机器学习标记小鼠的早期阿尔茨海默病症状

深度学习工具利用小鼠的视频片段来提供有关阿尔茨海默病进展的新见解，并评估潜在的疗法是否有效。

阿尔茨海默病的微妙迹象可能在诊断前几十年就出现了，通常以不规则行为的形式出现，反映了大脑功能障碍的早期阶段。

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，即使在研究小鼠的阿尔茨海默病时也是如此。 

在《细胞报告》上发表的一项研究中，格莱斯顿研究所的一组科学家使用一种新的基于视频的机器学习工具来查明小鼠早期疾病的无法检测的迹象，这些小鼠被设计为模仿阿尔茨海默病的关键方面。 

他们的工作揭示了一种新策略，可以比目前更早地识别神经系统疾病并跟踪其随时间的发展情况。

“我们已经展示了机器学习的潜力，可以彻底改变我们分析表明大脑功能早期异常的行为的方式，”格莱斯顿调查员、该研究的资深作者豪尔赫·帕洛普博士说。 

“我们利用了一个有价值的工具，为更全面地了解破坏性脑部疾病及其发生方式打开了大门。”

科学家们使用名为 VAME（“变异动物运动嵌入”的缩写）的机器学习平台来分析小鼠探索开放竞技场的视频片段。 

该开源工具识别了相机捕捉到的微妙行为模式——仅通过观察小鼠可能无法注意到的变化。

追踪杂乱无章的行为
VAME 的深度学习平台与传统的小鼠行为测试不同，传统的行为测试通常围绕动物面临的挑战来完成预先设定的任务。

格莱斯顿大学的科学家、该研究的第一作者斯蒂芬妮·米勒博士解释说，这些测试的局限性之一是它们无法捕获由疾病引起的全部自发行为变化，尤其是在早期阶段。它们还缺乏可扩展性，并且通常依赖于劳动密集型方法。

在 Gladstone 使用 VAME 的研究中，研究小组评估了两种模拟阿尔茨海默病不同方面的小鼠。 

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，“无组织行为”的水平显着增加。 

例如，小鼠表现出不寻常的行为模式，并且更频繁地在不同的活动之间转换——这些因素可能与记忆和注意力缺陷有关。 

“有一天，类似的机器学习方法可以用来研究人类的自发行为，从而有可能提供神经系统疾病的早期诊断，”米勒说，并指出智能手机质量的视频足以进行 VAME 分析。 

– 我设想这项技术将用于在诊所甚至家中评估患者。 

– 它为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的难题。 –

几年前，米勒开始尝试 VAME，当时该技术还处于起步阶段。她和 Palop 与德国医学博士 Stefan Remy 的团队合作，该团队最初开发了该平台。 

评估潜在的治疗方法
Gladstone 团队使用 VAME 来了解阿尔茨海默病的潜在治疗干预措施是否可以防止小鼠的紊乱行为，为他们的新研究增添了另一个维度。

科学家们利用了格拉德斯通研究员卡特琳娜·阿卡索格鲁博士的先前研究，她发现一种称为纤维蛋白的凝血蛋白在通过受损血管渗入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，阿卡索格鲁的实验室已经能够预防导致认知能力下降的神经变性，并预防动物患阿尔茨海默病。

为了查明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，研究小组从基因上阻断了纤维蛋白引发大脑中的毒性炎症。这种干预减少了阿尔茨海默氏症小鼠异常行为的发展。

“令人非常鼓舞的是，阻断大脑中纤维蛋白的炎症活动几乎减少了阿尔茨海默病小鼠的所有自发行为变化，这再次证实了纤维蛋白和随之而来的神经炎症是这种疾病的关键驱动因素，”该研究的作者之一阿卡索格鲁说道。 

“机器学习可以提供一种公正的方式来评估实验室中的潜在治疗方法，而且我相信它最终也可能成为一种宝贵的临床工具。”

Palop 和 Miller 现在正在与其他研究神经系统疾病的 Gladstone 团队合作，帮助他们利用 VAME 技术进行新的行为研究。

“我的目​​标是让生物学家和临床医生更容易使用这个工具和类似的方法，以缩短开发强大的新药所需的时间，”米勒说。