Table of Contents

Нейродегенеративные заболевания, такие как болезнь Альцгеймера, болезнь Паркинсона, боковой амиотрофический склероз (БАС) и болезнь Хантингтона, поражают десятки миллионов людей во всем мире. Эти состояния имеют общую отличительную черту: прогрессирующая потеря структуры или функции нейронов, приводящая к когнитивному снижению, двигательным нарушениям и, в конечном итоге, к смерти. Прогнозирование траектории таких заболеваний остается одной из самых серьезных проблем в современной медицине. Точное прогнозирование может позволить более раннюю диагностику, более персонализированные планы лечения и более эффективные клинические испытания. Физиологическое моделирование — создание подробных компьютерных симуляций биологических систем на основе данных — стало мощным инструментом для решения этой проблемы. Благодаря интеграции мультимодальных данных о пациентах эти модели могут имитировать, как нервная система функционирует и ухудшается с течением времени, предлагая идеи, которые не может предоставить один источник данных в одиночку.

Шкала вызова нейродегенеративных заболеваний

Более 55 миллионов человек во всем мире живут с деменцией, при этом болезнь Альцгеймера составляет 60-70% случаев. Болезнь Паркинсона поражает примерно 10 миллионов человек во всем мире, а БАС поражает около 200 000-300 000 человек. Экономическое бремя достигает сотен миллиардов долларов ежегодно, и современные методы лечения в первую очередь симптоматичны, а не модифицируют болезнь. Одной из причин медленных темпов терапевтических прорывов является неоднородность этих заболеваний: пациенты с одним и тем же клиническим диагнозом могут демонстрировать совершенно разные темпы прогрессирования, профили биомаркеров и ответы на терапию.

Традиционный дизайн клинических испытаний часто не учитывает эту неоднородность, что приводит к высоким показателям отказов и огромным затратам. Физиологическое моделирование предлагает способ стратификации пациентов, моделирования результатов испытаний и выявления наиболее перспективных вмешательств до начала дорогостоящих исследований на людях. Например, Инициатива по нейровизуализации болезни Альцгеймера (ADNI) собрала продольные данные от тысяч субъектов, обеспечив основу для многих усилий по моделированию. Модели, которые объединяют данные ADNI с механистической знанием амилоидной и тау-патологии, смогли предсказать снижение когнитивных функций с умеренной точностью за несколько лет.

Введение в физиологическое моделирование

Физиологическое моделирование — это отрасль вычислительной биологии, которая воссоздает поведение биологических систем с помощью математических уравнений и алгоритмов. В отличие от чисто статистических или машинных подходов к обучению, физиологические модели встраивают предварительные знания анатомии, физиологии и механизмов болезни. Это позволяет им экстраполировать за пределы данных обучения и делать прогнозы в условиях, которые еще не наблюдались — критическое преимущество при изучении редких или медленно прогрессирующих заболеваний.

Процесс моделирования обычно включает в себя несколько этапов:

  1. Системная спецификация: Определение ключевых компонентов биологической системы (например, областей мозга, нейронных цепей, молекулярных путей).
  2. Идентификация параметров: Оценка значений параметров модели с использованием клинических данных, визуализации или лабораторных экспериментов.
  3. Имитация и валидация: Запустите модель для создания прогнозов и сравнения их с наблюдаемыми результатами в независимых наборах данных.
  4. Доработка: Итеративно настроить структуру модели и параметры для повышения точности.

Физиологические модели могут быть механистической (построенной на основе первых принципов биологии), основанной на данных (основанной на машинном обучении для обнаружения закономерностей) или гибридной (объединяющей оба подхода). Выбор зависит от имеющихся данных, моделируемой биологической сложности и решаемого клинического вопроса.

Механические модели

Механистические модели представляют биологические процессы на клеточном и молекулярном уровне. Для нейродегенеративных заболеваний эти модели могут имитировать производство, агрегацию и клиренс неправильно свернутых белков, таких как бета-амилоид и тау при болезни Альцгеймера, или альфа-синуклеин при болезни Паркинсона. Они часто используют обычные дифференциальные уравнения (ODE) или дифференциальные уравнения с частичной дифференциацией (PDE) для описания того, как концентрации ключевых видов изменяются во времени и пространстве. Одним из известных примеров является «прионоподобная» модель распространения, которая предполагает, что патологические белки распространяются по нервным путям от клетки к клетке. Интегрируя карты связи из диффузионной тензорной визуализации (ДТИ), такие модели могут предсказать распространение тау-клубков по мозгу и соотнести его с когнитивным снижением.

Эти модели являются мощными, поскольку они предлагают причинно-следственные объяснения: если изменяется конкретная скорость агрегации белка, модель может предсказать влияние на гибель нейронов и функциональную потерю. Однако они требуют подробного знания основной биологии и многих параметров, которые трудно измерить у отдельных пациентов.

Модели, управляемые данными

Модели, основанные на данных, используют алгоритмы машинного обучения для изучения моделей непосредственно из больших наборов данных без явного представления биологических механизмов. Такие методы, как случайные леса, машины с опорными векторами и глубокие нейронные сети, были применены для прогнозирования когнитивных показателей, снижения двигательной функции или преобразования от умеренных когнитивных нарушений (MCI) до деменции Альцгеймера. Инициатива маркеров прогрессии Паркинсона (PPMI) предоставляет богатые наборы данных клинических оценок, изображений и биопрепаратов, которые использовались для обучения многих таких моделей.

Модели глубокого обучения, особенно рекуррентные нейронные сети (RNN) и трансформаторные архитектуры, могут обрабатывать продольные данные и захватывать сложные временные зависимости. Например, модель, обученная на данных ADNI, может принимать последовательность МРТ и когнитивных тестовых оценок в течение трех лет и прогнозировать оценку клинической деменции пациента в течение двух лет в будущем с разумной точностью. Основное ограничение заключается в том, что эти модели часто ведут себя как «черные ящики», что затрудняет интерпретацию того, какие функции приводят к предсказаниям или обобщать к популяциям, не представленным в данных обучения.

Гибридные модели

Гибридные модели пытаются объединить интерпретируемость и причинно-следственную структуру механистических моделей с гибкостью и мощью машинного обучения. В типичной гибридной структуре механистическая сердцевина обрабатывает известную биологию (например, динамику агрегации белка), в то время как компонент машинного обучения изучает неизвестные или трудномодельные отношения (например, влияние сопутствующих заболеваний или генетического фона). Этот подход может улучшить точность прогнозирования при сохранении биологической правдоподобности.

Одной из заметных гибридных моделей болезни Альцгеймера является «Модель прогрессирования болезни Альцгеймера», разработанная учеными Кембриджского университета и Института Алана Тьюринга. Она объединяет модель дифференциального уравнения накопления амилоида и тау со статистической моделью когнитивного снижения. При проверке данных ADNI она превзошла как чисто механистические, так и чисто основанные на данных версии, особенно в прогнозировании времени перехода от MCI к деменции.

Применение в прогрессировании болезни

Физиологические модели применяются во всем спектре нейродегенеративных заболеваний для решения ключевых клинических и исследовательских вопросов.

Болезнь Альцгеймера

В болезни Альцгеймера модели использовались для моделирования временной последовательности изменений биомаркеров. Классическая модель «каскада Джека» утверждает, что накопление амилоида начинается за десятилетия до симптомов, за которыми следуют осаждение тау, нейродегенерация и снижение когнитивных функций. Физиологическое моделирование позволяет исследователям тестировать вариации этого каскада и определять, какие биомаркеры являются наиболее прогностическими на каждом этапе. Например, недавнее исследование, опубликованное в ]Nature Communications , использовало байесовскую механистическую модель, чтобы показать, что тау-ПЭТ-визуализация в сочетании с исходными когнитивными показателями может предсказать ежегодное снижение когнитивных функций более точно, чем только амилоид ПЭТ или МРТ.

Разработчики лекарств используют эти модели для моделирования клинических испытаний. Определяя виртуальные популяции пациентов с различными базовыми характеристиками, они могут оценить, как различные конструкции испытаний (например, критерии регистрации, выбор конечной точки, продолжительность лечения) влияют на вероятность успеха. Этот подход in silico был использован для оптимизации испытаний для антиамилоидной терапии, такой как адуканумаб и леканемаб.

Болезнь Паркинсона

Болезнь Паркинсона представляет собой уникальные проблемы моделирования из-за взаимодействия между двигательными симптомами, немоторными симптомами (например, нарушениями сна, расстройствами настроения) и прогрессирующей потерей дофаминергических нейронов в черной субстанции. Физиологические модели болезни Паркинсона часто включают в себя цепь базальных ганглиев — сеть мозга, отвечающую за двигательный контроль. Путем моделирования эффекта истощения дофамина на скорости стрельбы различных ядер, эти модели могут предсказать начало и тяжесть брадикинезии, жесткости и тремора.

Совсем недавно модели были расширены, чтобы включить роль патологии альфа-синуклеина и гипотез оси кишечника-мозга. Например, гибридная модель, разработанная в Оксфордском университете, сочетает в себе модель дифференциального уравнения альфа-синуклеина, распространяющегося через блуждающий нерв, с компонентом, управляемым данными, который предсказывает прогрессирование двигательных и немоторных симптомов с использованием данных пациентов из PPMI. Модель успешно предсказывала ранние немоторные симптомы за годы до постановки диагноза в ретроспективном валидации исследования.

Амиотрофический боковой склероз

БАС — быстро прогрессирующее нейродегенеративное заболевание, поражающее двигательные нейроны.Поскольку заболевание быстро прогрессирует (средняя выживаемость 2-5 лет), прогнозирование прогрессирования имеет решающее значение для планирования клинической помощи и проектирования испытаний. Физиологически основанные модели БАС часто имитируют распространение патологии TDP-43 вдоль кортикоспинального тракта, а также потерю двигательных единиц, измеренных электромиографией (ЭМГ).

Одна влиятельная модель, «Модель прогрессии шкалы функционального рейтинга ALS (ALSFRS-R), использует латентный процессный подход для захвата снижения в различных функциональных областях (бульбарная, тонкая, грубая моторная, дыхательная). В сочетании с мерами распространения заболевания, предсказанными нейронной сетью, модель может прогнозировать время до ключевых вех, таких как потеря амбуляции или необходимость неинвазивной вентиляции с большей точностью, чем простая линейная регрессия.

Болезнь Хантингтона

Болезнь Хантингтона — моногенное расстройство, вызванное расширенным повтором CAG в гене HTT. Генетическая причина известна, что делает его идеальным тестовым случаем для физиологического моделирования. Модели прогрессирования Хантингтона обычно используют длину повтора CAG в качестве ключевого параметра, влияющего на возраст при вступлении и скорость атрофии хвостата. Включив продольные данные из исследований PREDICT-HD и TRACK-HD, исследователи построили механистические модели, которые имитируют накопление белка мутантного охотничьего белка, митохондриальную дисфункцию и потерю стриатальных нейронов. Эти модели использовались для моделирования потенциального эффекта терапии сайленсинга генов и для разработки клинических испытаний для лечения, которое направлено на замедление прогрессирования.

Преимущества и влияние физиологического моделирования

Физиологическое моделирование предлагает несколько конкретных преимуществ для пациентов, клиницистов и исследователей.

Ранняя диагностика и стратификация рисков

Одним из наиболее перспективных применений является возможность идентифицировать людей с высоким риском быстрого прогрессирования за годы до того, как клинические симптомы станут серьезными. Объединив визуализацию, биомаркеры жидкости и физиологические модели, поставщики могут назначить персонализированную оценку риска. Например, модель, включающая ПЭТ тау, плазму p-tau217 и базовые когнитивные оценки, может идентифицировать пациентов с MCI, которые имеют > 80% вероятность перехода к деменции Альцгеймера в течение двух лет. Такая ранняя идентификация позволяет более раннее зачисление в клинические испытания и позволяет пациентам и семьям планировать будущие потребности в уходе.

Персонализированная медицина

Физиологические модели могут предсказать, как отдельный пациент, вероятно, будет реагировать на конкретное лечение. Например, при болезни Паркинсона модели, которые имитируют эффект глубокой стимуляции мозга (DBS) на базальных ганглиевых цепях, могут помочь нейрохирургам выбрать оптимальные параметры стимуляции и целевые электроды. При болезни Альцгеймера модели, которые предсказывают скорость накопления амилоида, могут определять, выиграет ли пациент от антиамилоидного антитела или лучше подходит для тау-таргетинговой терапии.

Разработка лекарств и оптимизация клинических испытаний

Фармацевтическая промышленность сталкивается с огромными затратами и высокими показателями отказов в испытаниях нейродегенеративных заболеваний. По данным Центра изучения разработки лекарств Тафтса, средняя стоимость разработки нового препарата в настоящее время превышает 2,6 млрд долларов, при этом показатель успеха от I фазы до одобрения менее 10% для болезни Альцгеймера. Физиологическое моделирование может резко снизить это бремя за счет:

  • Моделирование соотношения доза-реакция для определения оптимального режима дозирования.
  • Распределение популяций пациентов для обогащения для быстрых прогрессоров, тем самым уменьшая размер выборки и продолжительность исследования.
  • Прогнозирование биомаркеров, которые могут служить суррогатными конечными точками, что позволяет принимать более ранние решения.

Несколько крупных фармацевтических компаний, включая Roche, Biogen и Novartis, теперь включают моделирование и моделирование (M&S) в свои разработки лекарств для нейродегенерации. Управление по контролю за продуктами и лекарствами США (FDA) также выпустило руководство по использованию таких моделей для поддержки нормативных представлений, особенно для заболеваний, где данные естественной истории ограничены.

В клинических испытаниях Silico

Конечная цель состоит в том, чтобы провести целые клинические испытания в компьютерном моделировании. Хотя полная замена испытаний на людях пока не представляется возможной, в испытаниях на силикозе может помочь изучить широкий спектр сценариев, которые было бы непрактично тестировать на людях. Например, модель может имитировать эффект начала лечения на разных стадиях заболевания, варьируя продолжительность лечения или комбинируя несколько препаратов. Эти модели могут определить приоритетность того, какие клинические исследования должны быть проведены, экономя время и ресурсы.

Проблемы и ограничения

Несмотря на все свои обещания, физиологическое моделирование сталкивается с рядом серьезных проблем, которые необходимо преодолеть, прежде чем оно сможет широко применяться в клинической практике.

Переменность и качество данных

Данные пациентов часто шумные, неполные и измеряются с использованием различных протоколов в разных центрах. Параметры визуализации, биомаркерные анализы и когнитивные тестовые версии различаются, что затрудняет объединение наборов данных для обучения модели. Кроме того, недостающие данные являются эндемичными в продольных исследованиях из-за отсева пациентов, и модели должны с этим справляться. Многие современные модели чувствительны к качеству данных, и их прогнозы могут ухудшаться при применении к данным, собранным в разных условиях.

Модель валидации

Проверка физиологической модели является сложной задачей, поскольку «основная истина» прогрессирования заболевания часто неизвестна. Для механистических моделей многие параметры (например, скорость агрегации белка) не могут быть измерены непосредственно у живых пациентов. Исследователи обычно проверяют модели, сравнивая их прогнозы с наблюдаемыми результатами (например, когнитивные оценки, биомаркеры изображений) в задерживающихся наборах данных, но это не гарантирует, что внутренние механизмы модели верны. Модель, которая хорошо соответствует данным, все еще может делать неправильные прогнозы за пределами диапазона данных обучения, особенно если базовая биология неправильно определена.

Вычислительная сложность

Некоторые физиологические модели, особенно моделирующие пространственно-разрешенные сети мозга или многомасштабные процессы (от молекул до поведения), требуют огромных вычислительных ресурсов. Запуск одного моделирования модели всего мозга может занять часы на высокопроизводительном вычислительном кластере, что делает непрактичным поддержку клинических решений в реальном времени. Усилия по разработке моделей с уменьшенным порядком и суррогатных эмуляторов предпринимаются, но еще не созрели.

Интерпретируемость и доверие

Клиницисты и пациенты должны доверять прогнозам модели, чтобы действовать на них. Модели, основанные на данных, особенно глубокие нейронные сети, предлагают небольшую интерпретируемость. Гибридные модели несколько улучшают интерпретируемость, потому что механистический компонент обеспечивает биологическое обоснование, но часть машинного обучения может оставаться непрозрачной. Регулирующие органы требуют прозрачной проверки и объяснения прогнозов модели, прежде чем одобрять их использование в клиническом принятии решений.

Будущие направления и интеграция

Область физиологического моделирования нейродегенеративных заболеваний быстро развивается, что обусловлено улучшением сбора данных, вычислительных методов и междисциплинарного сотрудничества.

Интеграция с цифровыми близнецами

Перспективной концепцией является «цифровой двойник» — виртуальная копия пациента, которая постоянно обновляется с использованием данных в реальном времени от носимых устройств, смартфонов и домашних устройств мониторинга. Объединив физиологическую модель с отдельными потоками данных о пациентах, цифровой двойник может обеспечить персонализированные прогнозы прогрессирования заболевания и реакции на лечение. Для болезни Паркинсона исследователи изучают, как цифровые двойники, которые включают данные акселерометра умных часов, могут прогнозировать колебания двигателя и оптимизировать графики приема лекарств.

Федеративное обучение и моделирование сохранения конфиденциальности

Проблемы конфиденциальности данных часто препятствуют обмену данными пациентов между учреждениями. Федеративное обучение позволяет модели обучаться на распределенных наборах данных без перемещения исходных данных. Этот подход особенно актуален для многосайтовых клинических испытаний и для использования электронных медицинских записей. Недавние работы показали, что федеративное изучение физиологических моделей болезни Альцгеймера может достичь точности, сопоставимой с централизованно обученными моделями, сохраняя при этом конфиденциальность пациентов.

Объединение мультиомических данных

Геномика, транскриптомика, протеомика и метаболомика предоставляют множество информации о механизмах заболевания. Включение данных мультиомики в физиологические модели может улучшить их прогностическую силу и выявить новые цели для лекарств. Например, модель, которая объединяет специфические для пациента генетические варианты (например, APOE ε4 при болезни Альцгеймера, мутации GBA при болезни Паркинсона) с динамикой концентрации белка может имитировать, как эти варианты изменяют пути заболевания и идентифицируют субпопуляции, которые могут извлечь выгоду из различных методов лечения.

Стандартизация и принятие нормативных актов

Для того, чтобы физиологические модели стали рутинным инструментом, поле нуждается в стандартизированных протоколах для разработки моделей, валидации и отчетности. Организации, такие как Коалиция против основных заболеваний (CAMD) и Институт критического пути работают над созданием лучших практик. Программа FDA Model-Informed Drug Development (MIDD) уже приняла физиологические модели для поддержки нормативных представлений при болезни Альцгеймера. По мере того, как все больше моделей проверяются и принимаются, путь к клинической интеграции станет более ясным.

Заключение

Физиологическое моделирование представляет собой сдвиг парадигмы в том, как мы подходим к нейродегенеративным заболеваниям. Преобразуя статические данные в динамические, прогнозирующие симуляции, эти модели предлагают возможность более ранней диагностики, персонализированного лечения и более эффективной разработки лекарств. Проблемы качества данных, проверки моделей и интерпретируемости значительны, но не непреодолимы. С продолжающимися достижениями в области визуализации, открытия биомаркеров, машинного обучения и вычислительной мощности физиологическое моделирование готово стать незаменимым инструментом в борьбе с нейродегенеративными заболеваниями.

Для клиницистов и исследователей, стремящихся оставаться на переднем крае, понимание сильных сторон и ограничений этих моделей имеет важное значение. По мере созревания этой области интеграция физиологического моделирования в обычную клиническую практику не заменит человеческое суждение, а усилит его, предоставив врачам и пациентам наиболее точную картину того, что ждет впереди.