Continuous amyloid staging complements global amyloid burden in early Alzheimer's disease

Ziekte van Alzheimer begint haar werk lang voordat een persoon een naam vergeet of verdwaalt in een bekende straat. Decennia voordat deze duidelijke tekenen verschijnen, begint een plakkerig eiwit genaamd amyloïd zich in de hersenen samen te klonteren. Wetenschappers kunnen deze klontjes zien met behulp van een speciale camera, een PET-scanner, die foto's maakt van de chemie in de hersenen. Een lange tijd hebben onderzoekers gemeten hoeveel van dit eiwit aanwezig is door het gemiddelde over de gehele hersenen te berekenen, wat een enkel getal oplevert dat de totale belasting vertegenwoordigt. Deze globale maatstaf is nuttig, maar heeft een blinde vlek. In de zeer vroegste stadia van de ziekte kan het eiwit zich namelijk slechts verzamelen in een paar kleine, specifieke buurten in de hersenen. Als je het gemiddelde over de hele hersenen neemt, kunnen die kleine, vroege veranderingen verloren gaan in de ruis, waardoor het moeilijk is om precies te bepalen hoe ver de ziekte is gevorderd of wie er als volgende een risico loopt.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om naar deze hersenscans te kijken die deze vroege, subtiele activiteit vastlegt. In plaats van alleen het totale aantal eiwit te tellen, hebben ze een systeem gecreëerd dat de specifieke patronen van waar het eiwit zich bevindt, in kaart brengt. Door een computer te trainen om de volgorde te herkennen waarin deze patronen in de loop van de tijd verschijnen, bouwden ze een instrument dat een persoon op een continue schaal van ziekteprogressie kan plaatsen. Deze nieuwe methode, die ze DAPS noemen, doet meer dan alleen bevestigen dat amyloïd aanwezig is; het onthult hoe de ziekte zich door de hersenen beweegt, zelfs wanneer de totale hoeveelheid eiwit onveranderd lijkt. De onderzoekers ontdekten dat deze nieuwe schaal kan voorspellen wie sneller het geheugen zal verliezen, zelfs onder mensen die exact dezelfde totale hoeveelheid amyloïd in hun hersenen hebben.

De studie begon met gegevens van duizenden mensen die gedurende meerdere jaren hersenscans hadden ondergaan. De onderzoekers gebruikten een type kunstmatige intelligentie dat zichzelf leert, zonder te worden verteld wie de ziekte heeft of wie niet. Ze voedden de computer met duizenden hersenbeelden die de verdeling van het amyloïdeiwit over zesentachtig verschillende regio's van de cortex lieten zien. De taak van de computer was om deze complexe kaart van zesentachtig regio's te comprimeren tot één enkel getal dat een stadium van de ziekte vertegenwoordigt. Om er zeker van te zijn dat dit getal in de loop van de tijd zinvol bleef, leerden de onderzoekers de computer een eenvoudige regel: als een persoon jaren later terugkomt voor een tweede scan, moet het stadium van de ziekte getal gelijk blijven of toenemen, nooit afnemen. Dit zorgde ervoor dat het hulpmiddel de natuurlijke loop van de tijd en de progressie van de ziekte respecteerde.

Toen de onderzoekers dit nieuwe hulpmiddel testten, bleek het veel beter in staat om de tijdlijn recht te houden dan eerdere methoden. Oudere benaderingen gaven een persoon soms een lager stadiumnummer bij een latere scan dan bij een eerdere scan, wat in strijd is met hoe de ziekte werkt. Het nieuwe systeem vermeed deze fouten bijna volledig, waardoor een vloeiend, logisch pad ontstond dat overeenkwam met de werkelijke volgorde van de bezoeken. Belangrijker nog, de onderzoekers ontdekten dat deze nieuwe schaal informatie bood die de oude globale telling miste. Ze vonden een specifiek punt op hun schaal waar de relatie tussen het patroon van de ziekte en de totale hoeveelheid eiwit veranderde. Vóór dit punt was het patroon van amyloïd aan het verschuiven en werd het georganiseerder in specifieke gebieden, zelfs terwijl de totale hoeveelheid eiwit in de hersenen relatief stabiel bleef. Na dit punt begonnen de totale hoeveelheid eiwit en het patroon van de ziekte samen te stijgen.

Dit onderscheid bleek cruciaal voor het begrijpen van het risico. De onderzoekers namen twee groepen mensen die aan het begin van de studie exact dezelfde totale hoeveelheid amyloïd in hun hersenen hadden. Eén groep bevond zich in het vroege stadium van de nieuwe patroongebaseerde schaal, en de andere groep in het latere stadium. Hoewel hun totale eiwitconcentraties identiek waren, begonnen de mensen in het latere stadium van de patroonschaal hun geheugen veel sneller te verliezen dan de mensen in het vroege stadium. Deze bevinding bleek stand te houden in twee verschillende grote groepen mensen, inclusief een aparte groep deelnemers die aan het begin allemaal cognitief gezond waren. Het hulpmiddel slaagde erin te identificeren welke individuen op een steilere weg naar achteruitgang zaten, simpelweg door te kijken naar de vorm van de amyloïdverdeling in plaats van alleen naar het totale volume.

De onderzoekers keken ook nauwgezet naar welke delen van de hersenen verantwoordelijk waren voor deze vroege veranderingen. Ze ontdekten dat de regio's die het meest verantwoordelijk waren voor de verschuiving in het vroege stadium de precuneus en de posterieure cingulate waren, gebieden diep in het midden en achterin de hersenen. Dit zijn dezelfde gebieden waar andere studies hebben geïdentificeerd als de eerste plaatsen waar amyloïd de neiging heeft zich te verzamelen. Dit suggereert dat het nieuwe hulpmiddel niet alleen een wiskundige truc is, maar een reflectie van het werkelijke biologische proces van de ziekte. Door te focussen op de ruimtelijke ordening van het eiwit, kan het systeem de voetsporen van de ziekte detecteren voordat ze groot genoeg zijn om het algemene gemiddelde te veranderen.

De implicaties van dit werk zijn aanzienlijk voor de manier waarop we Alzheimer in de toekomst kunnen bestuderen en behandelen. Omdat het hulpmiddel mensen kan identificeren die sneller achteruitgaan, zelfs wanneer hun totale amyloïdgehalten er vergelijkbaar uitzien, zou het wetenschappers kunnen helpen bij het selecteren van de juiste deelnemers voor klinische studies. In plaats van iedereen met hetzelfde totale eiwitgehalte bij elkaar te groeperen, kunnen onderzoekers deze nieuwe schaal gebruiken om degenen te vinden die het hoogste risico op achteruitgang lopen. Dit zou het gemakkelijker kunnen maken om te zien of een behandeling werkt, vooral in de vroegste fasen van de ziekte wanneer veranderingen subtiel zijn. De onderzoekers merken op dat hoewel hun hulpmiddel is gebouwd met een specifiek type hersenscan, de logica erachter — kijken naar patronen in plaats van alleen naar totalen — ook kan worden toegepast op andere manieren om de ziekte te meten. Het werk suggereert dat om de ziekte van Alzheimer echt te begrijpen, we niet alleen moeten kijken naar hoeveel er is, maar precies waar het naartoe gaat.