在帕金森病（PD）、多系统萎缩（MSA）等突触核蛋白病的研究中，组织病理学仍是评估神经元丢失、α‑突触核蛋白聚集和神经炎症的「金标准」。然而，传统分析依赖人工逐视野标注：一名熟练技术员完成一只小鼠的全脑分析需要数天，且不同研究者之间的判读差异可高达 15～20%。这不仅限制了样本量，也影响了跨实验室的可重复性。近期发表于 Nature 子刊 npj Parkinson’s Disease 的一项研究[1]，对这一传统流程进行了系统性重构。作者基于卷积神经网络（CNN）构建了一套自动化分析框架，实现了对小鼠脑组织在全脑尺度、细胞分辨率下的病理识别与定量，大幅提升了效率与标准化水平。

这一工作不仅是一次技术升级，更反映出帕金森病研究正在从「人工经验驱动」，转向「模型—数据—算法协同驱动」的新阶段。

与仅依赖单一模型的研究不同，该研究同时使用了三种 α‑synuclein 相关动物模型，从不同维度覆盖疾病机制：

通过 rAAV2/7‑CMVeSyn‑hαSyn 载体，在神经元中驱动人源 α‑synuclein 表达，并在 6 个月后进行分析。该模型主要模拟神经元内蛋白过表达所导致的慢性退行性改变。

利用 rAAV2/PHP.eB‑MAG‑mαSyn 载体，在少突胶质细胞中诱导 α‑synuclein 表达，并在 8 个月后检测。这一设计拓展到非神经元细胞层面，能够反映不同突触核蛋白病（如 MSA）中的细胞类型差异。

通过注射预形成的 α‑synuclein 纤维（PFF），诱导内源性蛋白错误折叠并在脑区间传播，在 8 个月后进行分析。该模型能够较好再现病理扩散的空间特征。

这三种模型分别对应 α-synuclein 研究中的两类主流策略（AAV 过表达与 PFF 聚集诱导），并在细胞类型层面覆盖神经元与少突胶质细胞。从 AI 训练的角度看，这三种模型提供的不仅仅是不同条件下的病理数据，更是不同空间结构的病理模式：过表达模型产生相对弥漫、均质的聚集信号，而 PFF seeding 模型则形成沿神经通路传播的梯度分布。这种多样性使得 CNN 模型在学习时能够提取更鲁棒的特征，从而提升对不同实验体系的泛化能力。

在医学图像分析中，模型性能不仅要「高」，更重要的是要「可信」。为此，作者采用了严格的验证策略：以三位专家的人工标注作为参考标准，使用 precision、sensitivity 和 F1-score 进行评估。结果显示，DCD（TH⁺ 细胞）的 F1-score 达到 0.92，NCD 为 0.88，MCD 为 0.85，均超过 80%，且 AI 与专家之间的一致性，与专家彼此之间的一致性无显著差异。换句话说，这些 AI 系统在多数任务中已经达到了「专家级」水平。值得注意的是，pSynD 模型在 pSer129‑α‑syn 聚集检测中的 F1 评分约为 0.76，略低于其他模型。但作者进一步分析发现，三位专家对该指标的判读一致性也仅为 0.72～0.78。换句话说，AI 的表现已经达到了与人类专家相当的水平——而在分析速度和可重复性上则远超人类。这一定量对比，是验证 AI 病理模型可信度的关键证据。

总体而言，该系统不仅具备较高准确性，还能够有效减少人工分析中的主观偏差。

该研究最重要的推进之一，在于将病理分析从传统的局部观察提升至全脑尺度。以往方法通常依赖预先选定的 ROI（region of interest）进行定量，这种策略虽然在操作上更为可控，但不可避免地限制了对病理空间分布的整体认知。而在本研究中，基于 CNN 的分析框架实现了对完整脑切片的系统性扫描，使病理信号能够在全脑范围内被连续、统一地捕捉与量化。

在这一技术基础上，研究不再局限于判断某一区域是否存在病理改变，而是可以进一步解析这些变化在空间上的组织方式。以该研究中的少突胶质细胞过表达模型（模拟 MSA）为例：传统 ROI 分析只关注背侧纹状体，发现约 9% 的 NeuN⁺ 神经元丢失。而全脑 NCD 分析进一步揭示，苍白球的神经元丢失高达 30.4%——这一非预期发现可能为 MSA 的运动和非运动症状提供新的解剖学基础。类似地，pSynD 在 PFF 注射模型中区分了神经突包涵体（早期、分布于纤维束）与细胞体包涵体（晚期、集中于皮层和中脑），首次实现了病理形态与空间分布的双重量化。这种从「存在性判断」向「空间结构解析」的转变，使病理数据从离散指标转化为具有系统关系的分布模式。

更重要的是，这种全脑尺度建模能力的实现，也依赖于数据输入本身的稳定性与可比性。在实际研究中，围绕 α‑synuclein 相关病理，通常需要从蛋白制备、模型诱导到组织处理等多个环节保持高度一致。例如，标准化的 α‑syn 单体或预形成纤维（PFF）体系，以及针对特定病理状态的检测策略，均有助于获得结构清晰、批间一致的数据，从而使机器学习模型能够提取稳定特征。在这一背景下，包括 StressMarq 在内的一类专业试剂供应体系，正逐渐被纳入研究流程，用于提供不同构象状态的 α‑synuclein 蛋白及相关工具（本篇使用的是 StressMarq 的 小鼠 Alpha Synuclein 蛋白预制原纤维 SPR-324）从源头上降低实验波动，为后续的图像分析与模型训练奠定基础。

从更宏观的角度来看，这一研究也体现出方法学层面的整体演进。不同动物模型提供具有差异性的病理输入，规范化实验流程保证数据的可比较性，而AI模型则在此基础上实现自动化与系统整合。三者协同，使研究从以往的小规模、低通量分析，逐步转向面向全脑的系统建模。在这一过程中，模型选择与数据生成方式的影响变得更加直接——不同建模策略（如过表达与聚集诱导）不仅决定病理特征本身，也塑造了数据的空间结构，从而影响 AI 模型的学习与输出。

从这一意义上看，「全脑分析」的实现不仅是算法能力的提升，更是实验体系与计算方法逐步耦合的结果。

内容审核：邹礼平

项目审核：钟可可

题图来源：图虫创意