Die Alzheimerkrankheit (AD) ist eine fortschreitende neurodegenerative Störung, die zunehmend mit peripheren Entzündungszuständen wie chronischer Parodontitis (CP) in Verbindung gebracht wird; die molekularen Mechanismen, die diese Zustände verbinden, sind jedoch nur schlecht verstanden. Hier untersuchten wir die therapeutischen Wirkungen des Huanglian Jiedu Dekokts (HLJDD) auf CP-induzierte AD unter Verwendung eines integrativen maschinellen Lernansatzes mit Multi-Omics. Die Analyse öffentlicher RNA-Sequenzierungsdaten einzelner Zellen ergab eine ausgeprägte entzündliche Aktivierung in Mikroglia aus AD-Proben. Zudem etablierten wir ein CP-induziertes AD-Rattenmodell und führten eine transkriptomische Profilierung des Hippocampus durch. Mehrere komplementäre Strategien des maschinellen Lernens, einschließlich der Merkmalsauswahl basierend auf Random Forest, der Verfeinerung mittels Support Vector Machines, Netzwerkmodellierung und interpretierbarer Modellanalyse, wurden angewendet, um krankheitsrelevante Signalwege aus hochdimensionalen transkriptomischen Daten zu priorisieren. In den Modellen zeigten Komponenten des cGAS–STING-Signalwegs konsistent starke und richtungsweisende Beiträge zur CP–AD-Pathologie, was auf eine zentrale entzündliche Achse hinweist, die periphere Infektionen mit Neurodegeneration verknüpft. Geleitet von diesen datengestützten Erkenntnissen zeigten In-vivo- und In-vitro-Experimente, dass HLJDD die cGAS–STING-Aktivierung unterdrückte, Neuroinflammation verringerte und die kognitive Funktion in CP-induzierten AD-Modellen verbesserte. Zusammenfassend hebt diese Studie den Wert der maschinellen Lernunterstützung bei der transkriptomischen Interpretation für die mechanistische Priorisierung hervor und identifiziert HLJDD als eine Multizieltherapeutik für CP-induziertes AD.
Li et al. (Fri,) untersuchten diese Frage.