Simulación computacional de los mecanismos de neurodegeneración en la enfermedad de Alzheimer

Abstract

La enfermedad de Alzheimer (EA) es una de las enfermedades neurodegenerativas más comunes en los países occidentales. El aumento de la esperanza de vida en las últimas décadas junto con la mayor prevalencia de la enfermedad con la edad, hacen que sea uno de los mayores problemas en esta sociedad. A medida que la enfermedad avanza se producen cambios cognitivos, conductuales y funcionales, consecuencia del proceso de neurodegeneración progresivo. Conocer, comprender y caracterizar los mecanismos implicados en este proceso de neurodegeneración es por lo tanto de vital importancia. En este sentido, el objetivo principal de este trabajo es identificar qué mecanismos de neurodegeneración condicionan los patrones de actividad neuronal en la enfermedad de Alzheimer y determinan su evolución. Para poder caracterizar los mismos, se utilizaron dos bases de datos (BBDD) que incluían datos socio - demográficos, variables clínicas y registros de 5 minutos de actividad electroencefalográfica (EEG) espontánea. Cada BBDD estaba formada por controles cognitivamente sanos, pacientes con deterioro cognitivo leve (DCL) debido a EA y pacientes con demencia debida a EA (BBDD del Hospital Universitario Río Hortega de Valladolid: 45 controles, 69 pacientes con DCL y 82 pacientes con EA; y BBDD del proyecto POCTEP: 51 controles, 50 pacientes con DCL y 140 pacientes con EA). Los registros EEG se utilizaron para generar la red neuronal funcional de cada sujeto en base a la medida de conectividad: amplitude envelope correlation (AEC) calculada en la banda de frecuencia alfa (8-13 Hz). Las matrices de conectividad obtenidas se caracterizaron desde diversos puntos de vista: integración, segregación, regularidad y complejidad. Para ello, se emplearon los siguientes parámetros de red: coeficiente de agrupamiento, longitud de camino, densidad, entropía de Shannon y complejidad de Shannon. A partir de las matrices de conectividad y los parámetros de red se simularon varios escenarios posibles de neurodegeneración, concretamente: ataque primario de nodos, ataque secundario de nodos y ataque aleatorio de nodos. Además de los escenarios equivalentes de refuerzo de nodos. Cada escenario se simuló computacionalmente para cada transición de la enfermedad (p.ej. desde controles – grupo de partida – hasta pacientes con DCL – grupo de destino -), cuantificando la diferencia en términos del error cuadrático medio entre los parámetros de red del grupo de destino y del grupo modelado a partir del grupo de partida. Los resultados obtenidos mostraron, en ambas BBDD, que los valores promedio de los parámetros de red de controles, pacientes con DCL y enfermos de EA, procedían de distribuciones con medias estadísticamente diferentes (p<0.05, test de Kruskal – Wallis). La simulación computacional realizada permitió observar que los modelos que presentaban menor diferencia en términos del error cuadrático medio entre los parámetros de red del grupo de destino y del grupo modelado, eran el ataque primario de nodos y el refuerzo secundario de nodos. Replicándose a la X perfección los resultados en las dos BBDD empleadas. En conclusión, los resultados sugieren que el EEG puede ser una herramienta útil para caracterizar la evolución de los patrones neuronales en las diferentes fases de la EA, así como para extraer potenciales biomarcadores.