AIと神経難病・神経免疫疾患 ── 基礎(総論) ── 2026-11-12
神経変性・神経免疫の基礎研究の進展とAI
- Multi-dimensional signal exploration on the effect of tremor interventions抄録(全訳)
背景:振戦の時系列解析では、これまで機械学習は主に振戦の病型を見分けるのに使われてきた。同じ解析手法は、治療介入を調べるのにも使える。治療介入の効果は従来、振戦の振幅がどれだけ変わったかで評価されてきた。この評価では、信号の細かな変化を見落とすおそれがある。特徴量ベースの機械学習を使えば、治療介入による振戦信号の変化をはるかに細かく調べられる可能性がある。
目的:振戦を変化させる介入に伴い、時系列信号が多次元でどう変わるかを調べる。あわせて、複数の振戦病態を比べ、介入どうしで共通するパターンと介入ごとに異なるパターンを特定する。 方法内訳は次のとおりである。本態性振戦(ET)の患者は、プロプラノロール群が 13 人、脳深部刺激療法(DBS)群が 10 人である。パーキンソン病(PD)ではレボドパ 23 人。増強生理的振戦(ePT)ではカフェイン 20 人。全員を治療 OFF と治療 ON の状態で評価した。測定には高解像度の 3 軸加速度計を用いた。生の記録からは、既存の振戦指標に加え、高度な時系列特徴量も抽出した。介入に関連する変化を検出するため、機械学習(ML)手法を適用した。手法にはアンサンブル分類や主成分分析(PCA)を含めた。
結果:どのコホートでも、臨床評価と信号の両方で有意な介入効果がみられた。振戦の抑制が最も強かったのは、ET での DBS 後であった。ePT では、予想どおりカフェイン後に振戦が増強した。治療介入の後は、振幅に関する特徴量が一貫して低下した。PD のドパミン補充療法では、これに加えて周波数に関する特徴にも変化がみられた。カフェインによる振戦の変化は、ほかとはっきり区別される多次元の信号パターンを示した。一方、治療介入どうしの効果は部分的に重なっていた。すべての介入に共通して、振戦の調節がうまくいったことを一貫して示す単一の特徴量はなかった。
結論:特徴量ベースの ML を使うと、従来の指標では見えない、介入ごとに特有の振戦パターンが分かる。この結果は、データ駆動で振戦を客観的に特徴づける手法を支持する。
掲載誌の IF 相当:3.7(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Köhler L, Müller J, Chen YS, Selzam V, Häring V, Volkmann J, et al. Multi-dimensional signal exploration on the effect of tremor interventions. Front Neurol. 2026 Nov 10;17:1954245. doi:10.3389/fneur.2026.1954245.確認の範囲:抄録のみ確認 - Leveraging Deep Learning to Reveal Fine-Scale In Vivo Mitochondrial Dynamics and Axonal Transport.抄録(全訳)
軸索内のミトコンドリア輸送は、神経細胞の機能と生存に欠かせない。輸送の障害は、複数の神経変性疾患で早い段階から現れる病理学的特徴として、注目が高まっている。それでも、ミトコンドリア輸送の動態を定量的に解析するのはまだ難しい。運動のパターンが複雑で不均一なうえ、手間のかかる手作業の追跡に頼っているためである。
本研究では、深層学習を用いてミトコンドリアの軸索輸送を半自動で定量する枠組みを示す。対象には、研究で広く使われているショウジョウバエの神経系を用いた。生体内の個々の軸索をタイムラプス共焦点イメージングで撮影した。そのうえで、変位や速度などの輸送パラメータを網羅的に検証した。さらに、この手法が専門家による測定値をどこまで再現できるかを評価した。さらに、この手法で従来の手作業による追跡の限界を克服できる可能性も検討した。
特に、この枠組みを使うと、輸送中の動的なふるまいを詳しく記述できる。たとえば、個々のミトコンドリアのシグナル強度の変動や、それと同時に起こる形態変化を捉えられる。これらの変化は、従来の手法では見分けにくかったミトコンドリアの生理的な状態を反映している可能性がある。
以上から、軸索輸送を次世代の手法で解析できることが確かめられた。この手法により、これまで捉えられなかったミトコンドリア動態の側面を明らかにできる可能性がある。この手法は、神経変性疾患モデルで生体内のミトコンドリア輸送障害を調べるための、拡張性があり客観的な枠組みとなる。
掲載誌の IF 相当:6.2(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Park JY, Chae M, Sung H. Leveraging Deep Learning to Reveal Fine-Scale In Vivo Mitochondrial Dynamics and Axonal Transport. Yale J Biol Med. 2026 Nov 4;99(3):558-75. doi:10.59249/zsdt8892.確認の範囲:抄録のみ確認