[论文解读] Spreading of pathological proteins through brain networks: a case study for Alzheimers disease

G. Landi, A. Scaravelli+2 more|arXiv (Cornell University)|Mar 19, 2026

Functional Brain Connectivity Studies被引用 0

一句话总结

该论文研究通过图传播与卷积模型、累积连接性来描述错构 tau 脑网络的传播，并与临床 tau 数据进行对比，以识别最准确的建模选择。

ABSTRACT

Mathematical modeling offers a valuable approach to understanding Alzheimers disease (AD) given its complexity, unknown causes, and lack of effective treatments. Models, once validated, offer a powerful tool to test medical hypotheses that are otherwise difficult to verify directly. Our focus here is on elucidating the spread of misfolded tau protein, a critical hallmark of AD alongside Abeta protein, taking also into account the synergistic interaction between the two proteins. We consider distinct modelling choices, all employing network frameworks for protein evolution, differentiated by their network architecture and diffusion operators. By carefully comparing these models against clinical tau concentration data, gathered through advanced multimodal analysis techniques, we show that certain models replicate better the proteins dynamics. This investigation underscores a crucial insight: in modeling complex pathologies, the precision with which the mathematical framework is chosen is crucial, especially when validation against clinical data is considered decisive.

研究动机与目标

• 推动在脑网络中对阿尔茨海默病由 Aβ 和 tau 蛋白质造成的扩散进行数学建模。
• 研究不同图构造和扩散算子如何影响 tau 传播建模。
• 将模型输出与临床 tau PET 数据进行验证，以识别最能再现观测到的退行模式的配置。
• 展示在准确捕捉长期 tau 传播方面使用累积连接性的重要性。

提出的方法

• 在代表扩散和远程传播的两张图上对两种蛋白质（Aβ 单体/二聚体及斑块；tau）建模。
• 使用包含扩散的基于图拉普拉斯算子的常微分方程系统来描述 Aβ，以及与 Aβ 耦合的慢 tau 动力学，包含源项和清除项。
• 比较在累积连接组上的扩散与在结构连接组上的卷积；基于长程连接定义一个累积核 kτ。
• 对 Aβ 传播使用内在亲近连接组，对 tau 扩散使用累积连接组；使用图傅里叶变换来定义卷积核。
• 用大多数速率的固定值对模型参数化；优化 γ3 和 Cw 以最小化模型预测的退化模式与临床模式之间的海明距离。
• 通过在选定的 ROI 上计算退化模式并与临床模式进行海明距离比较来评估模型表现。

Figure 1: Mean $\tau$ concentration values $w^{(*)}_{T},\,w^{(*)}_{O},\,w^{(*)}_{L},\,w^{(*)}_{F}$ in the temporal, occipital, fusiform and limbic networks as listed in Table 1 . The colorbar reflects the ordering of $\tau$ values, from high (dark red) to low (yellow). A: 3D view of the brain and th

实验结果

研究问题

• RQ1 哪种图拓扑与扩散算子最能再现 tau 在脑区的临床退化模式？
• RQ2 将累积连接性纳入是否能改善模型对患者长期 tau 传播的匹配？
• RQ3 扩散与卷积在再现 tau 病理的空间进展方面有何差异？
• RQ4 在最佳建模配置下， tau 集中度的区域模式如何出现？

主要发现

• 在特定参数选择下，累积连通组上的扩散能够再现六个 ROI 的退化模式（TLOS）.
• 在以长度为基础的结构连通组（G_l）上的卷积唯一地再现十个 ROI 的退化模式 TFOLS，凸显了图的选择重要性。
• 在累积连接组上使用不同核或非累积核的卷积通常无法匹配临床模式，强调累积连接性的必要性。
• 在使用六个 ROI 时，只有某些配置能匹配临床模式；使用十个 ROI 时，TFOLS 模式由对 G_l 的卷积最佳捕捉，表明 ROI 集规模与图选择具有互补效应。
• 在多种替代的非累积核下，均未再现临床退化模式，强调所提累积连接性方法的价值。
• 研究强调图的拓扑结构和扩散算子对使模型预测与观测临床数据对齐至关重要。