科学家使用了一种新的基于视频的机器学习工具,精确识别出经过基因改造以模拟阿尔茨海默病关键特征的小鼠中原本难以察觉的早期疾病迹象。
阿尔茨海默病的微妙迹象可能在确诊前数十年就已出现,通常表现为反映大脑功能障碍极早期阶段的不规则行为。
但迄今为止,即使是在研究小鼠阿尔茨海默病时,以科学方式识别和测量这些轻微的行为变化也并不可行。
在《细胞报告》(Cell Reports)上发表的一项研究[1]中,格拉德斯通研究所(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,精确识别出经过基因改造以模拟阿尔茨海默病关键特征的小鼠中原本难以察觉的早期疾病迹象。
研究于2024年11月26日发表在《Cell Reports》(新影响因子:7.5)杂志上
他们的工作为比目前更早地识别神经系统疾病以及追踪其随时间的发展提供了一种新策略。
该研究的作者、格拉德斯通研究所研究员 Jorge Palop 博士表示:“我们已经展示了机器学习的潜力,它将改变我们分析大脑功能早期异常行为的方式。我们利用了一个宝贵的工具,为更全面地理解毁灭性的大脑疾病及其起源打开了大门。”
科学家们使用了一种名为VAME(Variational Animal Motion em[x]bedding,变分动物运动嵌入)的机器学习平台来分析小鼠在开阔场地探索的视频。这个开源工具能够识别出摄像机捕捉到的微妙行为模式,这些变化仅凭肉眼观察小鼠是无法注意到的。
研究员 Jorge Palop(左)和研究员 Stephanie Miller(右)审查开源机器学习工具 VAME 的数据。该工具分析了小鼠的视频片段,为早期阿尔茨海默病的迹象提供了新的见解
追踪无序行为
VAME 的深度学习平台与小鼠的传统行为测试不同,传统测试通常围绕预先设定的任务展开,这些任务对小鼠来说具有挑战性。
格拉德斯通研究所的研究科学家、该研究的第一作者 Stephanie Miller 博士解释说,传统测试存在局限性,无法捕捉到疾病引起的全部自发行为变化,尤其是在早期阶段。此外,这些测试还缺乏可扩展性,并且往往依赖于劳动密集型方法。
在格拉德斯通研究所使用 VAME 的研究中,团队评估了两种模拟阿尔茨海默病不同方面的小鼠。在这两种小鼠模型中,机器学习工具都识别出随着小鼠年龄的增长,“无序行为”增加。例如,小鼠表现出异常的行为模式,并且在不同活动之间的转换更加频繁,这些因素可能与记忆和注意力缺陷有关。
Miller 说:“有一天,类似的机器学习方法也可以用于研究人类的自发行为,从而可能为神经系统疾病提供早期诊断,”她指出,“智能手机质量的视频就足够用于 VAME 分析,“我设想这项技术将被用于在诊所甚至在家里评估病人。它给科学家和医生提供了一种方法来解决诊断疾病临床前阶段这一非常困难的问题。”
Miller 几年前在 VAME 技术还处于萌芽阶段时就开始对其进行实验。她与德国神经退行性疾病研究中心(DZNE)的医学博士 Stefan Remy 的团队进行了合作,该团队开发了这一平台。他们共同在《通讯生物学》(Communications Biology)杂志上发表的一项研究[2]中证明了 VAME 在神经科学研究中的实用性。
评估潜在治疗方法
在他们这项新研究的另一个维度上,格拉德斯通团队使用 VAME 来研究一种潜在的阿尔茨海默病治疗方法是否能阻止小鼠的无序行为。
科学家们利用了格拉德斯通研究所研究员 Katerina Akassoglou 博士的先前研究成果,她发现一种名为纤维蛋白的凝血蛋白在通过受损的血管泄漏到大脑时会产生一系列毒性作用。通过阻断纤维蛋白的毒性作用,Akassoglou 的实验室已经能够阻止导致认知能力下降的神经退行性病变,并在动物身上保护其免受阿尔茨海默病的影响。
Jorge Palop 博士说:“我们利用了一个宝贵的工具,它为我们更全面地理解毁灭性脑部疾病的成因及其发病机制打开了大门。”
为了探究这种治疗策略是否能保护小鼠免受与阿尔茨海默病相关的行为影响,研究团队通过基因手段阻止了纤维蛋白在大脑中触发毒性炎症。该干预措施取得了成效,减少了异常行为的发展。
“我们很高兴地看到,阻断大脑中纤维蛋白的炎症活性几乎完全消除了阿尔茨海默病小鼠的自发行为改变,这再次证实了纤维蛋白及其引发的神经炎症是该疾病的关键驱动因素,”同为该研究作者的 Akassoglou 表示,“机器学习可以在实验室中提供一种无偏倚的方式来评估潜在的治疗方法,我相信它也可能成为一种宝贵的临床工具。”
Palop 和 Miller 目前正在与格拉德斯通研究所其他研究神经系统疾病的团队合作,帮助他们运用 VAME 技术进行新的行为学研究。
“我的目标是让生物学家和临床医生更容易获得这种工具及类似方法,以缩短开发强大新药所需的时间,” Miller 说道。