A cell-level model to predict the spatiotemporal dynamics of neurodegenerative disease

1. Il Problema Scientifico

La sfida centrale nella modellazione delle malattie neurodegenerative risiede nel colmare il divario tra i meccanismi microscopici (aggregazione proteica a livello cellulare) e i pattern macroscopici di patologia osservati nei tessuti dei pazienti.
Attualmente, la comprensione è limitata da due approcci disgiunti:

• Le teorie cinetiche descrivono l'assemblaggio dei filamenti proteici a livello molecolare.
• I modelli di rete catturano la diffusione fenomenologica a livello d'organo.

Manca un quadro teorico basato sui primi principi (first-principles) alla scala mesoscopica (tessutale) che colleghi il comportamento delle singole cellule ai pattern di aggregazione emergenti. Un quesito fondamentale rimane irrisolto: la patologia è guidata principalmente da trigger autonomi delle cellule (formazione spontanea di aggregati all'interno di una cellula vulnerabile) o da un meccanismo di propagazione da cellule già in uno stato patologico di aggregazione "fuori controllo" verso le cellule sane vicine? Distinguere tra questi due meccanismi è cruciale per lo sviluppo di terapie mirate.

2. Metodologia

Gli autori hanno sviluppato un modello fisico bottom-up multiscala che simula l'evoluzione stocastica dell'aggregazione a livello di singola cellula.

• Rappresentazione del Sistema: Il tessuto è modellato come un insieme di cellule discrete in una griglia bidimensionale (estendibile a 3D). Ogni cellula $i$ è definita da una variabile binaria $\phi_i$: 0 (sana) o 1 (aggregata/patologica).
• Meccanismi di Transizione: Il modello incorpora due percorsi distinti attraverso cui una cellula sana può diventare patologica:
  1. Trigger Autonomi (Cell-autonomous): Formazione spontanea di aggregati all'interno di una cellula, indipendente dai vicini. Questo è modellato come un evento stocastico con una costante di velocità $k_a$ (probabilità di transizione $p_{a,i} \approx k_a \Delta t$).
  2. Propagazione Cellula-Cellula: Diffusione della patologia da cellule già aggregate ai vicini sani. Questo è modellato come un'interazione radiale isotropa che decade con la distanza, descritta da un kernel Gaussiano con forza di accoppiamento spaziale $k_s$ e scala di lunghezza $\sigma$. La probabilità di transizione $p_{s,i}$ dipende dalla densità locale di cellule aggregate vicine.
• Simulazione: L'evoluzione temporale è simulata utilizzando una catena di Markov a tempo discreto, aggiornando lo stato di ogni cellula ad ogni passo temporale $\Delta t$.
• Analisi Statistica: Per caratterizzare i pattern spaziali, sono stati utilizzati tre indicatori:
  • La frazione totale di cellule aggregate ($n$).
  • La distribuzione della distanza del vicino più prossimo (NND).
  • La funzione di distribuzione radiale (RDF), $g_{norm}(r)$, per analizzare le correlazioni spaziali.

3. Risultati Chiave

Il modello ha rivelato tre regimi distinti di comportamento dinamico e spaziale:

A. Aggregazione Spontanea Pura ($k_s = 0$)

Quando la propagazione è assente, l'aggregazione è guidata esclusivamente da eventi autonomi.

• Dinamica: La frazione di cellule aggregate cresce esponenzialmente secondo $n(t) = 1 - e^{-k_a t}$.
• Pattern Spaziale: Le cellule aggregate sono distribuite in modo casuale e non correlato nello spazio. La RDF è costante e la distribuzione NND segue una legge di Poisson.

B. Propagazione Pura ($k_a \to 0$)

Quando l'aggregazione è guidata solo dalla propagazione da un seme iniziale.

• Accoppiamento a Breve Raggio ($\sigma \sim \rho^{-1/2}$): Si formano cluster densi con confini netti. La crescita avviene per espansione sequenziale dei vicini. La NND è piccata alla distanza intercellulare media.
• Accoppiamento a Lungo Raggio ($\sigma \gg \rho^{-1/2}$): Si generano onde di propagazione continue e diffuse. In questo limite, il modello discreto converge a un'equazione differenziale alle derivate parziali di tipo Fisher-KPP (reazione-diffusione). La velocità dell'onda di avanzamento è analiticamente derivata come $v \ge \sqrt{2 k_s \rho \sigma}$.

C. Regime Intermedio e la "Frazione di Interruzione" (Switch Fraction)

Nel caso realistico in cui coesistono entrambi i meccanismi ($k_a > 0$ e $k_s > 0$), il modello identifica un punto critico di transizione.

• Competizione di Tassi: Esiste una competizione tra il tasso di generazione di nuovi cluster (autonomo, $r_a \propto k_a(1-n)$) e il tasso di espansione dei cluster esistenti (propagazione, $r_s \propto k_s \rho n (1-n)$).
• Frazione Critica ($n_c$): Il sistema subisce una transizione quando i due tassi si eguagliano. La frazione critica è definita come:
  $$n_c = \frac{k_a}{k_s \rho}$$
• Dinamica Temporale:
  • Fase 1 ($n < n_c$): Dominata dai trigger autonomi. La patologia cresce lentamente e in modo stocastico, generando nuovi focolai sparsi.
  • Fase 2 ($n > n_c$): Dominata dalla propagazione. Una volta superata la soglia critica, il meccanismo di diffusione prende il sopravvento, portando a una rapida accelerazione esponenziale della malattia (crescita logistica) e alla fusione dei cluster.
• Validazione: Le simulazioni confermano che questo "switch" riproduce fedelmente la progressione clinica tipica di molte malattie neurodegenerative: un lungo periodo prodromico lento seguito da un'accelerazione rapida.

4. Contributi e Significatività

• Fondamento Fisico Unificato: Il lavoro fornisce un quadro teorico unificato che collega i parametri cinetici microscopici ($k_a, k_s$) ai pattern macroscopici osservabili nei pazienti, spiegando come diverse morfologie patologiche (distribuzione casuale, cluster densi, onde diffuse) emergano dallo stesso insieme di regole.
• Spiegazione della Progressione Clinica: Il modello offre una spiegazione fisica diretta per la caratteristica curva a "S" (sigmoide) della progressione delle malattie neurodegenerative, attribuendo la fase lenta alla nucleazione spontanea e la fase rapida alla propagazione autocatalitica.
• Implicazioni Terapeutiche: La determinazione della frazione critica $n_c$ e la distinzione tra i regimi dominanti offrono una base per stratificare le malattie e scegliere strategie terapeutiche:
  • Se la malattia è dominata da $k_a$ (autonomo), le terapie dovrebbero mirare a stabilizzare il proteoma nativo o migliorare la clearance intracellulare.
  • Se la malattia è dominata da $k_s$ (propagazione), le immunoterapie mirate ai "seeds" (semi) di aggregazione o alla trasmissione intercellulare potrebbero essere più efficaci.
• Strumento Predittivo: Il modello fornisce un toolkit quantitativo per inferire i meccanismi dominanti partendo da dati patologici statici (es. immagini di tessuto) e predire quale classe di strategie terapeutiche sia meglio allineata con i driver sottostanti di una specifica malattia.

In sintesi, questo studio supera la dicotomia tra modelli molecolari e modelli di rete, offrendo una descrizione meccanicistica rigorosa di come la patologia neurodegenerativa si origina e si diffonde nel tessuto cerebrale.