Spreading of pathological proteins through brain networks: a case study for Alzheimers disease

Resumo Técnico: Propagação de Proteínas Patológicas através de Redes Cerebrais

1. O Problema
A Doença de Alzheimer (DA) é um distúrbio neurodegenerativo complexo e incurável, caracterizado pela agregação anormal de duas proteínas principais: a beta-amiloide (Aβ) e a tau (τ). Embora a Aβ forme placas e a τ forme emaranhados neurofibrilares (NFTs), elas não se espalham uniformemente pelo cérebro, seguindo padrões espaço-temporais distintos.

• Aβ: Propaga-se por curtas distâncias no espaço extracelular.
• τ: Propaga-se por longas distâncias no espaço intracelular, seguindo conexões neuronais (mecanismo semelhante a príons).
  O desafio central é modelar matematicamente essa dinâmica de propagação, considerando a interação sinérgica entre as duas proteínas, e validar esses modelos contra dados clínicos reais para entender a progressão da doença e testar hipóteses terapêuticas.

2. Metodologia
Os autores desenvolveram um modelo matemático baseado em redes (grafos) para simular a evolução das concentrações de Aβ e τ.

• Estrutura da Rede (Connectoma):

  • Utilizaram o Budapest Reference Connectome v3.0, um grafo ponderado derivado de imagens de ressonância magnética (DTI) de 477 sujeitos saudáveis.
  • Para a Aβ: Criaram um "grafo de proximidade intrínseca" (intrinsic proximity graph), conectando vértices apenas se a distância intrínseca (comprimento das fibras) fosse inferior a um limiar. Isso reflete a propagação de curto alcance.
  • Para a τ: Utilizaram um "connectoma cumulativo" (cumulative connectome). Neste grafo, dois vértices são conectados se existir pelo menos um caminho entre eles abaixo de um limiar de comprimento. O peso da aresta é a soma dos comprimentos de todos os caminhos admissíveis. Isso captura a natureza de longo alcance e a redundância de conexões axonais.

• Equações Diferenciais:

  • O sistema de equações (II.1) modela a dinâmica de monômeros, dímeros e placas de Aβ (dinâmica rápida) e a evolução da τ tóxica (dinâmica lenta).
  • Inclui termos de difusão, agregação, limpeza (clearance) e uma fonte de τ localizada no córtex entorrinal.
  • Interação: A concentração de Aβ tóxica acima de um limiar atua como fonte para a produção de τ.

• Operadores de Propagação:

  • Para a Aβ: Usaram o Laplaciano do grafo de proximidade intrínseca.
  • Para a τ: Compararam dois operadores matemáticos:
    1. Difusão: Laplaciano do grafo no connectoma cumulativo.
    2. Convolução: Um operador de convolução no grafo estrutural, utilizando a Transformada de Fourier em Grafos. O núcleo (kernel) da convolução foi uma novidade deste trabalho: um núcleo cumulativo que pondera a conectividade baseada na soma de todos os caminhos possíveis entre regiões, não apenas no caminho mais curto.

• Validação Clínica:

  • Os dados clínicos foram obtidos do banco de dados ADNI (261 participantes: 238 controles cognitivos e 23 com DA).
  • Utilizaram imagens PET com traçador [18F]-AV1451 para quantificar a concentração de τ em 83 regiões de interesse (ROIs).
  • Identificaram 29 ROIs com diferenças estatisticamente significativas entre grupos.
  • Métrica de Avaliação: Criaram um "padrão de deterioração clínica" (clinical deterioration pattern), uma string ordenada que representa a hierarquia de concentração de τ nas redes cerebrais (Temporal, Frontal, Occipital, Límbica, Sensoriomotora). Compararam a string gerada pelo modelo com a string clínica usando a Distância de Hamming (número de discrepâncias).

3. Contribuições Principais

• Novo Kernel de Convolução: Introdução de um núcleo de convolução "cumulativo" que integra a força de todas as conexões anatômicas (diretas e indiretas) entre regiões cerebrais, capturando a geometria intrínseca do cérebro de forma mais fiel do que kernels baseados apenas em distâncias de caminho mais curto.
• Validação Rigorosa: Expansão da análise de 6 para 10 ROIs significativas, permitindo uma validação mais robusta e detalhada dos modelos.
• Descoberta de Complementariedade: Demonstração de que não existe um único modelo universal; a escolha da topologia do grafo e do operador matemático deve ser específica para o fenômeno biológico e o conjunto de dados clínicos analisado.

4. Resultados
As simulações numéricas revelaram resultados cruciais sobre a sensibilidade do modelo à escolha da topologia e do operador:

• Cenário com 6 ROIs (Padrão TLOS):
  • O operador de Difusão no Connectoma Cumulativo e o operador de Convolução no grafo estrutural com pesos baseados na razão (número/longitud) conseguiram reproduzir perfeitamente o padrão clínico (Distância de Hamming = 0).
• Cenário com 10 ROIs (Padrão TFOLS):
  • Os mesmos modelos acima falharam em reproduzir o padrão expandido.
  • Apenas o operador de Convolução no grafo estrutural com pesos baseados no comprimento das fibras (Gl), utilizando o novo kernel cumulativo, conseguiu reproduzir o padrão clínico TFOLS com precisão (Distância de Hamming = 0).
• Falha de Abordagens Alternativas: Modelos que usaram apenas caminhos mais curtos (sem a natureza cumulativa) ou difusão em grafos estruturais padrão falharam em ambos os cenários, gerando padrões de deterioração incorretos.

5. Significado e Conclusão
O estudo conclui que a precisão na modelagem matemática de patologias complexas como o Alzheimer depende criticamente de duas escolhas:

1. A topologia do grafo deve refletir a geometria intrínseca do fenômeno (ex: conectividade cumulativa para propagação de longo alcance da τ).
2. O operador matemático (difusão vs. convolução) e seu núcleo devem ser "intrínsecos" a essa geometria.

A principal descoberta é que diferentes configurações de dados clínicos (número de ROIs) podem exigir diferentes estruturas de modelo para obter a melhor correspondência. O uso do kernel cumulativo mostrou-se decisivo para melhorar a correspondência com dados clínicos em comparação com trabalhos anteriores, validando a hipótese de que a propagação da proteína tau depende da integração de múltiplos caminhos anatômicos, e não apenas de conexões diretas ou distâncias geodésicas simples. Este trabalho fornece uma estrutura robusta para futuros testes de hipóteses terapêuticas e validação de modelos de doenças neurodegenerativas.