阿尔茨海默蛋白动力学建模：随机方法、机器学习与连接组洞察的数据驱动整合

阿尔茨海默病（AD）是一种复杂的神经退行性疾病，其特征为错误折叠蛋白的渐进积累，导致认知衰退。本研究提出了一种新颖的随机建模方法，用于模拟这些蛋白在大脑中的传播。我们利用来自人类连接组项目（https://braingraph.org/cms/）的MRI数据导出的拉普拉斯矩阵，采用网络扩散模型。确定性模型通过引入随机微分方程（SDEs）来考虑疾病进展中的固有不确定性。在模型中引入随机成分使得对疾病的模拟更加真实，因为AD具有多因素特性。通过仿真，该模型捕捉了错误折叠蛋白浓度在大脑各区域随时间的变化。贝叶斯推断是一种利用先验知识和给定数据来建模相关参数值后验分布的统计方法。这使我们能够更好地理解噪声和外部因素对AD进展的影响。确定性结果表明AD在大脑各叶中以不同速度进展，此外额叶达到完全疾病状态所需时间最长。我们发现，在噪声存在的情况下，模型永远不会达到完全疾病状态，且AD晚期的不可预测性高于早期。这些结果强调了将随机成分整合到确定性模型中以实现更真实模拟的重要性，为神经退行性疾病动力学的未来研究提供了有价值的见解。