机器学习揭示了在人性化和转基因阿尔茨海默病模型中突出的自发行为变化和治疗疗效

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
• 遗传学 是一个遗传学.

背景情况:

• 开发可扩展,公正和敏感的小鼠行为评估方法至关重要.
• 机器学习 (ML) 和计算机视觉为行为分析提供了有希望的方法.
• 阿尔茨海默病 (AD) 模型表现出复杂的行为变化,需要精确的量化.

研究的目的:

• 利用基于ML的变异动物运动嵌入 (VAME) 平台来评估AD小鼠模型中的自发行为.
• 研究AD相关的神经炎症在观察到的行为改变中的作用.
• 为了比较VAME的疗效与传统的行为结果措施.

主要方法:

• 应用VAME细分平台来分析人类化的App knockin和AD的转基因APP模型中的自发行为.
• 评估行为变化,包括动机利用,序列组织,过渡和随机性.
• 通过阻断5xFAD小鼠中的纤维素-微细胞相互作用来干预,以评估对行为的影响.

主要成果:

• 在App^NL-G-F和5xFAD小鼠中观察到自发行为的显著变化,包括年龄相关的变化.
• 无组织的行为序列,增加的过渡和随机性是突出的特征.
• 阻断纤维激素-微质相互作用在很大程度上阻止了这些行为改变在治疗5xFAD小鼠.
• 与传统的行为结果措施相比,VAME表现出更高的特异性和灵敏性.

结论:

• 使用VAME的自发行为分析有效地捕捉了AD模型中的年龄和性别相关的疾病表现.
• 神经炎症在与AD相关的自发行为改变中起着关键作用.
• 由VAME衍生的行为结果对治疗干预很敏感,突出了其在药物开发方面的潜力.