在《细胞报告》（Cell Reports）上发表的一项研究中，加利福尼亚大学格莱斯顿研究所（Gladstone Institutes）的科学家们采用了一种新的基于视频的机器学习方法，揭示了在设计用于模拟阿尔茨海默病关键特征的小鼠中，早期疾病以前未被发现的信号。
高级研究员乔治·帕洛普（Jorge Palop）（左）和工作人员科学家斯蒂芬妮·米勒（Stephanie Miller）（右）正在审查来自一个名为VAME的开源机器学习工具的数据。该工具分析了小鼠的视频片段，提供了关于早期阿尔茨海默病行为迹象的新见解。图片来源：加利福尼亚大学格莱斯顿研究所
阿尔茨海默病的细微迹象可能在诊断前几十年就出现，通常表现为异常行为，这些行为表明大脑功能的非常早期阶段的紊乱。然而，从科学角度来看，即使是在研究小鼠的阿尔茨海默病时，找到并评估这些微小的行为变化也是不可能的。
他们的发现提供了一种新型技术，可以比以往任何时候都更早地检测神经疾病，并跟踪其随时间的进展。
“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。我们利用了一种有价值的工具，为更全面地了解破坏性脑障碍及其起源打开了大门。” 加利福尼亚大学格莱斯顿研究所的研究资深作者、副教授乔治·帕洛普博士（Jorge Palop, PhD）说。
为了分析小鼠在开放场地探索的视频片段，科学家们使用了一种称为VAME的机器学习框架，即“变分动物运动嵌入”（Variational Animal Motion Embedding）。这种开源技术识别了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察觉的。
与传统的小鼠行为测试相比，VAME作为深度学习平台有所不同，后者通常涉及要求动物执行预定义的任务。加利福尼亚大学格莱斯顿研究所的工作人员科学家、该研究的第一作者斯蒂芬妮·米勒博士（Stephanie Miller, PhD）表示，这种测试的一个缺点是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。它们还缺乏可扩展性，经常采用劳动密集型程序。
加利福尼亚大学格莱斯顿研究所的研究使用VAME分析了代表阿尔茨海默病各种特征的两组小鼠。在这两种小鼠模型中，机器学习技术检测到了随着年龄增长而显著增加的“无序行为”。例如，小鼠表现出奇怪的行为模式，并且在不同活动之间切换得更加频繁，这可能与记忆和注意力问题有关。
“类似的机器学习方法将来可以用于研究人类的自发行为，可能提供神经系统疾病早期诊断的方法。我设想这项技术将在临床中用于评估患者，甚至在他们家中。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非常困难问题的方法。” 加利福尼亚大学格莱斯顿研究所的研究第一作者、工作人员科学家斯蒂芬妮·米勒博士（Stephanie Miller, PhD）说。
米勒几年前在技术仍处于起步阶段时就开始尝试VAME。她和帕洛普与德国的斯特凡·雷米博士（Stefan Remy, MD）及其团队合作，从一开始就设计了该平台。他们在《通讯生物学》（Communications Biology）上发表的一份报告中合作展示了VAME在神经科学研究中的相关性。
加利福尼亚大学格莱斯顿研究所的团队在其新研究中又增加了一层，使用VAME确定了一种潜在的阿尔茨海默病治疗干预措施是否可以防止小鼠出现无序行为。
科学家们使用了加利福尼亚大学格莱斯顿研究所研究员卡特里娜·阿卡索格卢博士（Katerina Akassoglou, PhD）的先前研究结果，她发现血液凝固蛋白纤维蛋白通过受损的血管渗入大脑时会引起一系列有害效应。通过阻止纤维蛋白的有害影响，阿卡索格卢实验室已经防止了导致认知衰退的神经退行性病变，并保护动物免受阿尔茨海默病的影响。
为了确定这种治疗方法是否可以保护小鼠免受阿尔茨海默病相关行为的影响，研究人员通过基因手段抑制了纤维蛋白在大脑中引起炎症的能力。干预措施有效，减少了异常行为的发展。
“看到阻断纤维蛋白在大脑中的炎症活动几乎消除了阿尔茨海默病小鼠的所有自发行为变化，这是非常令人鼓舞的，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。机器学习可以提供一种无偏见的方法来评估实验室中的潜在治疗方法，我相信它最终将成为一种宝贵的临床工具。” 加利福尼亚大学格莱斯顿研究所的高级研究员卡特里娜·阿卡索格卢博士（Katerina Akassoglou, PhD）说。
帕洛普和米勒正在与其他研究神经疾病的研究团队合作，使他们能够使用VAME技术进行新的行为研究。
米勒补充道：“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。”
(全文结束)
