科學(xué)家們利用了一個(gè)強大的工具來(lái)更好地了解晚發(fā)型阿爾茨海默癥的發(fā)展過(guò)程，并識別其最初的生理跡象。研究人員使用包括磁共振成像（MRI）和正電子發(fā)射斷層掃描（PET）在內的多種技術(shù)，對處于阿爾茨海默癥不同階段的1171名病人的7700多張腦成像進(jìn)行了分析。

　　該研究使用多種成像技術(shù)在腦部包括所有灰質(zhì)在內的78個(gè)區域上測量淀粉樣蛋白的濃度、葡萄糖代謝、腦血流量、功能活性和腦萎縮。

　　蒙特利爾神經(jīng)學(xué)研究所和醫院的科學(xué)家們利用了一個(gè)強大的工具來(lái)更好地了解晚發(fā)型阿爾茨海默癥（late-onsetAlzheimer'sdisease，LOAD）的發(fā)展過(guò)程，并識別其最初的生理跡象。

　　在神經(jīng)內科、神經(jīng)外科和生物醫學(xué)工程學(xué)教授艾倫·埃文斯博士（Dr.AlanEvans）的領(lǐng)導下，研究人員使用包括磁共振成像（MRI）和正電子發(fā)射斷層掃描（PET）在內的多種技術(shù)，對處于阿爾茨海默癥不同階段的1171名病人的7700多張腦成像進(jìn)行了分析。血液和腦脊髓液，以及受試者的認知水平也在分析范圍內。

　　研究人員發(fā)現，與以前的認識相反，阿爾茨海默癥的最初生理標志是大腦血流量減少，而淀粉樣蛋白增加曾被認為是阿爾茨海默癥最早的可檢測標志。雖然淀粉樣蛋白確實(shí)發(fā)揮了作用，但本研究發(fā)現血流量的變化是目前已知的阿爾茨海默癥最早的預兆。研究還發(fā)現，在病程發(fā)展中認知的變化比以前認為開(kāi)始的要早。

　　晚發(fā)型阿爾茨海默癥（LOAD）是一種極其復雜的疾病，但對它的了解也同樣重要。它不是由一個(gè)神經(jīng)機制引起，而是大腦中的多個(gè)相關(guān)機制共同造成的結果。LOAD是人類(lèi)癡呆的最常見(jiàn)的原因，了解其各種機制之間相互作用的過(guò)程對發(fā)展治療方法至關(guān)重要。

　　過(guò)去關(guān)于構成LOAD的各種機制的研究均在范圍上受到限制，并不能夠提供這種復雜疾病的全貌。此項于6月21日發(fā)表在《自然通訊（NatureCommunications）》雜志的研究，分解了大腦中78個(gè)區域里的淀粉樣蛋白濃度，葡萄糖代謝，腦血流，功能活動(dòng)和腦萎縮的格局因素，涵蓋了所有的灰質(zhì)。

　　蒙特利爾神經(jīng)學(xué)研究所（MNI）的博士后研究員，同時(shí)是此論文的第一作者YasserIturriaMedina說(shuō)：“缺乏對于LOAD的病理以及其多因素機制的綜合理解，是開(kāi)發(fā)有效的病癥緩解性治療藥物的關(guān)鍵障礙。”

　　數據驅動(dòng)在神經(jīng)學(xué)中變得越來(lái)越重要

　　利用過(guò)去30年期間每個(gè)病人的數據，每個(gè)生物因子的軌跡都被記錄下來(lái)。然后，將該過(guò)程重復500次，以提高的預測的耐變性和結果的穩定性。

　　編譯和分析數據花費了成千上萬(wàn)個(gè)小時(shí)的計算時(shí)間，如果沒(méi)有復雜的軟件和千兆字節的硬盤(pán)空間，這一切是辦不到的。Evans介紹說(shuō)，這種數據驅動(dòng)的方法在神經(jīng)學(xué)中正變得越來(lái)越重要。

　　“我們有很多方法來(lái)獲取有關(guān)大腦的數據，但你應該如何利用這些數據呢？”他說(shuō)，“神經(jīng)學(xué)正被整合并理解所有這些信息的能力所限制。這就造成了復雜的數學(xué)和統計挑戰，不過(guò)這也是大腦臨床研究的未來(lái)所在。”

　　這項研究還強調跨機構共享數據的重要性，稱(chēng)為開(kāi)放科學(xué)模型。這項研究的病人數據來(lái)自阿爾茨海默癥神經(jīng)影像學(xué)計劃（ADNI），這是一個(gè)由來(lái)自加拿大和美國的30多個(gè)機構組成的合作項目。因為數據還沒(méi)有公開(kāi)，所以我們并不知道這對LOAD研究會(huì )有什么樣的幫助。Evans指出他的這篇論文只是以ADNI數據為基礎而發(fā)表的幾百篇論文中的一篇。

　　他說(shuō):“我這項研究本身只是論證了ADNI數據的有效性。并且我相信付出總是有回報的，我們利用他人的數據進(jìn)行研究，同時(shí)貢獻我們自己的數據。”

　　這篇論文是阿爾茨海默癥研究領(lǐng)域至今為止發(fā)表的最全面的一篇文章。Evans說(shuō)他將把這項研究繼續進(jìn)行下去，不僅僅是記錄所觀(guān)測到的數據，而且還要找到LOAD各種機理的根本原因，這有可能是找到更好的醫療手段的關(guān)鍵所在。這項研究現在唯一的瓶頸就是計算機對大數據的處理能力到底有多強。

　　Evans說(shuō)道：“這是一項在計算機領(lǐng)域和數學(xué)領(lǐng)域遠遠超出我們現在的能力的一項挑戰。我們進(jìn)一步的目標是建立LOAD各種致病因素的因果模型，但是這需要非常強大的計算能力。我們的工作是準備好我們的軟件、算法以及數據，并等待相關(guān)硬件的開(kāi)發(fā)。”

　　Medina指出：“我們依然非常需要以數據為導向的綜合一體化研究方法，不僅僅考慮所有的生物因素，同時(shí)說(shuō)明各個(gè)因素之間的關(guān)系。沒(méi)有這些的話(huà)，行之有效的治療手段只會(huì )是一場(chǎng)空談，并且我們將依然在黑暗中前行。”