《npj Biomedical Innovations》：Integrated respiratory functions predict myelin status in the mouse brain
编辑推荐：
本研究针对中枢神经系统疾病中髓鞘脱失早期检测技术受限的临床难题，创新性地通过整合多参数呼吸功能数据预测小鼠脑髓鞘状态。研究人员通过全身体积描记术监测不同年龄组及铜宗诱导脱髓鞘模型小鼠的呼吸参数，结合机器学习算法分析发现，峰值呼气流速（PEFb）、呼吸频率（f）及暂停参数（PAU）等可有效区分生理性髓鞘发育与病理性脱髓鞘。该研究为无创评估脑白质完整性提供了新思路，对神经退行性疾病早期诊断具有重要转化价值。
在神经科学领域，髓鞘作为包裹神经元轴突的脂质结构，犹如电线绝缘层般保障神经信号的高速传导。髓鞘损伤不仅是多发性硬化症（MS）、阿尔茨海默病（AD）等中枢神经系统（CNS）疾病的典型病理特征，还与衰老、过度运动甚至肥胖等系统性生理状态密切相关。然而，当前临床检测髓鞘状态的金标准——正电子发射断层扫描（PET）和扩散磁共振成像（MRI），存在设备昂贵、操作复杂、需注射放射性示踪剂等局限，难以广泛应用于早期筛查。能否通过更简易的生理指标窥探大脑深处的髓鞘变化？一项发表于《npj Biomedical Innovations》的研究给出了突破性答案。
研究团队另辟蹊径，将目光投向呼吸这一受脑干及下行髓鞘化通路精密调控的生理过程。他们假设：大脑白质结构的改变可能通过神经传导效率影响呼吸模式，使得呼吸参数成为髓鞘状态的“晴雨表”。为验证这一设想，研究设计了双路径实验：一方面追踪小鼠从幼年（2周）至老年（84周）的髓鞘自然发育与衰退过程，另一方面利用铜宗（cuprizone）饲料诱导病理性脱髓鞘模型。通过免疫组化染色定量胼胝体区域髓鞘碱性蛋白（MBP）表达量，并同步采用全身体积描记术记录20余项呼吸参数，构建起髓鞘-呼吸关联数据库。
关键技术方法包括：基于时间序列的呼吸数据预处理（采用拒绝指数Rinx≤20%筛选可靠数据）、随机森林（RF）等三种机器学习算法的比较优化、以及针对年龄分组（4类）和疾病状态（2类）的分类预测模型构建。所有动物实验均遵循国家神经科学研究所伦理规范，样本量符合组间比较要求。
关联性验证：衰老相关髓鞘变化与呼吸参数
通过对不同年龄段小鼠脑切片MBP染色量化发现，髓鞘含量随年龄增长呈先升后降趋势，与既往研究一致。相关性分析显示，增强暂停（Penh）、暂停（PAU）等5项参数与MBP水平变化显著相关（Spearman相关系数|ρ|≥0.8），首次证实呼吸功能与脑髓鞘含量存在统计学关联。
预测模型构建：机器学习提升分类精度
研究进一步将时间序列呼吸数据输入支持向量机（SVM）、K近邻（KNN）和随机森林（RF）模型。特征重要性分析揭示，峰值呼气流速（PEFb）和呼吸频率（f）是区分年龄组的关键指标。三组模型在测试集上均展现良好性能（宏平均F1-score>0.8），其中RF模型在疾病模型中曲线下面积（AUC）最高达0.95，提示整合多参数可有效预测髓鞘动态变化。
病理模型拓展：呼吸参数揭示隐性脱髓鞘
在铜宗诱导的脱髓鞘模型中，尽管对照组与模型组呼吸参数均值无显著区别，但机器学习识别出暂停参数（PAU）为核心判别特征。这表明病理性脱髓鞘虽未引起明显呼吸模式改变，但通过整合分析可捕捉细微变异，突破“临床-影像学悖论”的局限。
研究结论深化了对“肺-脑轴”双向调控机制的理解：肺部不仅通过分泌因子如apelin促进髓鞘修复，其生理输出信号——呼吸模式也能反向反映中枢白质完整性。这种非侵入性评估策略为神经退行性疾病筛查提供了新范式，未来或可应用于多发性硬化症疗效评估（如克拉马斯汀remyelination疗法监测）及痴呆早期预警。尽管模型泛化能力需进一步验证，但本研究成功搭建了连接外周生理与中枢结构的桥梁，为开发低成本、可普及的脑健康监测工具奠定理论基础。
