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.

Type 2 diabetes (T2D) is a significant risk factor for Alzheimer's disease (AD). Despite multiple studies reporting this connection, the mechanism by which T2D exacerbates AD is poorly understood. It is challenging to design studies that address co-occurring and comorbid diseases, limiting the number of existing evidence bases. To address this challenge, we expanded the applications of a computational framework called Translatable Components Regression (TransComp-R), initially designed for cross-species translation modeling, to perform cross-disease modeling to identify biological programs of T2D that may exacerbate AD pathology. Using TransComp-R, we combined peripheral blood-derived T2D and AD human transcriptomic data to identify T2D principal components predictive of AD status. Our model revealed genes enriched for biological pathways associated with inflammation, metabolism, and signaling pathways from T2D principal components predictive of AD. The same T2D PC predictive of AD outcomes unveiled sex-based differences across the AD datasets. We performed a gene expression correlational analysis to identify therapeutic hypotheses tailored to the T2D-AD axis. We identified six T2D and two dementia medications that induced gene expression profiles associated with a non-T2D or non-AD state. Finally, we assessed our blood-based T2DxAD biomarker signature in post-mortem human AD and control brain gene expression data from the hippocampus, entorhinal cortex, superior frontal gyrus, and postcentral gyrus. Using partial least squares discriminant analysis, we identified a subset of genes from our cross-disease blood-based biomarker panel that significantly separated AD and control brain samples. Our methodological advance in cross-disease modeling identified biological programs in T2D that may predict the future onset of AD in this population. This, paired with our therapeutic gene expression correlational analysis, also revealed alogliptin, a T2D medication that may help prevent the onset of AD in T2D patients.