未来帕金森病的未来诊断进步的创新机器学习方法

帕金森病(PD)是第二大最常见的神经退行性疾病，预计未来20年全球患者数量将翻一番。尽管最近的证据表明线粒体功能障碍在该病发病中的作用，但其发病机理的分子和细胞机制尚不清楚。线粒体——参与细胞代谢和能量产生的小细胞“亚单位”——不断地和动态地相互作用，形成被称为线粒体相互作用网络(MINs)的永久变化的网络。因此，研究人员试图了解PD中所观察到的线粒体损伤与MINs中任何特定的网络拓扑变化之间的相关性，以推进PD患者的早期诊断和分类。

“由于聚焦于单个线粒体的传统分析未能对PD发病机制提供令人满意的见解，我们的开创性工作通过研究这些细胞器之间的相互作用网络向前迈进了一步，”Feng He博士解释说，国立卫生研究院感染与免疫学系免疫系统生物学课长，通讯作者。

利用他们强大的专业知识网络分析而且机器学习，科学家分析了从PD患者和健康对照组的结肠神经元的三维线粒体图像的大型700千兆比特数据集，以及源自干细胞的多巴胺能神经元。他们发现，与对照相比，PD患者中，在PD患者中改变了特定的网络结构特征。例如，在PD患者中，线粒体形成了一般大于健康个体的子网。符合此结果，PD患者分钟中不同线粒体中的能量和信息传播和分布的效率显着低于对照，表明较长的“传输延迟”与较大的组件直径相关联在PD科目中观察到的分钟。“这些不同的拓扑模式在MINS中可能意味着能量和信息可能在PD患者的神经元线粒体相对于健康对照中的神经元线粒体中产生，共享和分布，表明它们与神经变性障碍典型的线粒体损伤，缺陷和碎片的联系”，加入他。

此外，研究小组发现这些不同的MIN模式与常用的帕金森患者临床评分，即统一帕金森病分级量表(UPDRS)高度相关。事实上，当应用机器学习方法分析这些最小特征时，研究人员观察到，仅使用这些网络特征的组合就可以准确地区分PD患者和健康对照组。

“我们的发现提出了使用特定线粒体网络特征作为PD患者早期诊断和分类的新生物标志物的潜力，这可能有助于开发一种新的健康指数。下一步，我们将探索我们的结果如何为理解其他以线粒体调节异常为特征的神经退行性疾病提供新的视角，如亨廷顿病和阿尔茨海默氏症，使我们的工作成为翻译和横向研究的真实实例。”LIH的横向转化医学主任和这项研究的贡献作者。

“该出版物也构成了先进机器学习技术在阐明疾病分层的细胞器复杂网络相互作用方面的应用的重要一步。”的确,数据分析创新的数字技术是我们系和整个LIH的核心优先领域”，感染和免疫学系主任、论文贡献者Markus Ollert教授总结道。

间际学习研究依靠临床医生，神经科学家之间的密切合作，网络生物学家,大数据和机器学习来自卢森堡卫生研究所(LIH)、卢森堡系统生物学中心(LCSB)和卢森堡中央医院(CHL)的专家，特别是临床神经学家Nico Diederich博士，以及与其他国际合作伙伴的合作，如西班牙综合学科研究所(西班牙)。

---

---