Может ли модель моделей помочь разобраться в болезни Альцгеймера?

Двум людям могут поставить диагноз «болезнь Альцгеймера», но при этом они будут сталкиваться с совершенно разными проблемами. Один может испытывать прежде всего трудности с памятью, другой — с подбором слов или ориентацией в знакомых местах. Их снимки мозга, генетические особенности и другие заболевания тоже могут различаться. Для исследователей, пытающихся предсказать дальнейшее развитие болезни, одного диагноза недостаточно, чтобы многое объяснить.

Обзор, подготовленный под руководством исследователей из Hebrew University of Jerusalem, предлагает вычислительный подход, который поможет лучше понять эти различия. Вместо поиска единой модели, объясняющей состояние каждого пациента, команда описывает метамоделирование: объединение специализированных моделей, отражающих разные аспекты заболевания, для создания более подробного индивидуального профиля.

Статья Болезнь Альцгеймера в эпоху вычислительных методов: от детерминированного заболевания к многогранному расстройству опубликована в журнале Brain 30 июля 2026 года. Среди ее авторов — Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall и Shahar Arzy; они представляют Hebrew University, Hadassah Medical Center, Lausanne University Hospital и больницы, связанные с Гарвардом.

Это предложение для будущих исследований, а не проверенная диагностическая система или доказанный метод лечения. Его значение связано с другим вопросом: могут ли вычислительные методы превратить множество разрозненных данных о болезни Альцгеймера в объяснения и прогнозы, полезные для конкретного человека?

Почему один диагноз может скрывать важные различия

В сообщении университета подчеркивается, что при болезни Альцгеймера могут сочетаться различные когнитивные симптомы, изменения мозга, биологические процессы, генетические особенности и факторы риска. Нарушение памяти — лишь часть общей картины. Также могут пострадать ориентация, речь, поведение, зрительное восприятие и исполнительные функции.

Биологическая картина также не ограничивается амилоидом и тау-белком — двумя белками, наиболее тесно связанными с заболеванием. Исследователи считают, что наряду с ними следует учитывать воспалительные, сосудистые, метаболические и другие процессы. Цель — понять, как эти факторы сочетаются у конкретного человека, а не предполагать, что у всех людей с одинаковым диагнозом болезнь протекает одинаково.

В пресс-релизе Arzy описывает главную задачу как необходимость понять особое сочетание биологических и когнитивных изменений у каждого пациента. Более полный профиль может объединить результаты когнитивных и поведенческих обследований с данными визуализации, биомаркерами, генетическими и молекулярными измерениями, а также наблюдениями, собранными с течением времени.

Это сложная задача по интеграции данных. Снимок мозга, показатель генетического риска и сведения об изменениях повседневных навыков описывают разные стороны состояния. Собрать их в одной базе данных — лишь первый шаг; гораздо труднее объяснить, как они связаны между собой.

Как работает модель моделей

Предлагаемая байесовская система начинается с частичных моделей, описывающих отдельные стороны заболевания. Каждую из них преобразуют в вероятностный суррогат — представление связей между значимыми входными и выходными данными и параметрами. Затем эти представления объединяет связующий слой, который сопоставляет общие переменные, например стадию заболевания или скорость его прогрессирования.

Если говорить проще, этот подход дает отдельным моделям общий математический язык. Модели визуализации и когнитивных функций могут вносить данные в одну и ту же оценку состояния пациента, сохраняя при этом собственную структуру. Среди предполагаемых результатов — индивидуальные траектории развития болезни, группы пациентов и сравнение прогнозируемых исходов при наличии вмешательства и без него.

В статье также допускается одновременное использование конкурирующих вариантов моделей и их сопоставление с данными. Это важно в области, где исследователи могут расходиться во мнениях о том, какие механизмы влияют сильнее всего. Однако смоделированные эффекты вмешательства останутся гипотезами, которые необходимо проверить: изменение параметра в симуляции не доказывает, что лечение поможет пациенту.

Вычислительная задача не сводится к поиску закономерностей

Для аудитории, интересующейся ИИ, важно различать выявление связи и создание объяснения, способного выдержать критическую проверку. Система может обнаружить, что два показателя меняются одновременно, но не показать, улучшится ли один из них при изменении другого. Для персонализированного лечения недостаточно убедительного прогноза.

Поэтому в предложении о метамоделировании особенно важна связь между данными и допущениями. Если одна из моделей ненадежна, объединение ее с другими моделями не исправит ее автоматически. Более сложная система может породить и более сложную ошибку, если исследователи не будут тщательно проверять ее компоненты и совокупные прогнозы.

Эта работа также отражает междисциплинарный характер исследовательской группы Hebrew University. В профиле университета сказано, что в команду входят нейробиологи, клиницисты и специалисты по информатике, изучающие взаимодействие людей с окружающей средой; особое внимание они уделяют болезни Альцгеймера. Такой подход помогает понять, почему в предложенной модели повседневный когнитивный опыт рассматривается наряду с биологическими показателями.

Как это может повлиять на исследования и клинические испытания

Если такую интегрированную модель удастся разработать и проверить, она может помочь исследователям выявлять пациентов, у которых заболевание обусловлено сходным сочетанием процессов. Это позволит точнее формировать группы участников клинических исследований и поможет определить, на какие механизмы воздействовать у тех или иных участников.

Кроме того, с ее помощью можно будет рассматривать прогрессирование заболевания с учетом индивидуальных особенностей. Вместо того чтобы выяснять лишь, как меняется состояние среднего пациента, исследователи смогут изучать, как со временем взаимосвязаны симптомы, биомаркеры и факторы риска у конкретного человека. Наблюдение за пациентами в динамике позволит сопоставлять прогнозы с тем, что происходит в действительности.

Университет описывает и другое возможное применение: сравнение смоделированных траекторий развития заболевания при наличии и отсутствии вмешательства. Такое сравнение может помочь расставить приоритеты в исследовательских вопросах до проведения дорогостоящих исследований. Его следует рассматривать как оценку, полученную на основе модели, с явным указанием неопределенности и допущений, а не как доказательство эффективности вмешательства.

Программа исследований: впереди еще большая работа

Предложение авторов зависит от наличия более крупных и разнообразных наборов данных, многократной проверки и сотрудничества в сообществе исследователей болезни Альцгеймера. Эти условия лежат в основе самой идеи. Подробный профиль пациента полезен лишь в том случае, если исходные данные надежны, а прогнозы подтверждаются не только на людях и наборах данных, использованных для создания модели.

Есть и практический вопрос: какую пользу дает дополнительная сложность. Исследователям нужно будет показать, что объединение моделей достаточно эффективно улучшает решение важной задачи — например, прогнозирование прогрессирования заболевания или выявление значимой подгруппы пациентов, — чтобы оправдать дополнительные затраты на сбор данных и моделирование.

Непосредственный вклад этой работы — не клинический продукт, а концепция объединения исследований. Ее потенциал заключается в том, что вычислительные методы могут помочь объяснить различия между пациентами, которые иначе оставались бы нераскрытыми за одним диагностическим ярлыком. Приведет ли это к более эффективным решениям, будет зависеть от того, какие доказательства удастся получить.