研究人员利用人工智能开发了一种名为“HistoAge”的算法，能够通过分析大脑组织的细胞组成预测死亡年龄，并揭示大脑衰老和神经退行性疾病的奥秘。该算法通过分析近700份老年脑捐赠者的数字化海马切片，以惊人的准确性预测年龄，并识别出易受年龄变化影响的脑区。HistoAge与认知障碍和阿尔茨海默病样异常表现出显著相关性，为探索神经退行性疾病的进展提供了可靠的指标。这一创新模型为理解衰老大脑提供了全新的视角，标志着解码并可能延缓加速衰老相关神经退行性疾病的重要进展。

关键发现

1. 创新的衰老预测：HistoAge算法通过分析人类脑组织样本的细胞组成，预测死亡年龄的平均准确度在5.45年以内。

2. HistoAge与神经疾病关联：基于HistoAge的年龄加速指标与认知障碍、脑血管疾病和阿尔茨海默病样蛋白聚集表现出强相关性，优于当前的DNA甲基化等年龄加速测量方法。

3. AI作为革命性工具：HistoAge不仅为评估人类样本中的衰老和神经退行性病变提供了新范式，还提供了一种可大规模应用于研究实验室的强大且无偏见的指标，有助于深入理解退行性疾病的细胞变化。

研究背景

衰老大脑经历的结构和细胞变化可能影响其功能，并增加患阿尔茨海默病等神经退行性疾病的风险。年龄加速（即生物年龄与实际年龄之间的差异）可以揭示大脑这一重要器官的机制和正常功能，同时解释与年龄相关的变化和功能衰退，并识别与疾病相关的早期变化，从而预示脑部疾病的发作。

研究方法

研究人员分析了近700份老年脑捐赠者的数字化海马切片，开发了基于组织学的脑年龄估计算法。海马体被认为与大脑衰老和年龄依赖性神经退行性疾病密切相关，因此是分析的理想区域。研究团队训练了一种机器学习模型，仅基于数字化切片预测个体的死亡年龄，这一任务对人类观察者来说几乎不可能完成。通过模型预测年龄与实际年龄之间的差异，研究人员得出了大脑的年龄加速程度。

研究结果

与当前的年龄加速测量方法（如DNA甲基化）相比，基于HistoAge的年龄加速指标与认知障碍、脑血管疾病和阿尔茨海默病样异常蛋白聚集水平表现出更强的关联。研究发现，HistoAge模型是确定大脑年龄和理解神经退行性病变驱动因素的可靠且独立的指标。

研究意义

研究人员表示，HistoAge模型及其后续类似算法代表了评估人类样本中衰老和神经退行性病变的全新范式，并可以轻松应用于临床和转化研究实验室。此外，这种方法为退行性疾病的细胞变化提供了更严谨、无偏见且强大的指标。

研究团队下一步将建立多中心合作，开发一个大型AI就绪数据集，用于开发更强大的AI模型，从而彻底改变和增强我们对脑部疾病的理解。

专家观点

• Mount Sinai的John F. Crary博士：“AI对脑研究的颠覆性影响是一种范式转变，推动我们迈向下一代治疗方法。HistoAge模型将使我们能够揭示阿尔茨海默病等严重脑疾病的关键因果因素。”

• Mount Sinai的Kurt Farrell博士：“利用AI等最新计算方法分析来自Mount Sinai庞大且多样化的人类组织样本，是我们评估人类疾病方式的转变。HistoAge模型只是AI在揭示衰老和神经退行性病变机制方面的一个例子。”

• Mount Sinai的George A. Marx博士：“这一模型为我们打开了一扇大门，使我们能够进行一系列引人入胜且至关重要的分析，从而更接近理解衰老大脑和阿尔茨海默病等年龄相关脑疾病。这是我们首次能够量化病理学中大脑的衰老程度。”

研究资助

本研究得到了美国国立卫生研究院（R01AG054008、R01NS095252、R01AG060961、R01NS086736、P30AG066514、P50AG005138、R01AG062348、U24MH100931和K01AG070326）、阿尔茨海默病研究中心（P30 AG066514）、Winspear家族阿尔茨海默病神经病理学研究中心的资助，以及Rainwater慈善基金会/Tau联盟和Stuart Katz与Jane Martin的慷慨捐赠。宾夕法尼亚大学和波士顿大学的研究人员也为本研究做出了贡献。

参考文献

Crary, J. F., et al. (2023). Histopathologic Brain Age Estimation via Multiple Instance Learning. Acta Neuropathologica.
DOI: 10.1007/s00401-023-02612-x