Upotreba umjetne inteligencije za određivanje neurona uključenih u ponovnu akviziciju hoda

Istraživači na EPFL -u uspjeli su natjerati paralizirane glodavce da ponovno hodaju stimulirajući oštećene leđne moždine životinja. Ovo obećavajuće liječenje već je pomoglo paraplegičarima da povrate mobilnost tijekom kliničkih ispitivanja u Sveučilišnoj bolnici u Lausanni (CHUV). Sada, pomoću umjetne inteligencije, istraživači mogu točno odrediti koji su neuroni uključeni u proces ponovne akvizicije hoda. Rezultati, koji su objavljeni u Biotehnologija prirode , može dovesti do razvoja novih pristupa, čine tretmane još učinkovitijima, kao i otvaranje puta za napredak u drugim područjima biomedicinskih istraživanja.

Kičmena moždina glodavaca - poput ljudskih bića - sadrži oko 50 različitih vrsta živčanih stanica, ili neuroni. Nisu sve ove stanice, međutim, reagirati na isti način na tretman oporavka hoda razvijen na EPFL -u, koja se temelji na kombinaciji vježbi i električne i kemijske stimulacije leđne moždine. Preciznom identifikacijom vrsta neurona koji su uključeni, međutim, istraživači mogu bolje razumjeti što se događa na staničnoj razini kada ti poticaji rezultiraju trenutnim oporavkom hoda. Tada mogu posebno ciljati one neurone koji se aktiviraju stimulacijom, čime se povećava učinkovitost liječenja.

Kao dio ovih napora, Laboratorij Grégoire Courtine razvio je metodu strojnog učenja koja se može primijeniti na bilo koju vrstu jednostanične tehnologije, i identificirati koje su stanice najvažnije za zadatak. Primjena ove metode na jednostaničnu biologiju posebno je uzbudljiva jer tehnike kao što je jednostanično sekvenciranje RNA omogućuju precizna mjerenja po stanicama svih gena koje bi stanica mogla izraziti, dopuštajući istraživačima da odrede ključne stanične mehanizme.

Znanstvenici su usporedili svoje rezultate pomoću dvije skupine miševa:onih koji su naučili kako hodati nakon ozljede leđne moždine i onih koji su ostali paralizirani u donjim udovima zbog nedostatka liječenja. Međutim, kada bi takav tretman mogao promijeniti ekspresiju tisuća gena, identificiranje unutar ovih masovnih skupova podataka specifičnih neurona koji pomažu u oporavku miševa izazov je problem. Za rješavanje ovoga, Courtine je tim razvio metodu strojnog učenja. Nazvan Augur, sposoban je naučiti odrediti tipove stanica koji najbolje objašnjavaju razlike između dva stanja automatskim razmatranjem razina ekspresije tisuća gena.

Augur daje ocjenu prioriteta, predviđajući koje stanice pokazuju najveće razlike između paraliziranih miševa i onih koji su povratili pokretljivost. Kad Augur daje prednost određenoj vrsti neurona, to znači da je taj neuron kritičan za oporavak hoda izazvan elektrokemijskom stimulacijom. Obrnuto, neuroni kojima Augur ne daje prioritet ponašaju se na sličan način u mobilnim i nepokretnim miševima i stoga vjerojatno nemaju važnu ulogu u odgovoru na liječenje.

To je robusna statistička metoda koja se može primijeniti na bilo koju smetnju. Točnije, Augur može dodijeliti određenu vrstu neurona dvjema skupinama miševa, utoliko su relevantnije te određene živčane stanice. Stoga je veća vjerojatnost da će biti uključeni u oporavak hoda. "

Michael Skinnider i Jordan Squair, dva prva autora rada

Koristeći ovu metodu, istraživači su uspjeli identificirati vrstu neurona koji igra važnu ulogu u oporavku hoda kod miševa. Sada mogu detaljnije promatrati mehanizme koji djeluju, te ih također usmjeriti farmakološkim liječenjem kako bi se povećala ukupna učinkovitost.

Ova metoda bit će zanimljiva mnogim biomedicinskim studijama, prema Courtine:"Radite li na raku, Crohnova bolest, COVID, ili multipla skleroza, središnje pitanje ostaje isto, koja je vrsta stanice izvor problema? Naša metoda ubrzava istražni proces, i zbog toga smo Augur učinili slobodnim. "

• Bolest desni te rizik od raka jednjaka i želuca
• Studija otkriva antivirusne učinke kurkumina