Brug af AI til at lokalisere neuroner involveret i ganggenerhvervelse

Forskere ved EPFL er i stand til at få lammede gnavere til at gå igen ved at stimulere dyrenes beskadigede rygmarv. Denne lovende behandling har allerede hjulpet paraplegikere med at genvinde mobiliteten under kliniske forsøg på Lausanne Universitetshospital (CHUV). Nu, ved hjælp af kunstig intelligens, forskerne kan fastslå, hvilke neuroner der er involveret i ganggenerhvervelsesprocessen. Resultaterne, som er blevet offentliggjort i Naturbioteknologi , kan føre til udvikling af nye tilgange, gør behandlingerne endnu mere effektive, samt baner vejen for fremskridt inden for andre områder af biomedicinsk forskning.

Gnavere rygmarv - ligesom mennesker - indeholder omkring 50 forskellige typer nerveceller, eller neuroner. Ikke alle disse celler, imidlertid, reagere på samme måde til ganggendannelsesbehandlingen udviklet ved EPFL, som er baseret på en kombination af øvelser og elektrisk og kemisk rygmarvsstimulering. Ved præcist at identificere de involverede neuroner, imidlertid, forskere kan bedre forstå, hvad der sker på celleniveau, når disse stimuli resulterer i øjeblikkelig ganggenopretning. De kan derefter specifikt målrette mod de neuroner, der aktiveres ved stimulering, derved øge behandlingens effektivitet.

Som en del af disse bestræbelser, Grégoire Courtines laboratorium har udviklet en machine learning-metode, der kan anvendes på enhver form for encellede teknologier, og identificere, hvilke celler der er vigtigst for opgaven. Anvendelsen af ​​denne metode til enkeltcellet biologi er særlig spændende, da teknikker som enkeltcellet RNA-sekventering giver præcise celle-for-celle målinger af alle de gener, en celle kan udtrykke, tillader forskere at lokalisere de vigtigste cellulære mekanismer.

Forskerne sammenlignede deres resultater ved hjælp af to grupper mus:dem, der havde genlært, hvordan man skulle gå efter en rygmarvsskade, og dem, der forblev lammede i deres nedre lemmer på grund af manglende behandling. Imidlertid, når en sådan behandling kunne ændre udtrykket for tusinder af gener, at identificere inden for disse massive datasæt de specifikke neuroner, der hjælper med musens genopretning, er et udfordrende problem. For at tackle dette, Courtines team udviklede en machine-learning metode. Kaldet Augur, den er i stand til at lære at lokalisere de celletyper, der bedst tegner sig for forskelle mellem to forhold ved automatisk at overveje ekspressionsniveauerne for tusinder af gener.

Augur giver en prioriteret score, forudsige, hvilke celler der viser de største forskelle mellem lammede mus og dem, der har genvundet mobilitet. Når Augur prioriterer en bestemt type neuron, det betyder, at denne neuron er kritisk for ganggendannelse induceret af elektrokemisk stimulation. Omvendt neuroner, der ikke er prioriteret af Augur, opfører sig på samme måde i mobile og ikke-mobile mus og derfor sandsynligvis ikke spiller en stor rolle i reaktionen på behandlingen.

Det er en robust statistisk metode, der kan anvendes på enhver forstyrrelse. Jo mere præcist Augur kan tildele en bestemt type neuron til de to musegrupper, jo mere relevante er de særlige nerveceller. De er derfor mere tilbøjelige til at være involveret i ganggendannelse. "

Michael Skinnider og Jordan Squair, papirets to første forfattere

Ved hjælp af denne metode, forskerne var i stand til at identificere en type neuron, der spiller en vigtig rolle i ganggendannelse hos mus. De kan nu observere mekanismerne på arbejde mere detaljeret, og mål også dem med farmakologisk behandling for at øge den samlede effektivitet.

Denne metode vil være af interesse for mange biomedicinske undersøgelser, ifølge Courtine:"Uanset om du arbejder med kræft, Crohns sygdom, COVID, eller multipel sklerose, det centrale spørgsmål forbliver det samme, hvilken type celle er kilden til problemet? Vores metode fremskynder undersøgelsesprocessen, og derfor har vi gjort Augur frit tilgængelig. "

• Tandkødssygdom og risiko for spiserør og mavekræft
• Undersøgelse afslører antivirale virkninger af curcumin