在使用生物物理模型和深度学习的阿尔茨海默病小鼠模型中推断金字塔神经元刺激的参数
Soheil Saghafi1,2, Timothy Rumbell3, Viatcheslav Gurev3
1Department of Mathematical Sciences, New Jersey Institute of Technology, University Heights, Newark, NJ, 07102, USA.
Bulletin of mathematical biology
|March 26, 2024
概括
深度混合建模 (DeepHM) 精确地将阿尔茨海默病 (AD) 鼠标大脑数据映射到生物物理模型中. 这揭示了AD的关键离子通道改变,包括和通道,为疾病机制提供了新的见解.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 生物物理学的生物物理.
背景情况:
- 阿尔茨海默病 (AD) 涉及粉样β和蛋白聚合,导致神经元功能障碍.
- 在AD小鼠模型中的海马神经元表现出改变的兴奋能力.
- 现有的建模方法存在局限性:机械模型面临不确定性,而机器学习忽视了生物物理机制.
研究的目的:
- 在AD小鼠模型中应用深度混合建模 (DeepHM) 来推断离子通道参数分布.
- 在海马体中识别受粉样性病变,性病变和衰老影响的特定离子通道.
- 克服孤立的机械学和机器学习方法的局限性.
主要方法:
- 利用深度混合建模 (DeepHM),这是一种结合深度学习和生物物理建模的技术.
- 将DeepHM应用于转基因AD小鼠和野生类型对照中的海马CA1神经元的实验数据.
- 采用条件生成对抗网络,将数据反向映射到机械模型中.
主要成果:
- DeepHM使用合成数据准确推断了参数分布.
- 在12个月和24个月的AD小鼠模型中确定了破坏的离子通道导电量.
- 发现延迟整流,暂时和高极化激活通道被分别因病,粉病和衰老显著改变.
结论:
- DeepHM是一个强大的工具,可以将生物物理建模与机器学习相结合,以分析复杂的生物数据.
- 特定的离子通道,包括和亚型,在阿尔茨海默病的进展中受到严重影响.
- 这项研究提供了对AD小鼠模型中神经元功能障碍的机制性理解.
