在阿尔茨海默病小鼠模型中模拟与学习和记忆的功能连接
Lindsay Fadel1, Elizabeth Hipskind1, Steen E Pedersen2
1Department of Neuroscience, Baylor College of Medicine, Houston, TX, United States.
Frontiers in neuroimaging
|May 12, 2025
概括
机器学习模型揭示了阿尔茨海默病 (AD) 鼠标模型中大脑功能连接 (FC) 的改变,与认知衰退相关. 这些发现强调了FC变化作为AD进展和理解行为的潜在早期生物标志物.
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
- 医疗成像医学成像
背景情况:
- 功能连接 (FC) 测量大脑区域的相互作用.
- 以前的研究将FC与学习和记忆联系起来,但在阿尔茨海默病 (AD) 模型中没有使用机器学习 (ML).
- 在AD小鼠模型中研究疾病进展的FC变化至关重要.
研究的目的:
- 在AD小鼠模型中研究大脑功能连接 (FC) 的变化.
- 使用ML将FC变化与学习和记忆表现相关联.
- 探索ML在早期AD检测和理解FC-行为关系方面的潜力.
主要方法:
- 评估了APP/PS1 AD小鼠模型和野生类型对照在3,6个月和10个月.
- 使用休息状态功能性MRI (rs-fMRI) 来测量清醒小鼠30个大脑区域之间的FC.
- 应用了ML模型,将神经成像数据与学习和记忆性能联系起来.
主要成果:
- 在所有时间点 (3,6,10个月) 上,APP/PS1小鼠表现出广泛的超连接性.
- 观察到默认模式网络的FC变化,随着时间的推移,超连接性下降.
- 在不同疾病阶段 (6 vs. 10 个月) 的ML模型确定了与学习和记忆相关的独特功能联系.
结论:
- 机器学习模型通过连接模式展示了早期AD检测的潜力.
- 在AD小鼠模型中确定了与认知衰退相关的FC变化.
- ML提供了一条了解FC变化如何转化为AD的行为表现的途径.
