La malattia di Alzheimer rappresenta una delle sfide più urgenti della neuroscienze contemporanea: ogni anno causa più decessi della somma di quelli attribuibili al cancro al seno e alla prostata messi insieme. Nonostante decenni di ricerca, i meccanismi molecolari che ne governano l'insorgenza e la progressione restano in larga parte oscuri, anche perché le tecniche di imaging tradizionali non permettono di osservare la chimica del tessuto cerebrale nella sua interezza. Un gruppo di ricercatori della Rice University, a Houston, ha ora colmato questa lacuna pubblicando il primo atlante molecolare completo e privo di marcatori del cervello affetto da Alzheimer in un modello animale, aprendo nuove prospettive sulla comprensione della malattia a livello biochimico.
Lo studio, pubblicato sulla rivista peer-reviewed ACS Applied Materials and Interfaces, si distingue per l'approccio metodologico adottato: l'imaging Raman iperspettrale, una tecnica laser avanzata capace di rilevare le impronte chimiche uniche delle molecole presenti nel tessuto biologico senza ricorrere a coloranti, proteine fluorescenti o marcatori molecolari. Come ha spiegato Ziyang Wang, dottorando in ingegneria elettrica e informatica alla Rice University e primo autore dello studio, "la spettroscopia Raman tradizionale acquisisce una sola misura di informazione chimica per sito molecolare; l'imaging Raman iperspettrale ripete questa misurazione migliaia di volte sull'intera sezione del tessuto, costruendo una mappa completa della composizione chimica in ogni regione del cervello."
Il vantaggio dell'approccio label-free è di fondamentale importanza dal punto di vista epistemologico: poiché i campioni non vengono modificati con alcun reagente esterno, l'osservazione riflette la condizione biochimica autentica del tessuto. "Questo rende il metodo più imparziale e più adatto a scoprire cambiamenti legati alla malattia che altrimenti potrebbero sfuggire", ha sottolineato Wang. Il team ha scansionato interi cervelli sezione per sezione, accumulando migliaia di misurazioni sovrapposte per costruire mappe molecolari ad alta risoluzione sia di tessuto sano che di tessuto affetto dalla patologia.
La mole di dati generata dall'imaging iperspettrale — potenzialmente nell'ordine di milioni di spettri per campione — ha reso indispensabile l'impiego del machine learning per l'analisi. Il gruppo ha adottato una strategia a due fasi: prima l'apprendimento non supervisionato, permettendo agli algoritmi di identificare pattern naturali nei segnali chimici senza assunzioni preliminari; poi l'apprendimento supervisionato, addestrando i modelli a distinguere campioni con Alzheimer da campioni sani. Questo secondo passaggio ha consentito di quantificare il grado con cui le diverse regioni cerebrali riflettono la chimica tipica della malattia.
Tra i risultati più significativi emerge che le alterazioni chimiche associate all'Alzheimer non sono circoscritte alle placche amiloidi — gli aggregati proteici da lungo tempo considerati il principale segno neuropatologico della malattia — ma si distribuiscono attraverso il cervello in schemi disomogenei e complessi. Questa evidenza sperimentale contribuisce a ridimensionare l'ipotesi amiloide come unico motore della neurodegenerazione, ampliando il quadro interpretativo della malattia.
Lo studio ha rilevato differenze metaboliche sostanziali tra cervelli sani e cervelli malati, con variazioni nei livelli di colesterolo e glicogeno particolarmente pronunciate nelle aree deputate alla memoria, come l'ippocampo e la corteccia cerebrale. Shengxi Huang, professore associato di ingegneria elettrica, informatica e scienza dei materiali alla Rice University e autore corrispondente dello studio, ha chiarito il significato fisiologico di queste osservazioni: "Il colesterolo è essenziale per mantenere l'integrità strutturale delle cellule cerebrali, mentre il glicogeno funge da riserva energetica locale. Insieme, questi risultati supportano l'idea che l'Alzheimer comporti perturbazioni più ampie nell'equilibrio strutturale ed energetico del cervello, non soltanto l'accumulo e il misfolding proteico."
Il progetto ha avuto una genesi progressiva, come racconta Wang: inizialmente il gruppo misurava solo piccole aree di tessuto cerebrale, fino a quando l'idea di mappare l'intero organo ha preso forma. "Ci sono voluti diversi cicli di test e aggiustamenti prima che le misurazioni e l'analisi funzionassero in sinergia," ha spiegato il ricercatore, ricordando il momento in cui la mappa chimica completa ha cominciato a prendere forma: pattern mai visibili con l'imaging convenzionale sono emersi con chiarezza, rivelando uno strato di informazioni biochimiche che attendeva soltanto gli strumenti adeguati per essere interpretato.
Le prospettive aperte da questa ricerca sono molteplici. Il team punta a tradurre i risultati ottenuti nel modello animale verso una comprensione più sistematica della progressione della malattia nell'uomo, con l'obiettivo a lungo termine di supportare una diagnosi più precoce e lo sviluppo di strategie terapeutiche più efficaci. Una domanda aperta riguarda la dinamica temporale delle alterazioni metaboliche rilevate: stabilire se le variazioni di colesterolo e glicogeno precedano, accompagnino o seguano la formazione delle placche amiloidi potrebbe ridefinire le priorità nella ricerca di bersagli terapeutici. La possibilità di applicare questo approccio di imaging combinato al machine learning anche ad altre malattie neurodegenerative — come il Parkinson o la sclerosi laterale amiotrofica — rappresenta un'ulteriore direzione di sviluppo che il gruppo intende esplorare.
