病小鼠异常行为的发展。
“看到阻断纤维蛋白在大脑中的炎症活性几乎完全减少了阿尔茨海默病小鼠的所有自发行为变化，这非常令人鼓舞，这再次证实纤维蛋白及其引发的神经炎症是疾病的关键驱动因素，”Akassoglou说，她也是该研究的作者之一。“机器学习可以为实验室中评估潜在治疗方法提供一种无偏见的方式——我相信它最终可能成为一种宝贵的临床工具。”
Palop和Miller现在正与其他研究神经退行性疾病的Gladstone团队合作，帮助他们在新的行为研究中应用VAME技术。
“我的目标是使这种工具和类似方法更容易被生物学家和临床医生使用，以缩短开发强大新药物所需的时间，”Miller说。
(全文结束)
