Dlouhodobý vývoj charakteristiky záchvatů v myším modelu epilepsie

Abstract

Epilepsie je komplexní neurologická porucha charakterizovaná spontánními opakujícími se záchvaty, které postihují miliony lidí po celém světě. Tato práce zkoumá dlouhodobý vývoj charakteristik záchvatů u myšího modelu epilepsie s cílem zlepšit porozumění dynamice záchvatů, které by mohly být podkladem budoucích léčebných strategií. Pomocí záznamů intrakraniálního elektroencefalogramu z laboratorních myší jsme kvantitativně analyzovali stovky záchvatů výpočtem rozptylů signálů a hlavních frekvencí v definovaných časových intervalech. Rozptyl a hlavní frekvence pak vytvořily dvourozměrný prostor, v němž odvíjející se záchvat vytvořil trajektorii. Nakonec byly analyzovány trajektorie všech záchvatů výpočtem jejich párové podobnosti pomocí metody dynamic time warpingu. Naše analýza odhalila významnou variabilitu v charakteristikách záchvatů jak v rámci jednoho subjektu, tak mezi subjekty, což podtrhuje složitost dynamiky záchvatů. Studie testovala hypotézu, že záchvaty vyskytující se blíže v čase jsou si podobnější, což se potvrdilo u 6 z 11 myší. Tato variabilita zdůrazňuje potřebu personalizovaných přístupů k léčbě epilepsie založené na individuální dynamice záchvatů. Zjištění naznačují, že časové vzorce aktivity záchvatů jsou zásadní pro pochopení přirozeného vývoje epilepsie a mohly by vést k cílenější a účinnější léčbě. Tento výzkum přispívá k rozvíjející se oblasti personalizované medicíny v oblasti epilepsie a zdůrazňuje potřebu individualizovaných léčebných plánů založených na podrobných longitudinálních údajích o záchvatech.

Epilepsy is a complex neurological disorder characterized by spontaneous recurrent seizures, affecting millions globally. This thesis investigates the long-term evolution of seizure characteristics in a mouse model of epilepsy, aiming to enhance the understanding of seizure dynamics which could inform future treatment strategies. Using intracranial electroencephalogram recordings from laboratory mice, we quantitatively analysed hundreds of seizures by computing signal variances and the main frequencies within defined time bins. The variance and the main frequency then created the a 2-dimensional space in which the unwinding seizure created a pathway. Finally, the pathways of all the seizures were analysed by computing their pair-wise similarity using the dynamic time warping. Our analysis revealed significant variability in seizure characteristics both within and between subjects, underscoring the complexity of seizure dynamics. The study tested the hypothesis that seizures occurring closer in time are more similar, which was confirmed in 6 out of 11 mice. This variability highlights the need for personalized approaches to epilepsy treatment based on individual seizure dynamics. The findings suggest that temporal patterns of seizure activity are crucial for understanding the natural progression of epilepsy and could lead to more targeted and effective treatments. This research contributes to the growing field of personalized medicine in epilepsy, emphasizing the need for individualized treatment plans based on detailed, longitudinal seizure data.