AI:n käyttäminen kävelyn jälleenhankintaan osallistuvien neuronien tunnistamiseen

EPFL:n tutkijat voivat saada halvaantuneet jyrsijät kävelemään uudelleen stimuloimalla eläinten vaurioituneita selkäytimiä. Tämä lupaava hoito on jo auttanut paraplegikoita palauttamaan liikkuvuutensa Lausannen yliopistollisen sairaalan (CHUV) kliinisissä tutkimuksissa. Nyt, käyttämällä tekoälyä, tutkijat voivat määrittää, mitkä neuronit ovat mukana kävelyn uudelleenhankintaprosessissa. Tulokset, jotka on julkaistu vuonna Luonnon biotekniikka , voi johtaa uusien lähestymistapojen kehittämiseen, tehostaa hoitoja, sekä tasoittaa tietä edistymiselle muilla biolääketieteellisen tutkimuksen aloilla.

Jyrsijöiden selkäytimet - kuten ihmisetkin - sisältävät noin 50 erityyppistä hermosolua, tai neuroneja. Ei kaikki nämä solut, kuitenkin, vastaamaan samalla tavalla EPFL:ssä kehitettyyn kävelykehon hoitoon, joka perustuu harjoitusten yhdistelmään sekä selkäytimen sähköiseen ja kemialliseen stimulaatioon. Tunnistamalla tarkasti mukana olevien neuronien tyypit, kuitenkin, tutkijat voivat paremmin ymmärtää, mitä tapahtuu solutasolla, kun nämä ärsykkeet johtavat välittömään kävelyn palautumiseen. Ne voivat sitten kohdistaa erityisesti neuroneihin, jotka aktivoidaan stimulaation avulla, parantaa siten hoidon tehokkuutta.

Osana näitä pyrkimyksiä Grégoire Courtinen laboratorio on kehittänyt koneoppimismenetelmän, jota voidaan soveltaa kaikenlaisiin yksisoluisiin tekniikoihin, ja tunnistaa, mitkä solut ovat tärkeimpiä tehtävässä. Tämän menetelmän soveltaminen yksisoluiseen biologiaan on erityisen jännittävää, koska tekniikat, kuten yksisoluinen RNA-sekvensointi, tarjoavat tarkat solukohtaiset mittaukset kaikista geeneistä, joita solu voisi ilmentää, jonka avulla tutkijat voivat tunnistaa tärkeimmät solumekanismit.

Tutkijat vertasivat tuloksiaan käyttämällä kahta hiiriryhmää:sellaisia, jotka olivat oppineet kävelemään selkäydinvamman jälkeen, ja niitä, jotka pysyivät halvaantuneina alaraajoissaan hoidon puutteen vuoksi. Kuitenkin, kun tällainen hoito voisi muuttaa tuhansien geenien ilmentymistä, Näiden massiivisten tietojoukkojen sisältämien erityisten neuronien tunnistaminen, jotka auttavat hiiren toipumisessa, on haastava ongelma. Tämän ratkaisemiseksi, Courtinen tiimi kehitti koneoppimismenetelmän. Dubretti Augur, se pystyy oppimaan tunnistamaan solutyypit, jotka parhaiten ottavat huomioon kahden tilan väliset erot huomioimalla automaattisesti tuhansien geenien ilmentymistasot.

Augur antaa etusijapistemäärän, ennustaa, mitkä solut näyttävät suurimmat erot halvaantuneiden ja liikkuvuuden saaneiden hiirien välillä. Kun Augur asettaa etusijalle tietyn tyyppisen neuronin, se tarkoittaa, että neuroni on kriittinen sähkökemiallisen stimulaation aiheuttaman kävelyn palautumiselle. Päinvastoin, Neuronit, joita Augur ei ole asettanut etusijalle, käyttäytyvät samalla tavalla liikkuvissa ja ei-liikkuvissa hiirissä, eikä niillä siksi todennäköisesti ole merkittävää roolia hoitovasteessa.

Se on vankka tilastollinen menetelmä, jota voidaan soveltaa mihin tahansa häiriöön. Mitä tarkemmin Augur voi määrittää tietyn tyyppisen neuronin kahdelle hiiriryhmälle, sitä merkityksellisempiä ne hermosolut ovat. Siksi he ovat todennäköisemmin mukana kävelyn toipumisessa. "

Michael Skinnider ja Jordan Squair, Lehden kaksi ensimmäistä kirjoittajaa

Tätä menetelmää käyttämällä tutkijat pystyivät tunnistamaan neuronityypin, jolla on tärkeä rooli kävelyn palautumisessa hiirillä. He voivat nyt tarkkailla toimivia mekanismeja yksityiskohtaisemmin, ja myös kohdistaa heidät farmakologiseen hoitoon yleisen tehokkuuden lisäämiseksi.

Tämä menetelmä kiinnostaa monia biolääketieteellisiä tutkimuksia, Courtinen mukaan:"Työskenteletkö syövän parissa, Crohnin tauti, COVID, tai multippeliskleroosi, keskeinen kysymys on sama, minkälainen solu on ongelman lähde? Menetelmämme nopeuttaa tutkimusprosessia, ja tästä syystä olemme asettaneet Augurin vapaasti saataville. "

• Ikkasairaus ja ruokatorven ja mahasyövän riski
• Tutkimus paljastaa kurkumiinin antiviraaliset vaikutukset