
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通过算子学习方法研究阿尔茨海默病进展过程中患者特异性空间生物标志物的动态变化
《npj Systems Biology and Applications》:Learning patient-specific spatial biomarker dynamics via operator learning for Alzheimer’s disease progression
【字体: 大 中 小 】 时间:2026年05月05日 来源:npj Systems Biology and Applications 3.5
编辑推荐:
摘要阿尔茨海默病(AD)是一种复杂的、多因素引起的神经退行性疾病,其病情进展和治疗反应存在显著的异质性。尽管近期在治疗方面取得了进展,但能够准确预测个体未来生物标志物状态的预测模型仍然有限。在这里,我们提出了一种基于机器学习的运算符学习框架,用于个性化地模拟AD的进展过程,该框架
阿尔茨海默病(AD)是一种复杂的、多因素引起的神经退行性疾病,其病情进展和治疗反应存在显著的异质性。尽管近期在治疗方面取得了进展,但能够准确预测个体未来生物标志物状态的预测模型仍然有限。在这里,我们提出了一种基于机器学习的运算符学习框架,用于个性化地模拟AD的进展过程,该框架整合了纵向多模态成像数据、生物标志物信息和临床数据。与传统具有预设动态特性的模型不同,我们的方法直接学习患者特定的疾病运算符,这些运算符控制着淀粉样蛋白、tau蛋白和神经退行性生物标志物的时空演变。通过使用拉普拉斯特征函数基,我们构建了能够捕捉复杂大脑动态的几何感知神经运算符。该框架嵌入在数字孪生范式中,实现了个性化预测、治疗干预模拟以及计算机模拟临床试验的功能。将这种方法应用于AD临床数据后,我们在多个生物标志物上的预测准确率超过了90%,显著优于现有的方法。这项工作为神经退行性疾病的精准建模和个性化治疗优化提供了一个可扩展且易于解释的平台。