Brain extracellular matrix (ECM) structure mediates many aspects of neural development and function. Probing structural changes in brain ECM could thus provide insights into mechanisms of neurodevelopment, the loss of neural function in response to injury, and the detrimental effects of pathological aging and neurological disease. We demonstrate the ability to probe changes in brain ECM microstructure using multiple particle tracking (MPT). We performed MPT of colloidally stable polystyrene nanoparticles in organotypic rat brain slices collected from rats aged 14–70 days old. Our analysis revealed an inverse relationship between nanoparticle diffusive ability in the brain extracellular space and age. Additionally, the distribution of effective ECM pore sizes in the cortex shifted to smaller pores throughout development. We used the raw data and features extracted from nanoparticle trajectories to train a boosted decision tree capable of predicting chronological age with high accuracy. Collectively, this work demonstrates the utility of combining MPT with machine learning for measuring changes in brain ECM structure and predicting associated complex features such as chronological age. This will enable further understanding of the roles brain ECM play in development and aging and the specific mechanisms through which injuries cause aberrant neuronal function. Additionally, this approach has the potential to develop machine learning models capable of detecting the presence of injury or indicating the extent of injury based on changes in the brain microenvironment microstructure.

Abstract Type 2 diabetes (T2D) is implicated as a risk factor for Alzheimer’s disease (AD), the most common form of dementia. In this work, we investigated neuroinflammatory responses of primary neurons to potentially circulating, blood–brain barrier (BBB) permeable metabolites associated with AD, T2D, or both. We identified nine metabolites associated with protective or detrimental properties of AD and T2D in literature (lauric acid, asparagine, fructose, arachidonic acid, aminoadipic acid, sorbitol, retinol, tryptophan, niacinamide) and stimulated primary mouse neuron cultures with each metabolite before quantifying cytokine secretion via Luminex. We employed unsupervised clustering, inferential statistics, and partial least squares discriminant analysis to identify relationships between cytokine concentration and disease-associations of metabolites. We identified MCP-1, a cytokine associated with monocyte recruitment, as differentially abundant between neurons stimulated by metabolites associated with protective and detrimental properties of AD and T2D. We also identified IL-9, a cytokine that promotes mast cell growth, to be differentially associated with T2D. Indeed, cytokines, such as MCP-1 and IL-9, released from neurons in response to BBB-permeable metabolites associated with T2D may contribute to AD development by downstream effects of neuroinflammation.

Abstract Summary Brain extracellular matrix (ECM) structure mediates many aspects of neuronal function. Probing changes in ECM structure could provide insights into aging and neurological disease. Herein, we demonstrate the ability to characterize changes in brain ECM structure using multiple particle tracking (MPT). MPT was carried out in organotypic rat brain slices to detect induced and naturally occurring changes in ECM structure. Induced degradation of neural ECM led to a significant increase in nanoparticle diffusive ability in the brain extracellular space. For structural changes that occur naturally during development, an inverse relationship existed between age and nanoparticle diffusion. Using the age-dependent dataset, we applied extreme gradient boosting (XGBoost) to generate models capable of classifying nanoparticle trajectories. Collectively, this work demonstrates the utility of MPT combined with machine learning for measuring changes in brain ECM structure and predicting associated complex features such as developmental age.

Type 2 diabetes (T2D) is implicated as a risk factor for Alzheimer's disease (AD), the most common form of dementia. In this work, we investigated neuroinflammatory responses of primary neurons to potentially circulating, blood-brain barrier (BBB) permeable metabolites associated with AD, T2D, or both. We identified nine metabolites associated with protective or detrimental properties of AD and T2D in literature (lauric acid, asparagine, fructose, arachidonic acid, aminoadipic acid, sorbitol, retinol, tryptophan, niacinamide) and stimulated primary mouse neuron cultures with each metabolite before quantifying cytokine secretion via Luminex. We employed unsupervised clustering, inferential statistics, and partial least squares discriminant analysis to identify relationships between cytokine concentration and disease-associations of metabolites. We identified MCP-1, a cytokine associated with monocyte recruitment, as differentially abundant between neurons stimulated by metabolites associated with protective and detrimental properties of AD and T2D. We also identified IL-9, a cytokine that promotes mast cell growth, to be differentially associated with T2D. Indeed, cytokines, such as MCP-1 and IL-9, released from neurons in response to BBB-permeable metabolites associated with T2D may contribute to AD development by downstream effects of neuroinflammation.