El aprendizaje automático revela comportamientos relacionados con el Alzheimer precoz y apunta a nuevos tratamientos

 Publicado originalmente en MedicalXpress por Gladstone Institutes, el 26 de noviembre de 2024

Ratones AppNL-G-F de edad avanzada muestran una fuerte patología relacionada con la EA y leves deficiencias en el laberinto de agua de Morris. Crédito: Cell Reports (2024). DOI: 10.1016/j.celrep.2024.114870

Los signos sutiles de la enfermedad de Alzheimer pueden aparecer décadas antes del diagnóstico, a menudo en forma de comportamientos irregulares que reflejan etapas muy tempranas de la disfunción cerebral. Pero hasta ahora, identificar y medir estos ligeros cambios de comportamiento de forma científica no era factible, ni siquiera cuando se estudiaba el Alzheimer en ratones.

En un estudio publicado en Cell Reports, un equipo de científicos de los Institutos Gladstone utilizó una nueva herramienta de aprendizaje automático basada en vídeo para detectar signos de enfermedad incipiente que de otro modo serían indetectables en ratones diseñados para imitar aspectos clave del Alzheimer. Su trabajo arroja luz sobre una nueva estrategia para identificar la enfermedad neurológica antes de lo que es posible en la actualidad y seguir su evolución a lo largo del tiempo.

«Hemos demostrado el potencial del aprendizaje automático para revolucionar la forma de analizar comportamientos indicativos de anomalías tempranas en la función cerebral», afirma el Dr. Jorge Palop, investigador de Gladstone y autor principal del estudio.

«Aprovechamos una valiosa herramienta que abre la puerta a una comprensión más completa de los trastornos cerebrales devastadores y de cómo comienzan».

Los científicos utilizaron una plataforma de aprendizaje automático llamada VAME, abreviatura de «Variational Animal Motion Embedding», para analizar secuencias de vídeo de ratones explorando una arena abierta. La herramienta, de código abierto, identificó sutiles patrones de comportamiento captados por la cámara, cambios que podrían pasar desapercibidos con sólo mirar a los ratones.

Seguimiento del comportamiento desorganizado

La plataforma de aprendizaje profundo de VAME no se parece a las pruebas de comportamiento convencionales con ratones, que a menudo se centran en tareas preconcebidas que los animales deben completar.

Entre las limitaciones de esas pruebas, no pueden captar toda la gama de cambios de comportamiento espontáneos causados por la enfermedad, especialmente en las primeras etapas, explica Stephanie Miller, Ph.D., científica de Gladstone y primera autora del estudio. Además, carecen de escalabilidad y a menudo se basan en métodos laboriosos.

Para el estudio de Gladstone con VAME, el equipo evaluó dos tipos de ratones que simulaban distintos aspectos del Alzheimer. En ambos modelos, la herramienta de aprendizaje automático identificó un nivel significativamente mayor de «comportamiento desorganizado» a medida que los ratones envejecían. Por ejemplo, los ratones mostraban patrones de comportamiento inusuales y pasaban más a menudo de una actividad a otra, factores que podrían estar asociados a déficits de memoria y atención.

«Algún día podrían utilizarse métodos similares de aprendizaje automático para estudiar comportamientos espontáneos en seres humanos, lo que podría facilitar el diagnóstico precoz de enfermedades neurológicas», afirma Miller, señalando que un vídeo de calidad de smartphone es suficiente para el análisis VAME. «Me imagino que esta tecnología se utilizará para evaluar a los pacientes en la clínica e incluso en sus casas. Ofrece a científicos y médicos una forma de resolver el dificilísimo problema de diagnosticar las fases preclínicas de las enfermedades.»

Miller empezó a experimentar con VAME hace varios años, cuando la tecnología aún estaba en pañales. Ella y Palop colaboraron con el equipo del doctor Stefan Remy, en Alemania, que desarrolló inicialmente la plataforma. Juntos ayudaron a demostrar la utilidad de VAME para la investigación neurocientífica en un estudio publicado en Communications Biology.

Evaluación de un posible tratamiento

Añadiendo otra dimensión a su nuevo estudio, el equipo de Gladstone utilizó VAME para averiguar si una posible intervención terapéutica contra el Alzheimer evitaría el comportamiento desorganizado en ratones.

Los científicos aprovecharon las investigaciones previas de la doctora Katerina Akassoglou, investigadora de Gladstone, quien descubrió que una proteína coagulante de la sangre llamada fibrina crea una cascada de efectos tóxicos cuando se filtra al cerebro a través de vasos sanguíneos dañados. Al bloquear los efectos tóxicos de la fibrina, el laboratorio de Akassoglou ha logrado prevenir la neurodegeneración que conduce al deterioro cognitivo y proteger a los animales contra el Alzheimer.

Para averiguar si esta estrategia terapéutica podía proteger a los ratones de comportamientos relacionados con el Alzheimer, el equipo bloqueó genéticamente la fibrina para que no desencadenara inflamaciones tóxicas en el cerebro. Esta intervención redujo el desarrollo de comportamientos anormales en los ratones con Alzheimer.

«Fue muy alentador ver que el bloqueo de la actividad inflamatoria de la fibrina en el cerebro reducía prácticamente todos los cambios de comportamiento espontáneos en los ratones con Alzheimer, lo que reafirma que la fibrina y la neuroinflamación resultante son factores clave de la enfermedad», afirma Akassoglou, también autor del estudio.

«El aprendizaje automático puede ofrecer una forma imparcial de evaluar posibles tratamientos en el laboratorio, y creo que en última instancia puede convertirse también en una herramienta clínica inestimable.»

Palop y Miller trabajan ahora con otros equipos de Gladstone que estudian enfermedades neurológicas para ayudarles a emplear la tecnología VAME en nuevos estudios conductuales.

«Mi objetivo es hacer que esta herramienta y enfoques similares sean más accesibles para biólogos y clínicos con el fin de acortar el tiempo que se tarda en desarrollar nuevos medicamentos potentes», afirma Miller.

Más información: Stephanie R. Miller et al, Machine learning reveals prominent spontaneous behavioral changes and treatment efficacy in humanized and transgenic Alzheimer's disease models, Cell Reports (2024). DOI: 10.1016/j.celrep.2024.114870

Información de la revista: Communication Biology, Cell Reports

Proporcionado por: Gladstone Institutes

Artículo original