卷积神经网络衍生的神经纤维状结分类器:用于识别成熟水平和探索使用激光捕获微解剖合质谱仪的翻译后修改的调查工具

科学领域:

• 神经科学是一个神经科学.
• 生物化学 生化学
• 人工智能在医学中的应用

背景情况:

• 陶蛋白的翻译后修饰 (PTMs) 在阿尔茨海默病 (AD) 发病过程中至关重要,并作为生物标志物.
• 传统的蛋白质组学方法过于劳动密集,无法在脑组织中对tau PTM进行详细,组织学特定的研究.
• 神经纤维状结 (NFT) 代表聚合的tau,存在于各种成熟阶段,从早期的前结到晚期的幽灵结.

研究的目的:

• 开发和验证人工智能 (AI) 引导的NFT激光捕获微剖析 (LCM) 管道,根据其成熟度.
• 通过使用向蛋白质组学,研究不同NFT成熟阶段的特定tau PTM的丰度和变化.
• 评估AI驱动的NFT分类对后续分子分析的有用性.

主要方法:

• 机器学习算法经过训练和评估,将NFT成熟阶段 (前,成熟,幽灵) 分类为反pTau217染色的大脑部分.
• 性能最好的AI分类器引导LCM从两个生物库中从38个AD病例中收集特定的NFT形态形式.
• 针对性质谱法 (MS) 用于在大约1250个收集的NFT样本中量化tau特征 (pTau181,pTau217,TauMTBR).

主要成果:

• 人工智能分类器在NFT分类方面取得了中等的表现 (例如,分类器A:精度/回忆/F1为0.6/0.46/0.5)
• 向蛋白质组学揭示了tau的丰富性从前到成熟的显著增加 (2-11倍).
• 在幽灵纠中 (3-116倍) 观察到陶水平的急剧下降,pTau217显示出最明显的变化.

结论:

• 人工智能引导的LCM提供了一个客观的方法来丰富分子研究的特定NFT形态形式.
• 该研究表明,NFT成熟和清除期间tau PTMs的动态变化,为AD进展提供了洞察力.
• 这种结合的LCM-MS方法,由病理学家培训的分类人员提供信息,可以在现场详细分析与AD相关的PTM.