Analytical characterisation of the Mi- and To-phases in HeMiTo dynamics: exponential growth and logistic saturation of toxic prion-like proteins

Probleemstelling

De progressie van neurodegeneratieve ziekten, zoals de ziekte van Alzheimer, wordt vaak gekenmerkt door de "prion-achtige" verspreiding van misgevouwen eiwitten. Een veelgebruikt wiskundig kader hiervoor is het heterodimeer-model, dat de interactie beschrijft tussen een gezond eiwit ($u$) en een giftig, infectieus eiwit ($v$).

In eerdere werken van de auteur (Borgqvist) werd het HeMiTo-framework geïntroduceerd, dat de dynamiek van deze systemen indeelt in drie fasen:

1. He-phase (Healthy): De concentratie van het gezonde eiwit neemt toe terwijl het giftige eiwit constant blijft.
2. Mi-phase (Mixed): Het begin van de ziekteprogressie; het giftige eiwit neemt toe ten koste van het gezonde eiwit.
3. To-phase (Toxic): Het systeem evolueert naar een giftige evenwichtstoestand.

Hoewel de He-phase analytisch was beschreven en de To-phase op basis van lineaire stabiliteit was afgeleid, ontbrak er een rigoureuze analytische karakterisering van de Mi-phase en de overgang naar de To-phase. De Mi-phase was tot nu toe alleen numeriek benaderd, waarbij waarnemingen suggereerden dat het gezonde eiwit een concaaf pad volgt en het giftige eiwit exponentieel groeit. Het doel van dit artikel is om deze gaten te dichten door exacte analytische oplossingen af te leiden voor alle fasen.

Methodologie

De auteur gebruikt een perturbatie-analyse (verstorende analyse) op een verdimensionaliseerde klasse van heterodimeer-modellen. Het model wordt gedefinieerd door de volgende gekoppelde differentiaalvergelijkingen:

$$\frac{du}{d\tau} = c_1 - c_2u - \varepsilon uvf(v)$$
$$\frac{dv}{d\tau} = \varepsilon v (uf(v) - 1)$$

Waarbij:

• $u$ en $v$ respectievelijk de concentraties van het gezonde en giftige eiwit zijn.
• $f(v)$ een algemene conversiefunctie is die het mechanisme van de specifieke ziekte bepaalt.
• $\varepsilon \in (0, 1)$ een kleine verstoringparameter is.

De methode bestaat uit het oplossen van de vergelijkingen via een asymptotische expansie in termen van $\varepsilon$:

1. Buitenoplossingen (Outer solutions): Beschrijven de dynamiek op de tijdschaal $O(1)$, corresponderend met de He-phase.
2. Binnenoplossingen (Inner solutions): Beschrijven de dynamiek op de tijdschaal $O(\varepsilon)$, corresponderend met de Mi-phase.
3. Asymptotische matching: Het koppelen van de binnen- en buitenoplossingen om een continue beschrijving te krijgen van de overgang tussen fasen.
4. Quasi-steady-state (QSS) reductie: Voor de To-phase wordt aangenomen dat het gezonde eiwit zich in een kwasi-stationaire toestand bevindt nabij het giftige evenwicht, wat leidt tot een reductie van het systeem tot een enkele vergelijking.

Belangrijkste Bijdragen en Resultaten

1. Analytische Karakterisering van de Mi-phase (Theorema 1)

De auteur leidt exacte analytische uitdrukkingen af voor de binnenoplossingen ($u_{Mi}$ en $v_{Mi}$).

• Gezonde soort ($u$): De oplossing toont aan dat de concentratie van het gezonde eiwit daalt na het bereiken van een maximum. Dit verklaart de eerder numeriek waargenomen "concaaf" gedrag.
• Giftige soort ($v$): De oplossing toont een lineaire groei in de eerste orde, maar leidt tot een cruciale ontdekking over exponentiële groei.

2. Asymptotische Matching en het Maximum van het Gezonde Eiwit (Sectie 3.2)

Door de binnen- en buitenoplossingen te matchen, wordt aangetoond dat het maximum van de concentratie van het gezonde eiwit exact overeenkomt met de waarde van de gezonde steady state (HSS), namelijk $c_1/c_2$.

• Dynamisch gezien wordt de He-phase gedreven door de vormingssnelheid ($c_1$), terwijl de Mi-phase wordt gedreven door degradatie en conversie. Het punt waar deze fasen samenkomen (de HSS-waarde) is het keerpunt waar de concentratie van $u$ begint te dalen.

3. Voorwaarde voor Exponentiële Groei (Theorema 2)

Een van de belangrijkste resultaten is de afleiding van een exacte voorwaarde waaronder het giftige eiwit exponentieel groeit tijdens de Mi-phase.

• De giftige concentratie $v_{Mi}(\tau)$ kan worden benaderd door $v_0 e^{\lambda \tau}$.
• De groeisnelheid is $\lambda = f(v_0)u_0 - 1$.
• Voorwaarde: Exponentiële groei treedt op als $u_0 > 1/f(v_0)$. Dit betekent dat de initiële concentratie van het gezonde eiwit "voldoende hoog" moet zijn om de ziekte te laten escaleren. De groeisnelheid is mechanistisch interpreteerbaar en afhankelijk van zowel de initiële conditie als de conversiefunctie.

4. Logistische Saturatie in de To-phase (Theorema 3)

Voor de To-phase, nabij de giftige steady state (TSS), wordt een quasi-steady-state benadering toegepast op het gezonde eiwit ($du/d\tau \approx 0$).

• Hierdoor reduceert het gekoppelde systeem tot een enkele differentiaalvergelijking voor het giftige eiwit.
• Dit leidt tot een logistische groeivergelijking: $\frac{dv}{d\tau} = \gamma v (1 - v/\kappa)$.
• De draagkracht $\kappa$ komt overeen met de concentratie van het giftige eiwit in de TSS.
• Conclusie: De dynamiek evolueert van exponentiële groei (ver weg van de draagkracht) naar logistische saturatie (dichtbij de draagkracht). Dit verbindt de Mi-phase (exponentieel) en To-phase (saturatie) in één coherent wiskundig kader.

Significantie en Implicaties

1. Unificatie van het HeMiTo-framework: Het artikel biedt een volledig analytisch onderbouwd beeld van de ziekteprogressie, van de gezonde fase tot de saturatie. Het verbindt de drie fasen via wiskundig strikte overgangen in plaats van alleen numerieke observaties.
2. Mechanistische Interpretatie: De resultaten geven een biologische interpretatie aan wiskundige parameters. Bijvoorbeeld, de drempelwaarde voor exponentiële groei ($u_0 > 1/f(v_0)$) geeft inzicht in welke initiële condities leiden tot ziekte-uitbarsting.
3. Fundament voor Voorspellende Modellen: De afgeleide analytische functies (exponentieel en logistisch) bieden een sterke basis voor het voorspellen van biomarker-trajecten. Dit is een verbetering ten opzichte van puur statistische modellen (zoals de sigmoidale trajecten van Jack et al.), omdat mechanistische modellen gebaseerd zijn op fundamentele biologische wetten (massawet) en beter kunnen extrapoleren buiten de waargenomen data.
4. Klinische Toepassing: De methode maakt het mogelijk om patiëntspecifieke data (zoals longitudinale metingen van p-tau) te koppelen aan het model, wat leidt tot gepersonaliseerde voorspellingen van ziekteprogressie.

Samenvattend levert dit werk een wiskundig robuuste en mechanistisch interpreteerbare beschrijving van prion-achtige eiwitdynamiek, waarbij het de overgang van gezonde homeostase naar ziekte-exponentiële groei en uiteindelijk tot saturatie volledig kwantificeert.