L'un des principaux défis du diagnostic de la maladie d'Alzheimer réside dans sa progression à travers deux décennies silencieuses. Le manque de symptômes chez les patients pendant cette période entrave manifestement leurs chances de suspecter la maladie ou de simplement obtenir une imagerie cérébrale préventive. De plus, les premiers signes endogènes et les symptômes perceptibles coïncident souvent avec le vieillissement des individus sans aucun diagnostic de maladie neurologique. Malgré ces défis diagnostiques, les efforts de recherche fondamentales et cliniques ont fourni une multitude d'informations disparates sur la physiopathologie en retraçant les événements qui se déroulent par rapport aux composants à petites et grandes échelles. Pour saisir la nature multifactorielle de la maladie d'Alzheimer face à ce vaste délai de diagnostic, il devient inextricable d'essayer de tenir compte de l'abondance de facteurs candidats causaux pour la maladie d'Alzheimer en utilisant des techniques statistiques analytiques standard.
Au lieu de retracer les signes et symptômes de la maladie d'Alzheimer, notre objectif est de simuler le vieillissement normal en avançant dans le temps, dans l'espoir de détecter des signes précoces plus précis de la maladie d'Alzheimer au fur et à mesure qu'ils apparaissent, et qu'ils divergent ensuite des anomalies généralement associées au vieillissement. Par conséquent, nous proposons de restructurer les connaissances sur la maladie d'Alzheimer en plusieurs niveaux d'abstraction ou d'échelles. En utilisant des techniques de modélisation mathématique, nous représenterons la maladie d'Alzheimer de manière plus complète, en nous basant du processus de vieillissement normal chez les individus de 18 à 100 ans.
Nous allons effectuer une recherche exhaustive dans la littérature pour déterminer les valeurs paramétriques nécessaires à notre système d'équations différentielles, conçu pour simuler le vieillissement normal. Nous adopterons une approche Agile pour classer les éléments qui jouent un rôle dans le vieillissement, à différentes échelles , telles que 1) à l'échelle nanométrique avec des composés tels que le glucose et l'insuline, et des protéines telles que l'amyloïde et la tau ; 2) à l'échelle microscopique en fonction des populations neuronales et gliales ainsi que de l'endothélium vasculaire ; 3) en les réunissant pour simuler et prédire la trajectoire des biomarqueurs à l'échelle méso-scopique (par exemple, l'intégrité neuronale via l'épaisseur corticale, l'intégrité métabolique via la FDG-PET). Le modèle utilisera ensuite ces valeurs paramétriques estimées, qui seront validées à l'aide de données humaines, afin d'orienter son développement en suivant la trajectoire du vieillissement humain au fil du temps.
La hiérarchie multi-échelle des maladies neurologiques, composée d'un interactome incroyablement complexe, nous incite de manière alarmante à disséquer plus minutieusement les entités les plus influentes, tout en tenant compte de leur interconnexion au cours du vieillissement. Ce cadre peut servir de point de départ pour une détection plus précoce de la neurodégénérescence liée à la maladie d'Alzheimer et faciliter éventuellement l'identification de voies plus spécifiques à la maladie d'Alzheimer pour de futures interventions pharmacologiques.
 

Considérant l'importance que l'on attribue aux résultats des outils provenant de l'intelligence artificielle dans les domaines de la médecine, la capacité de comprendre ce qui permet à un réseau de neurones d'obtenir ses résultats est un atout majeur lorsqu'il faut décider si la prédiction est fiable ou non. 
Afin d'arriver à cet objectif, le projet a passé au travers de deux phases : l'évaluation du modèle et l'interprétation du modèle. Dans cette première phase a permis l'implémentation de méthodes généralisées pour évaluer la qualité de différents modèles en fonction de métriques communes préétablie. Une fois la qualité du modèle vérifié, le projet entre dans la deuxième phase où il était question d'implémenter des méthodes pour interpréter les prédictions du modèle afin de mieux comprendre ce qui permettait au modèle d'arriver à ses résultats.
Une troisième et dernière phase consistait en l'analyse des résultats d'interprétation obtenue et la présentation de ces derniers aux collègues travaillant sur le même réseau de neurones afin d'accroître la compréhension de ce dernier.