Ved å bruke AI for å finne nevroner involvert i gangrekvisisjon

Forskere ved EPFL klarer å få lamme gnagere til å gå igjen ved å stimulere dyrenes skadede ryggmarg. Denne lovende behandlingen har allerede hjulpet paraplegikere med å gjenvinne mobilitet under kliniske studier ved Lausanne universitetssykehus (CHUV). Nå, bruker kunstig intelligens, forskerne kan finne ut hvilke nevroner som er involvert i prosessen med gjenoppkjøp av gange. Resultatene, som har blitt publisert i Naturbioteknologi , kan føre til utvikling av nye tilnærminger, gjøre behandlingene enda mer effektive, i tillegg til å bane vei for fremskritt innen andre områder av biomedisinsk forskning.

Gnagere ryggmarg - som hos mennesker - inneholder rundt 50 forskjellige typer nerveceller, eller nevroner. Ikke alle disse cellene, derimot, svare på samme måte på ganggjenopprettingsbehandlingen utviklet ved EPFL, som er basert på en kombinasjon av øvelser og elektrisk og kjemisk ryggmargsstimulering. Ved å nøyaktig identifisere hvilke typer nevroner som er involvert, derimot, forskere kan bedre forstå hva som skjer på mobilnivå når disse stimuliene resulterer i umiddelbar ganggjenoppretting. De kan da spesifikt målrette mot nevronene som aktiveres ved stimulering, og dermed øke behandlingens effektivitet.

Som en del av dette arbeidet, Grégoire Courtines laboratorium har utviklet en maskinlæringsmetode som kan brukes på alle typer encelleteknologi, og identifisere hvilke celler som er viktigst for oppgaven. Anvendelsen av denne metoden for enkelcellet biologi er spesielt spennende ettersom teknikker som enkelcellet RNA-sekvensering gir presise celle-for-celle målinger av alle genene en celle kan uttrykke, slik at forskere kan finne frem til de viktigste mobilmekanismene.

Forskerne sammenlignet resultatene sine ved å bruke to grupper mus:de som hadde lært hvordan de skulle gå etter en ryggmargsskade, og de som forble lammet i underekstremitetene på grunn av mangel på behandling. Derimot, når en slik behandling kan endre uttrykket for tusenvis av gener, Å identifisere innenfor disse massive datasettene de spesifikke nevronene som hjelper musenes gjenoppretting, er et utfordrende problem. For å takle dette, Courtines team utviklet en maskinlæringsmetode. Kalt Augur, den er i stand til å lære å finne de celletyper som best står for forskjeller mellom to forhold ved å automatisk vurdere ekspresjonsnivåene til tusenvis av gener.

Augur gir en prioritert poengsum, å forutsi hvilke celler som viser de største forskjellene mellom lammede mus og de som har gjenvunnet mobilitet. Når Augur prioriterer en bestemt type nevron, det betyr at det nevronet er avgjørende for ganggjenoppretting indusert av elektrokjemisk stimulering. Motsatt, nevroner som ikke er prioritert av Augur, oppfører seg på samme måte i mobile og ikke-mobile mus og derfor sannsynligvis ikke spiller en stor rolle i responsen på behandlingen.

Det er en robust statistisk metode som kan brukes på enhver forstyrrelse. Jo mer nøyaktig Augur kan tildele en bestemt type nevron til de to musegruppene, jo mer relevante de bestemte nervecellene er. De er derfor mer sannsynlig å være involvert i ganggjenoppretting. "

Michael Skinnider og Jordan Squair, papirets to første forfattere

Ved å bruke denne metoden, forskerne var i stand til å identifisere en type nevron som spiller en viktig rolle i ganggjenoppretting hos mus. De kan nå observere mekanismene som arbeider mer detaljert, og målrett dem også med farmakologisk behandling for å øke den totale effektiviteten.

Denne metoden vil være av interesse for mange biomedisinske studier, ifølge Courtine:"Enten du jobber med kreft, Crohns sykdom, COVID, eller multippel sklerose, det sentrale spørsmålet forblir det samme, hvilken type celle er årsaken til problemet? Vår metode fremskynder etterforskningsprosessen, og av denne grunn har vi gjort Augur fritt tilgjengelig. "

• Tannkjøttsykdom og risiko for spiserør og magekreft
• Studie avslører antivirale effekter av curcumin