Диагностика болезни Альцгеймера с высокой точностью с помощью моделирования сигнальных путей сетями Петри

Почему раннее выявление заболеваний мозга важно для всех нас

Болезнь Альцгеймера медленно разрушает память и утрачивает независимость, часто задолго до появления явных симптомов. Современные методы диагностики, такие как сканирование мозга и когнитивные тесты, могут быть дорогими, труднодоступными и мало чувствительными на самых ранних стадиях. В этом исследовании предложен новый способ «прочтения» молекулярной «проводки» организма по образцам крови или мозга с использованием математического аппарата — сетей Петри. Цель проста, но значима: с очень высокой точностью определить, похож ли профиль активности генов человека на профиль здорового человека или на профиль пациента с болезнью Альцгеймера — по возможности достаточно рано, чтобы повлиять на течение болезни.

Чтение болезни в сигнальных «цепях» организма

Вместо того чтобы рассматривать каждый ген как отдельный маркер, исследователи сосредотачиваются на том, как гены взаимодействуют друг с другом по известным биологическим сигнальным путям, связанным с болезнью Альцгеймера. Они начинают с курируемой карты пути из базы данных KEGG, где перечислены гены и активирующие или блокирующие отношения между ними. Этот путь преобразуется в сеть Петри — своего рода диаграмму потоков, где кружки обозначают гены, прямоугольники — взаимодействия, а маленькие токены — сигналы, движущиеся по сети. Когда токен проходит от одного конца пути к специальным «болезненным» узлам, это представляет собой цепь генетических событий, которые могут привести к гибели нейронов и деменции.

От образца крови к ответу «да» или «нет»

Метод начинается с профилей экспрессии генов: измерений, показывающих, насколько активны тысячи генов в крови или мозговой ткани человека. Сначала пользовательский «оцениватель кластеров» сравнивает новый образец с ранее помеченными образцами здоровых и больных, фокусируясь на генах, уже известных как различающиеся между этими группами. Для каждого такого гена инструмент проверяет, у каких обучающих образцов уровни экспрессии наиболее похожи, и использует подобие околоidной «системы голосования соседей», чтобы дать новому образцу начальную метку — вероятно здоровый или вероятно больной. Этот шаг формирует две рабочие группы или кластера образцов: один представляет типичные здоровые профили, другой — типичные профили при Альцгеймере.

Поиск наиболее показательных генов для каждого человека

Далее следует более персонализированный шаг. Для каждого человека метод анализирует ген за геном, чтобы увидеть, где уровни экспрессии действительно выделяются. Для каждого гена сравнивают значение человека с диапазонами, наблюдаемыми в кластере здоровых и в кластере пациентов, используя робастные статистические методы, уменьшающие влияние шумных выбросов. Если экспрессия гена явно попадает в «больной» диапазон и выходит за пределы здорового диапазона, этот ген помечается как DEG* — особенно информативный ген для данного индивида. Эти DEG* гены получают начальные токены в сети Петри, отмечая места, где аномальная активность впервые появляется в сигнальной цепи.

Развитие сети до постановки диагноза

После постановки токенов сеть Петри запускается пошагово. На каждом шаге каждое взаимодействие, у которого входные гены имеют достаточное количество токенов, «срабатывает», перемещая токены к нисходящим генам с учётом правил активации и ингибирования. Это продолжается до тех пор, пока дальнейшие перемещения невозможны. Если в конце хотя бы один токен достигает конечного «болезненного» узла сети — представляющего процессы вроде гибели нейронов или нейродегенерации — образец классифицируется как Альцгеймер; если нет — помечается как здоровый. Поскольку каждый шаг срабатывания фиксируется, исследователи могут проследить понятный путь от необычной генетической активности человека до здорового или больного исхода, вместо того чтобы опираться на непрозрачный статистический балл.

Насколько точен этот подход на практике?

Команда протестировала свою систему на нескольких крупных публичных наборах данных экспрессии генов из крови и мозговой ткани. В двух широко используемых наборах крови их метод правильно отличал пациентов с Альцгеймером от здоровых примерно в 98–99% случаев, значительно превосходя более ранние подходы машинного обучения, которые часто достигали только 65–81% точности. Они также показали высокую эффективность на дополнительных наборах данных из мозга и крови, даже когда число образцов было небольшим. Важно, что в отличие от многих конкурентов их метод не отбрасывает шумные или трудноинтерпретируемые образцы; вместо этого внутренняя конструкция позволяет обрабатывать вариабельность, сохраняя все данные в анализе.

Что это значит для будущих тестов на Альцгеймер

Для неспециалиста главное сообщение в том, что исследование превращает сложную генетику и схемы путей в ясный, пошаговый процесс принятия решений, который может выявлять ранние признаки болезни Альцгеймера по простому образцу, потенциально даже по одной крови. Моделируя то, как аномальные гены работают вместе, а не только по отдельности, подход на основе сетей Петри даёт и высокую диагностическую точность, и понятную «историю» того, как болезнь может развиваться у каждого человека. Хотя эта работа остаётся исследовательской и ещё не является клиническим тестом, она указывает на возможные будущие инструменты для более раннего обнаружения Альцгеймера, помощи в выборе лечения и, в перспективе, адаптации к другим заболеваниям мозга и раку, используя ту же основную идею.

Цитирование: Ebrahimian, H., Asadzadeh, F., Rahgozar, M. et al. Diagnosis of Alzheimer’s disease with high accuracy via Petri net modeling of signaling pathways. Sci Rep 16, 6457 (2026). https://doi.org/10.1038/s41598-026-36585-0

Ключевые слова: диагностика Альцгеймера, экспрессия генов, сигнальные пути, моделирование сетями Петри, биомаркеры в крови