机器学习工具在小鼠身上发现阿尔茨海默氏症的早期迹象

　　

阿尔茨海默病的细微迹象可能在诊断前几十年就出现了，通常表现为不规则的行为，反映了早期的大脑功能障碍。

但到目前为止，以科学的方式识别和测量这些轻微的行为变化还不可行，即使在研究老年痴呆症的小鼠时也是如此。

在《细胞报告》（Cell Reports）上发表的一项研究中，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，在模仿阿尔茨海默氏症关键方面的老鼠身上，发现了原本无法检测到的早期疾病迹象。他们的工作揭示了一种新的策略，可以比目前更早地识别神经系统疾病，并追踪疾病的发展情况。

“我们已经展示了机器学习的潜力，它将彻底改变我们分析大脑功能早期异常行为的方式。我们利用了一个有价值的工具，为更全面地了解毁灭性的大脑疾病及其起源打开了大门。”乔治·帕洛普博士说。

科学家们使用了一个名为VAME的机器学习平台，即“变分动物运动嵌入”（Variational Animal Motion Embedding）的缩写，来分析小鼠探索开放竞技场的视频片段。这个开源工具识别了摄像机捕捉到的细微行为模式，这些变化可能仅仅通过观察小鼠是注意不到的。

跟踪无组织行为

VAME的深度学习平台与传统的小鼠行为测试不同，传统的小鼠行为测试通常围绕着预先设定的任务，动物需要挑战才能完成这些任务。

在这些测试的局限性中，它们不能捕捉到由疾病引起的所有自发行为变化，特别是在早期阶段，格莱斯顿大学的工作人员科学家、该研究的第一作者斯蒂芬妮·米勒博士解释说。它们还缺乏可扩展性，而且往往依赖于劳动密集型的方法。

在格拉德斯通使用VAME进行的研究中，研究小组评估了两种模拟阿尔茨海默氏症不同方面的小鼠。在这两个模型中，机器学习工具都发现，随着小鼠年龄的增长，“无序行为”的水平显著提高。例如，老鼠表现出不寻常的行为模式，在不同的活动之间更频繁地转换——这些因素可能与记忆和注意力缺陷有关。

米勒说：“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，有可能提供神经系统疾病的早期诊断。”他指出，智能手机质量的视频足以用于VAME分析。“我设想这项技术将用于在诊所甚至在家中评估患者。它为科学家和医生提供了一种解决诊断疾病临床前阶段这一非常困难的问题的方法。”

几年前，米勒开始试验VAME，当时这项技术还处于起步阶段。她和Palop与德国的Stefan Remy医学博士团队合作，该团队最初开发了该平台。在发表于《通讯生物学》的一项研究中，他们共同证明了VAME在神经科学研究中的实用性。

评估潜在的治疗方法

为他们的新研究增加了另一个维度，格拉德斯通团队使用VAME来了解对阿尔茨海默氏症的潜在治疗干预是否会防止老鼠的混乱行为。

科学家们利用了格莱斯顿研究人员卡特琳娜·阿卡索格鲁博士之前的研究，她发现一种叫做纤维蛋白的凝血蛋白通过受损的血管渗漏到大脑时会产生一连串的毒性作用。通过阻断纤维蛋白的毒性作用，Akassoglou的实验室已经能够预防导致认知能力下降的神经变性，并保护动物免受阿尔茨海默氏症的侵害。

为了找出这种治疗策略是否可以保护小鼠免受阿尔茨海默氏症相关行为的影响，研究小组通过基因阻止了纤维蛋白在大脑中引发毒性炎症。这种干预减少了老年痴呆症小鼠异常行为的发展。

该研究的另一位作者Akassoglou说：“看到阻断纤维蛋白在大脑中的炎症活动几乎减少了阿尔茨海默氏症小鼠的所有自发行为变化，这是非常令人鼓舞的，重申了纤维蛋白和随之而来的神经炎症是该疾病的关键驱动因素。”“机器学习可以提供一种公正的方式来评估实验室中潜在的治疗方法，我相信它最终也可能成为一种宝贵的临床工具。”

帕洛普和米勒现在正与格拉德斯通研究神经疾病的其他团队合作，帮助他们将VAME技术应用于新的行为研究。

米勒说：“我的目标是让生物学家和临床医生更容易使用这种工具和类似的方法，以缩短开发强效新药所需的时间。”