编辑推荐：
为解决帕金森病患者冻结步态（FOG）发病机制不明及治疗难题，研究人员基于神经肌肉骨骼模型开展相关研究。通过修改脑桥脚核（PPN）和楔形核（CnF）参数，观察到不同的 FOG 亚型。该研究为理解 FOG 病理机制和分类提供依据，助力相关治疗方法开发。
帕金森病，这个名字或许不少人都有所耳闻。它就像一个隐匿在暗处的 “健康杀手”，悄无声息地侵蚀着患者的生活。帕金森病患者常常会出现一种令人困扰的症状 —— 冻结步态（FOG），简单来说，就是患者明明想往前走，可双脚却像被胶水粘住一样，短暂地无法挪动，或者向前移动的幅度明显减小。这一症状不仅严重影响患者的日常活动，还增加了他们跌倒受伤的风险，使得患者的生活质量急剧下降。
目前，虽然已经知道中脑运动区（MLR）中的脑桥脚核（PPN）和楔形核（CnF）在动物运动控制中起着重要作用，但它们对人类双足运动的影响，尤其是与冻结步态之间的关系，还远未明确。而且，由于直接研究人类脑干和脊髓等负责双足运动区域存在技术和伦理上的困难，冻结步态的发病机制一直是个未解之谜。现有的治疗药物效果也不稳定，不同的临床亚型更是让治疗方案的制定变得复杂。在这样的背景下，开展相关研究迫在眉睫。
来自日本国立先进工业科学技术研究院人工智能研究中心（Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology）等机构的研究人员，决心揭开冻结步态的神秘面纱。他们构建了一个二维神经肌肉骨骼模型，这个模型包含了身体的七个部分、18 块肌肉，以及模拟的神经系统，其中就包括脑干和脊髓。研究人员假设，通过修改 MLR 模型中 CnF 和 PPN 的活动参数，能够观察到冻结步态，并且其分类会与临床亚型相似。
研究人员为了开展这项研究，主要运用了以下关键技术方法：
- 构建模型：开发了二维神经肌肉骨骼模型，详细设定了肌肉骨骼和神经系统各部分的参数，如关节的粘性系数、肌肉的张力模型等。
- 优化参数：利用标准遗传算法（GA）调整模型的 49 个自由参数，使模型能够模拟正常步态。
- 数据处理与分析：通过修改 PPN 和 CnF 的参数，进行 40000 次模拟，用临床常用的 FOG 识别算法检测模拟结果中的冻结步态事件，并运用层次聚类分析（HCA）对识别出的 FOG 进行分类。
研究结果如下：
- 正常步态模型：经过 2000 代的遗传算法优化，正常模型实现了稳定的步态，其步态模式在定性和定量上都与先前研究相似，这表明模型有效。
- 异常步态模型：在修改 PPN 和 CnF 参数后，观察到不同的步态模式。在 40000 个参数集的模拟结果中，3184 个模型在行走过程中未摔倒，其中 156 个模型出现了冻结步态事件。
- 聚类分析结果：通过 HCA 对 156 个冻结步态模型进行分析，最终确定了四个聚类。不同聚类的冻结步态特征存在差异，例如，聚类 1 的行走距离最短，冻结比率较低；聚类 4 的行走距离最长，步态与非 FOG 模型相似；聚类 2 和 3 的冻结步态特征介于聚类 1 和 4 之间。
研究结论和讨论部分指出，该研究首次通过修改脑干中 PPN 和 CnF 模型的参数，在模拟中观察到与临床相似的冻结步态实例。这表明 FOG 及其亚型的产生可能与这两个核的活动变化有关，为临床中 FOG 的定性分类提供了潜在的客观解释。此外，该研究还有助于开发针对不同严重程度和亚型的康复方法、调整药物治疗方案，以及设计更有效的康复设备。
总的来说，这项研究就像一盏明灯，为深入理解冻结步态的发病机制照亮了道路，为未来的临床研究和治疗提供了重要的理论依据和方向。虽然研究还存在一些局限性，如模型的二维限制、未考虑大脑皮层和皮层下功能等，但研究人员已经计划进一步改进模型，结合实际患者数据进行更深入的研究。相信在不久的将来，这些研究成果会为帕金森病患者带来更多的希望和帮助。
