对阿尔茨海默病动物模型的可翻译性,使用基于机器学习的工作流

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
• 基因组学就是基因组学.

背景情况:

• 阿尔茨海默病 (AD) 缺乏有效的疾病修饰疗法,尽管进行了广泛的研究.
• 目前针对阿尔茨海默病的动物模型可能无法准确地反映人类疾病的病理生理学,阻碍了治疗的发展.
• 确定可翻译的途径对于选择相关的临床前模型至关重要.

研究的目的:

• 开发和应用机器学习工作流程,以评估AD动物模型的翻译相关性.
• 为了确定AD动物模型和人类数据集之间的共享失调路径.
• 用已知的治疗失败 (ibuprofen) 来评估这个工作流的预测能力.

主要方法:

• 修改了机器学习工作流程,以识别跨物种可翻译的途径.
• 分析了三种常见的AD小鼠模型 (APP/PS1,3×Tg,5×FAD) 的海马微阵列数据.
• 将工作流应用于接受ibuprofen治疗的小鼠的公开数据,以预测临床结果.

主要成果:

• 在APP/PS1和3×Tg模型中没有发现可翻译的路径.
• 5×FAD模型表现出可翻译的通路,包括SREBP对脂质合成的控制和细胞毒性T淋巴细胞通路.
• 该工作流准确地预测了基于小鼠数据的人类AD试验中布洛芬的临床失败.

结论:

• 在阿尔茨海默病研究中,5×FAD模型显示出比APP/PS1和3×Tg模型更大的翻译潜力.
• 评估动物模型的可翻译性对于AD的成功治疗开发至关重要.
• 开发的机器学习框架可以改善阿尔茨海默病临床前模型的选择.