考虑时延与免疫疗法效应的非线性帕金森病模型的智能外生预测网络

《Computational Biology and Chemistry》:Intelligent Exogenous Predictive Networks for Nonlinear Parkinson's Disease Model involving Delay with Effects of Immunotherapy

【字体: 大 中 小 】 时间:2026年10月22日 来源:Computational Biology and Chemistry 3.4

编辑推荐:

   •提出非线性自回归外生网络,用于研究免疫治疗下PD的先天性和适应性免疫反应动力学。•由五类组成的时滞微分系统表示为健康神经元、受影响的神经元、胞外α-突触核蛋白、激活的小胶质细胞和激活的T细胞。•收敛曲线、误差直方图、解动力学及相应绝对误差的模拟结果证实了准确性。引言本节通过

  
  • •
    提出非线性自回归外生网络,用于研究免疫治疗下PD的先天性和适应性免疫反应动力学。
  • •
    由五类组成的时滞微分系统表示为健康神经元、受影响的神经元、胞外α-突触核蛋白、激活的小胶质细胞和激活的T细胞。
  • •
    收敛曲线、误差直方图、解动力学及相应绝对误差的模拟结果证实了准确性。

引言

本节通过重要的相关文献阐述了当前研究的背景与动机,突出了研究空白,陈述了问题,并提供了当前研究的目标与贡献。
帕金森病(PD)是一种常见的老年进行性神经退行性疾病,由多巴胺能神经元丢失引起,被认为是继阿尔茨海默病之后第二常见的疾病(Aarsland等,2021)。PD的主要症状可分为运动症状和非运动症状。常见的运动症状包括强直/僵硬、静止性震颤和运动迟缓(Kondo等,2026)。强直是指肌张力非自主性增加,导致主要关节活动阻力增大(Kalia和Lang,2015)。静止性震颤主要影响手部,并在自主动作期间减弱(Deuschl等,2011)。运动迟缓以动作启动和执行缓慢或自主动作速度降低为特征(Bologna等,2020)。主要的非运动症状包括嗅觉障碍(OI)、神经精神障碍(ND)和自主功能障碍(AD)(Radad等,2023;Wu等,2017)。嗅觉障碍是最早的非运动症状之一,指嗅觉减退或丧失。其包括嗅觉减退、嗅觉丧失和嗅觉错乱,即分别对应嗅觉部分丧失、完全丧失和嗅觉扭曲。神经精神症状包括焦虑、抑郁、睡眠障碍、疲劳和认知障碍。这些非运动症状及其在PD患者中的流行情况详见表1(Radad等,2023)。近期研究报告称,过去三十年间PD负担不断上升,尤其影响老年人群(Xu等,2021)。Xu等人(2021)的详细调查指出,人口老龄化加速凸显了通过科学研究进行早期诊断和制定更优预防策略以应对公共卫生需求的必要性。
对各类疾病的数学建模有助于我们更好地理解疾病在发展、进展及对干预措施的响应过程中的动态变化。例如,HIV感染模型(Dehghan等,2007;Asadi-Mehregan等,2023)、SIRS模型(Ahmad等,2024)、结核病模型(Malek和Hoque,2024)、癌症模型(Dehghan和Narimani,2020;Dehghan和Narimani,2018)、疟疾传播模型(Shah等,2024)、松材线虫病模型(Haringo等,2024)、COVID-19模型(Ahmad等,2022;Tegegn和Terefe,2025)、沙门氏菌传播模型(Ahmad等,2026)、乙型肝炎流行模型(Yaagoub等,2024)、丙型肝炎模型(Naik等,2024)以及肿瘤模型(Narimani和Dehghan,2022)。文献中也报道了PD的数学模型(Mukhtar等,2025a;Voorsluijs和Skupin,2025;Mukhtar等,2025b),例如PD中的胰岛素抵抗模型(Braatz和Coleman,2015)、左旋多巴运动反应建模(Ursino等,2020)、基于Hopf分岔分析的PD数学模型(Elfouly,2024)、描述PD中α-突触核蛋白聚集动力学的模型(Bharathi等,2008)、用于PD患者的脑深部刺激模型(Yu等,2020)以及PD步态动力学建模(Parakkal Unni,2022)。时滞数学模型可有效反映生物学与疾病模型(Dehghan和Salehi,2010;Al-Tuwairqi和Badrah,2023)。Al-Tuwairqi和Badrah提出了一种模型,用于反映免疫治疗下PD的先天性及适应性免疫反应动力学(IAIR-PDI)(Al-Tuwairqi和Badrah,2023)。人工智能(AI)已成为不同应用领域的重要变革性工具,包括医疗领域(Bayat等,2026;Pashapour等,2025;Haque和Siddique,2025)。已有多种AI模型被提出用于高效疾病预测(Esan等,2025;Lu等,2025),包括PD进展与预测(Jiao等,2025;Lu等,2026;Rabie和Akhloufi,2025)。然而,尽管AI驱动方法在疾病预测与诊断中展现出成熟的潜力,但尚未被用于建模IAIR-PDI的动力学。
PD仍是极具挑战性的神经系统疾病之一,因其具有复杂且进行性的本质。免疫治疗下PD的先天性及适应性免疫反应动力学(IAIR-PDI)由时滞微分方程系统描述,以考虑时间滞后的免疫相互作用。然而,在强非线性及记忆效应情况下,求解此类系统颇具挑战。本研究旨在开发一种替代模型,提出一种AI驱动的神经架构,能够准确学习时滞、延迟及非线性相互作用,以解决时滞微分系统问题。
本研究的目标包括
  • •
    探索AI驱动非线性自回归外生网络(AI-NARX-NN)在IAIR-PDI动力学建模中的潜力。
  • •
    将AI-NARX-NN求解IAIR-PDI系统的结果与传统求解器进行比较分析。
  • •
    详细探究AI-NARX-NN在IAIR-PDI中的精度与收敛性。
本研究的主要贡献与显著特点如下:
  • •
    提出AI驱动非线性自回归外生网络,用于近似免疫治疗下PD的先天性及适应性免疫反应解动力学。
  • •
    利用由五类组成的时滞微分系统,代表健康神经元、受影响的神经元、胞外α-突触核蛋白、激活的小胶质细胞和激活的T细胞。
  • •
    在主动免疫情况下,向患者接种模拟α-突触核蛋白的短抗原肽疫苗以生成抗体;而在被动免疫情况下,则直接向PD患者注射抗体疫苗。
  • •
    收敛曲线、直方图、误差相关性、解曲线及相应绝对误差的模拟结果证实了AI-NARX-NN在IAIR-PDI模型动力学建模中的准确性。
本文分为四个部分。第1节为引言部分。第2节介绍IAIR-PDI模型的数学内容,并描述AI驱动非线性自回归外生网络。第3节提供IAIR-PDI不同场景的结果与讨论,包括主动免疫和被动免疫的案例分析。第4节以结论形式总结当前研究的主要发现,并为感兴趣的读者提出一些未来研究方向。

章节片段

IAIR-PDI模型的数学公式

本节呈现用于表征神经元、胞外α-突触核蛋白与IAIR-PDI各成分之间相互作用的数学框架(Al-Tuwairqi和Badrah,2023)。IAIR-PDI模型由五类组成,分别代表健康神经元(N)、受影响的神经元(I)、胞外α-突触核蛋白(S)、激活的小胶质细胞(M)和激活的T细胞(T)的密度。假设健康神经元通过神经发生以恒定速率σ生成,并以

结果与讨论

本节对IAIR-PDI模型中的AI-NARX-NN进行了详细分析。IAIR-PDI模型分别针对主动免疫、被动免疫及无治疗三种情况展开研究,每种情况具有不同的时间延迟参数。主动免疫情况下,?1 = 0.2,?2 = 0.15,?3 = 0.15;被动免疫情况下,?1 = 0.6,?2 = 0.5,?3 = 0.5;无治疗情况下,?1 = ?2 = ?3 = 0。IAIR-PDI模型(1)-(5)中的其余参数选自R0 > 1的情形。对于

结论与未来工作

本节通过总结性评述概述了当前研究的主要发现。此外,还为希望深入研究该领域的读者提供了若干未来研究方向。以下为上一节详细模拟研究得出的结论:
本研究提出了一种AI驱动非线性自回归外生神经网络(AI-NARX-NN),用于分析免疫治疗下PD的先天性/适应性免疫反应(IAIR-PDI)。

CRediT作者贡献声明

Iqra I. Chaudhary:撰写—审阅与编辑,可视化。Muhammad Asif Zahoor Raja:撰写—审阅与编辑,方法论。Naveed Ishtiaq Chaudhary:撰写—审阅与编辑,验证,概念化。Aqib Mukhtar:撰写—初稿,形式化分析。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。
Naveed Ishtiaq Chaudhary|Aqib Mukhtar|Iqra I. Chaudhary|Muhammad Asif Zahoor Raja
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号