Использование многомасштабного моделирования для понимания прогрессирования нейрососудистых расстройств

Нейрососудистые расстройства представляют собой значительное и растущее глобальное бремя для здоровья, охватывающее такие состояния, как ишемический и геморрагический инсульт, внутричерепные аневризмы, заболевания мелких сосудов головного мозга и сосудистые вклады в когнитивные нарушения и деменцию (VCID). Эти заболевания, как известно, сложны, возникающие из-за сложных взаимодействий в нескольких пространственных и временных масштабах. Молекулярные события на уровне эндотелиальной гликокаликса могут в конечном итоге диктовать проходимость крупной мозговой артерии годы спустя. Чтобы по-настоящему понять эти системы, традиционные методы исследования должны быть дополнены мощными вычислительными рамками. ]Многомасштабное моделирование выделяется как наиболее перспективный подход к мосту этих различных биологических доменов, объединяя данные из геномики и протеомики вплоть до клинической визуализации и гемодинамического мониторинга. Синтезируя этот обширный массив информации, многомасштабные модели предлагают путь к механистическому пониманию, улучшенной стратификации риска и

Что такое многоуровневое моделирование?

Многомасштабное моделирование представляет собой вычислительную методологию, предназначенную для моделирования сложных систем путем явной связи процессов, которые работают в разных характерных масштабах. В контексте биологии и медицины это обычно включает в себя соединение явлений по всему пространственному спектру - от молекулярных взаимодействий на уровне ангстрема до динамики органов на сантиметров - и соответствующего временного спектра, от наносекундных молекулярных колебаний до лет прогрессирования заболевания. Основной принцип заключается в том, что макромасштабное поведение (например, поток крови через стенозированный сосуд) возникает из микромасштабных правил (например, сигнализация эндотелиальных клеток и агрегация клеток крови).

Успешная многомасштабная модель не просто запускает независимые симуляции на каждой шкале. Вместо этого она использует стратегию передачи информации. Например, модель ауторегуляции головного мозга может включать в себя:

• Молекулярная шкала: Моделирование кинетики производства оксида азота (NO) и падаль.
• ] Клеточная шкала: Моделирование сокращения и расслабления клеток гладкой мускулатуры в ответ на концентрацию NO и напряжение сдвига стенки.
• Шкала ткани: Изображение сосудистой сети как графа связанных сегментов, где радиус сосуда динамически определяется клеточной моделью.
• Органическая шкала: [[F

  Нейроваскулярная единица: идеальная мишень для многомасштабной интеграции

  неврососудистая единица (NVU) является концептуальной и структурной структурой, которая подчеркивает интимные физические и химические отношения между нейронами и их поддерживающей сосудистой системой. Она включает в себя несколько типов клеток, включая эндотелиальные клетки, перициты, клетки гладкой мышцы, астроциты, микроглию и сами нейроны, все встроенные во внеклеточный матрикс базальной мембраны. NVU является функциональным субстратом для основных процессов, таких как гематоэнцефалический барьер (BBB), нейрососудистая связь (NVC) и ауторегуляция мозга.

  Каждый компонент NVU работает в разных масштабах. Одна астроцитарная конечность может модулировать диаметр капилляров на микрометрах, в то время как верхние пиловые артерии должны координировать расширение на сантиметры, чтобы доставить увеличенный приток крови к активным областям мозга. Дисфункция в одном компоненте, такая как потеря перицитов при старении, может вызвать каскад эффектов, приводящих к местной гипоксии, распаду BBB и возможному когнитивному снижению. Эта присущая многомасштабная причинность делает NVU изысканно подходящим для анализа посредством многомасштабного моделирования. Ни одна экспериментальная техника не может одновременно захватывать молекулярное состояние отдельного белка с плотным соединением и глобальный гемодинамический ответ мозга на когнитивную задачу. Вычислительная модель может преодолеть этот разрыв.

  Моделирование в пространственных и временных масштабах при нейрососудистых заболеваниях

  Молекулярный и клеточный уровень

  На самом фундаментальном уровне модели имитируют биохимические сети, которые управляют поведением клеток. Они включают сигнальные пути, связанные с сосудистым тоном (например, эндотелиальная оксид азота синтазой, eNOS), воспалением (например, активация NF-κB, высвобождение цитокинов) и целостностью BBB (например, клаудин и окклюдин). Системные биологические подходы с использованием обычных дифференциальных уравнений (ODE) могут предсказать, как возмущения в этих путях, такие как вызванные окислительным стрессом или воспалительными цитокинами, изменяют экспрессию молекул адгезии (например, ICAM-1, VCAM-1) на эндотелиальной поверхности. Эти молекулярные изменения составляют самую раннюю фазу заболевания, инициируя каскад, который приводит к ремоделированию стенок сосудов или инфильтрации лейкоцитов. Модели на основе агентов (ABMs) также являются мощными на этом уровне, определяя правила для индивидуального клеточного поведения (например, миграция эндотелиальных клеток, фенотипическое

  Ткань и микрососудистый уровень

  Эта шкала устраняет разрыв между клеточной сигнализацией и наблюдаемой физиологией тканей. Ключевым фокусом является микроциркуляция — сеть артериол, капилляров и венул, где происходит обмен кислородом и питательными веществами. Многомасштабные модели на этом уровне имитируют распределение кровотока через реалистичные микрососудистые сети, реконструированные из визуализации с высоким разрешением (например, двухфотонная микроскопия). Они включают реологию крови в малых масштабах (эффект Фореуса-Линдеквиста) и механизмы регулирования потока в клеточном масштабе, такие как гиперемический ответ на активацию нейронов.

  Эти модели необходимы для понимания невроваскулярной связи , процесса, посредством которого увеличение активности нейронов приводит к локальному увеличению мозгового кровотока. Нарушение NVC является ранним признаком многих нейрососудистых расстройств, включая гипертонию и болезнь Альцгеймера. Связывая модель астроцитарной передачи кальция с расслаблением гладкомышечных клеток и последующими изменениями диаметра сосудов в сетевой модели, исследователи могут симулировать, как тонкие сбои передачи сигналов распространяются, чтобы вызвать измеримый дефицит в функциональном сигнале МРТ, зависящем от уровня кислорода в крови (BOLD).

  Органический и системный уровень

  В самом большом масштабе модели фокусируются на основных мозговых артериях (например, Круг Уиллиса), венозных пазухах и объемном потоке спинномозговой жидкости (CSF). Вычислительная динамика жидкости (CFD) является основным инструментом, используемым здесь. Специфические для пациента геометрии для CFD получены из клинических методов визуализации, таких как КТ-ангиография (CTA) или магнитно-резонансная ангиография (MRA). Эти модели решают уравнения Навье-Стокса для вычисления подробных полей скорости, давления и напряжения сдвига стенки (WSS).

  Модели на уровне органов имеют решающее значение для понимания гемодинамических факторов, которые управляют прогрессированием внутричерепных аневризм и атеросклеротического стеноза. Они также могут быть связаны с моделями с комковатыми параметрами всей сердечно-сосудистой системы для моделирования влияния системных состояний, таких как гипертония или сердечная недостаточность, на перфузию головного мозга. Кроме того, недавние модели начинают включать глимфатическую систему, описывающую, как CSF течет через перисосудистые пространства, чтобы очистить метаболические отходы от паренхимы мозга, процесса, который, как теперь известно, имеет решающее значение в старении и нейродегенерации. Этот системный взгляд на динамику жидкости обеспечивает граничные условия и клинический контекст для моделей меньшего масштаба.

  Многомасштабное моделирование специфических нейрососудистых расстройств

  Внутричерепные аневризмы и гемодинамика

  Естественная история внутричерепной аневризмы — от инициации до роста, стабилизации или разрыва — является каноническим примером многомасштабного процесса. Модели CFD родительской артерии используются для вычисления гемодинамических параметров, таких как WSS, индекс осциллятивного сдвига (OSI) и градиент WSS. Эти макроскопические механические силы затем применяются в качестве граничных условий к моделям эндотелиальных клеток, выстилающих стенку сосуда. Высокий WSS с высоким пространственным градиентом связан с образованием сакульных аневризм, в то время как низкий WSS и высокий OSI связаны с воспалительным фенотипом про разрыв в стенке ткани.

  Спускаясь по шкале, эти гемодинамические нагрузки могут быть связаны с клеточными моделями, предсказывающими производство матрикс-металлопротеиназы (ММР) и деградацию внутренней эластичной ламины и коллагена. Эта связь позволяет симулировать ослабление стенок и ремоделирование с течением времени. Конечной целью является создание прогностической модели, где данные визуализации пациента могут использоваться для оценки риска разрыва аневризмы более точно, чем текущие клинические показатели (например, размер и местоположение). Исследовательские организации и клинические группы активно работают над валидацией этих прогностических инструментов в потенциальных когортах.

  Ишемический инсульт и динамика Пенумбры

  При остром ишемическом инсульте тромб закрывает крупную мозговую артерию, создавая ядро сильно гипоксической ткани и окружающую область спасаемой ткани — полутени. Многомасштабные модели необходимы для понимания динамической эволюции полутени. В макромасштабе модели CFD имитируют, как расположение сгустка и степень стеноза изменяют давление перфузии вниз по течению. Это связано с моделями микрососудистой сети, которые включают регуляцию капиллярного потока и динамику переноса кислорода в ткани.

  Критически эти модели могут имитировать эффект коллатерального потока — сети небольших сосудов, которые могут обеспечить альтернативные пути для крови, чтобы достичь ишемической территории. Включая специфический коллатеральный статус пациента (оцененный с помощью перфузионной визуализации), многомасштабная модель может предсказать временное окно для успешного вмешательства (тромбэктомия или тромболизис) до того, как полутень преобразуется в инфаркт. Они также могут быть использованы для оптимизации терапевтических стратегий, таких как использование индуцированной гипертензии или нейропротекторных агентов, имитируя их влияние на микрососудистую перфузию и доставку кислорода.

  Сосудистые когнитивные нарушения (VCID) и заболевания малых сосудов

  Болезнь мелких сосудов головного мозга (СВД) является наиболее распространенной причиной ВСИД и основным фактором, способствующим возрастному когнитивному снижению. Она характеризуется повреждением глубоких перфорирующих артериол, приводящим к гиперинтенсивности белого вещества, лакунарным инфарктам и мозговым микрокровотечениям. Этиология СВД плохо изучена, в основном потому, что вовлеченные мелкие сосуды находятся ниже разрешения обычной клинической визуализации. Многомасштабное моделирование предлагает способ «видеть» невидимое.

  Модели на молекулярном и клеточном уровне фокусируются на эндотелиальной дисфункции и распаде BBB, которые, как предполагается, являются инициаторами событий в СВД. Путем моделирования эффектов гипертонии на стенке сосуда исследователи могут моделировать, как скорость импульсной волны и увеличение циклических повреждений растяжения перицитов и клеток гладкой мышцы. Это клеточное повреждение затем связано с моделями на уровне ткани перисосудистых дренажных путей (глимфатическая система). Нарушение дренажа приводит к накоплению белков плазмы и амилоида-β в стенке сосуда и окружающей паренхиме, процесс, который может быть явно смоделирован. Эти модели используются для проверки гипотезы о том, что пульсативный стресс приводит к прогрессирующему сковыванию и патологии, наблюдаемой в СВД. Инициатива FLT:1] NINDS VCID определила многомасштабное вычислительное моделирование в качестве ключевого стратегического приоритета для разгадки патофизиологической цепи, ведущей к деменции.

  Методологические подходы и интеграция данных

  Для построения надежной многомасштабной модели требуются сложные математические и вычислительные методы, а также обширные, неоднородные данные. Для решения этой задачи было создано несколько структур:

  • Анализ конечных элементов (FEA) и CFD: Используется для решения проблем механики твердых и жидких тел на уровне органов и сосудов.
  • Модели на основе агентов (ABM): Используются для моделирования поведения отдельных клеток и их взаимодействия в тканевой среде.
  • Обычные и частичные дифференциальные уравнения (ODE/PDE): Используется для моделирования непрерывных биохимических процессов и систем диффузии реакций.
  • Модели со сниженным порядком: Разработаны для захвата существенного поведения сложной системы (например, 0D-модели с комбинацией параметров сосудистой системы), чтобы обеспечить эффективную связь с другими масштабами.

  Основным узким местом является интеграция данных из разрозненных источников. Данные визуализации (МРТ, КТ, УЗИ) обеспечивают макромасштабную структуру и функцию. Гистология и двухфотонная микроскопия обеспечивают клеточные и субклеточные детали. Омика Данные (геномика, транскриптомика, протеомика) обеспечивает молекулярную информацию. Машинное обучение все чаще используется для вывода межмасштабных отношений и создания суррогатных моделей (эмуляторов), которые могут работать достаточно быстро для клинического применения. Исследовательская инфраструктура EBRAINS предоставляет инструменты и возможности управления данными, специально предназначенные для поддержки многомасштабного моделирования мозга, позволяя исследователям делиться и комбинировать модели по дисциплинам.

  Клинический перевод и обещание персонализированной медицины

  Конечным испытанием многомасштабной модели является ее полезность в клинических условиях. Переход от исследовательского инструмента к системе поддержки принятия клинических решений требует тщательной проверки на соответствие человеческим данным. В настоящее время осуществляется ряд перспективных направлений:

  • Стратификация риска: Использование моделей CFD для конкретного пациента для прогнозирования риска разрыва аневризм или прогрессирования стеноза, потенциально направляя решения о хирургическом лечении против медицинского.
  • Прогнозирование реакции на лечение: Моделирование исхода тромболиза или тромбэктомии на основе состава и расположения сгустка или прогнозирование влияния препарата артериального давления на перфузию головного мозга при ССЗ.
  • В клинических испытаниях в Силико: Использование виртуальных популяций, генерируемых многомасштабными моделями, для проверки эффективности и безопасности лекарств в широком диапазоне фенотипов пациентов, потенциально снижая стоимость и продолжительность клинических испытаний.
  • Биомаркерное открытие: Использование моделей для идентификации новых биомаркеров визуализации или биомаркеров на основе крови, которые механически связаны с основным процессом заболевания, а не являются просто коррелятивными.

  Интеграция пациент-специфического моделирования в клинический рабочий процесс при нейрососудистых расстройствах все еще находится на ранних стадиях, но потенциал для улучшения результатов существенен.Модель, которая может интегрировать уникальную анатомию, генетику и физиологию пациента в единый, последовательный прогноз, представляет собой высоту точной медицины.

  Выдающиеся вызовы и будущие направления

  Несмотря на огромный потенциал, многомасштабное моделирование нейрососудистых расстройств сталкивается со значительными препятствиями. Чистые вычислительные затраты на запуск связанных моделей по масштабам остаются проблемой, хотя достижения в области высокопроизводительных вычислений и сокращения моделей неуклонно облегчают это. Стандартизация форматов данных и языков описания моделей необходима для облегчения бесшовного обмена и связи моделей, разработанных различными группами. Возможно, самой большой проблемой является строгая проверка: обеспечение того, чтобы модели были не просто сложными, но и точно фиксировали биологию заболевания. Это требует тесного сотрудничества между модельерами и экспериментаторами, с моделями, приводящими новые гипотезы, которые могут быть проверены в лаборатории или клинике. Этические соображения вокруг использования данных пациента и проверки компонентов ИИ в моделях также требуют тщательного внимания. Двигаясь вперед, более тесная интеграция с оптимизация проектирования и теория управления поможет перевести идеи моделирования в эффективные клинические вмешательства.

  Заключение

  Нейроваскулярные расстройства являются фундаментально многомасштабными проблемами, где генезис и прогрессирование заболевания управляются сложным взаимодействием событий от молекулярного до системного уровня. Многомасштабное моделирование обеспечивает единственную жизнеспособную основу для интеграции этой обширной и разрозненной информации в согласованное, механистическое понимание. Связывая гены с клетками, клетками к тканям и тканями к функции органов, эти вычислительные инструменты предлагают беспрецедентную способность прогнозировать траекторию заболевания, определять новые терапевтические цели и персонализировать лечение для отдельных пациентов. В то время как значительные проблемы, связанные с вычислениями, интеграцией данных и валидацией, остаются, продолжающееся созревание этой области обещает трансформировать наш подход к неврологическому и сосудистому здоровью, переходя от реактивной дисциплины к предиктивной и профилактической науке. Продолжающееся сотрудничество между биоинженерами, вычислительными учеными, нейробиологами и клиницистами является основой, на которой будет построено это новое понимание. Ведущие организации инсульта [FLT: 1] , как ведущий интегративный вычислительный подход в качестве высокого приоритета для будущего финансирования исследований