“TauFlowNet：通过神经传输方程揭示Tau聚集物的传播机制“论文速读

TauFlowNet: Uncovering Propagation Mechanism of Tau Aggregates by Neural Transport Equation

摘要

1. 问题背景：

   • 阿尔茨海默病（AD）以类似朊样物质的方式在大脑中传播Tau聚集物为特征。
   • 对广泛的Tau聚集物的时空传播模式进行了分析，但研究侧重于焦点模式的变化，而非系统级理解。

2. 研究构想：

   • 将细胞间Tau病理传播视为动态系统，大脑区域与其他节点相连，同时与病理负担积累相互作用。
   • 制定基于势能传输模型的Tau传播生物过程，允许从纵向Tau-PET图像中揭示Tau传播的时空动态。

3. 方法介绍：

   • 将传输方程转化为图神经网络（GNN）的骨干，其中传播流由每个节点处Tau积累的势能驱动。
   • 引入总变差（TV）以防止流量消失，基于系统的欧拉-拉格朗日方程最大化传播流并最小化总体势能。

4. 模型设计：

   • 设计生成对抗网络（GAN）来描绘基于TV的Tau聚集物传播流，被称为TauFlowNet。

5. 实验评估：

   • 在ADNI数据集上评估TauFlowNet的预测准确性，并探索Tau聚集物随疾病进展的传播机制。

6. 结果比较：

   • 相较于当前方法，基于物理的方法产生了更准确和可解释的结果，展示了在发现新的神经生物学机制方面具有巨大潜力。

方法

图1(a)：Tau在大脑网络中的传播促进了疾病进展中Tau聚集物的积累。
图1(b)：展示了基于焦点模式变化估计Tau聚集物传播流的计算挑战的示意图。
标准摄取值比率（Standard Uptake Value Ratio，SUVR）

问题阐述

神经科学假设：我们的大脑通过高效的信息交换促进了有毒的tau蛋白快速在整个大脑中传播。要理解这种传播，必须测量tau蛋白聚集物在复杂的大脑网络中的内在信息流量（如通量和带宽）。

从机器学习的角度提出问题：
总体目标是估算时间相关的流场f(t)，表示tau传播的流动，使得xi(t + 1) = xi(t) + ΣN_j=1fij(t)，其中fij(t)代表从区域vi到vj的有向流动。如图1(b)中的示例所示，给定纵向变化x，F有许多可能的解。为了将这个问题转化为一个明确定义的问题，我们构想大脑中的每一处tau传播形成了一个独特的动态传输系统，传播流是由tau特定的势能场驱动的，其中ui(t)是对底层区域vi处tau积累xi的非线性过程φ的输出，即ui = φ(xi)。势能场驱动大脑中tau聚集物的流动，类似于重力场驱动水流。因此，tau的传播被定义为相连区域之间势能梯度。

因此，我们模型的基本见解是，传播流fij(t)被构建为tau势能场的“能量传输”过程。综合而言，我们模型的输出是动态系统的机械方程M(·)，它可以基于历史流动序列预测未来的流动。

tau在大脑中传播的运输方程：

其中q是势能u的通量（守恒量）。方程2的直觉是能量密度的变化（由区域tau SUVR x测量）导致了整个大脑的能量传输（由PEF的通量测量）。由于通量通常被定义为流动的速率，我们进一步定义能量流为qij = α · fij，其中α是一个可学习的参数，用于表征tau流fij对势能通量qij的贡献。将ut = φ(xt)和qij = α · fij代入方程2，tau传播流f的能量传输过程可以描述为：

TauFlowNet: An Explainable Deep Model Principled with TV-Based Lagrangian Mechanics

实验结果