EPFL的研究人员能够通过刺激动物受损的脊髓使瘫痪的啮齿动物再次行走。在洛桑大学医院(CHUV)的临床试验中，这种有希望的治疗方法已经帮助截瘫患者恢复了活动能力。现在，利用人工智能，研究人员可以查明哪些神经元参与了步态重新捕获过程。研究结果已经发表在《自然生物技术》上，可能会导致开发新方法，使治疗更加有效，并为生物医学研究其他领域的进步铺平道路。

啮齿动物的脊髓像人类一样，含有约50种不同类型的神经细胞或神经元。但是，并非所有这些细胞都对EPFL开发的步态恢复治疗以相同的方式做出反应，这是结合锻炼以及脊髓和电刺激与化学刺激相结合的结果。但是，通过精确识别涉及的神经元类型，研究人员可以更好地了解当这些刺激导致步态立即恢复时在细胞水平发生的情况。然后，它们可以专门针对那些通过刺激激活的神经元，从而提高治疗效果。

作为这些努力的一部分，GrégoireCourtine的实验室开发了一种机器学习方法，可以将其应用于任何一种单细胞技术，并确定哪些细胞对于手头的任务最重要。这种方法在单细胞生物学中的应用特别令人兴奋，因为诸如单细胞RNA测序之类的技术可以对每个细胞可以表达的所有基因进行精确的逐细胞测量，从而使研究人员可以精确地确定关键的细胞机制。

科学家们用两组小鼠比较了它们的结果：一组小鼠在脊髓损伤后重新学会了走路的方式，另一组由于缺乏治疗而瘫痪在下肢。但是，当这种治疗可以改变成千上万个基因的表达时，在这些庞大的数据集中确定有助于小鼠恢复的特定神经元是一个具有挑战性的问题。为了解决这个问题，Courtine的团队开发了一种机器学习方法。它被称为Augur，能够通过自动考虑成千上万个基因的表达水平来学习找出最能说明两种情况之间差异的细胞类型。

Augur提供优先级评分，预测哪些细胞在瘫痪的小鼠和恢复活动的小鼠之间显示出最大的差异。当Augur优先处理某种类型的神经元时，这意味着该神经元对于电化学刺激诱导的步态恢复至关重要。相反，没有被Augur优先处理的神经元在移动和非移动小鼠中的行为类似，因此可能不会在对治疗的反应中起主要作用。

该论文的两位第一作者迈克尔·斯金德(Michael Skinnider)和乔丹·斯奎尔(Jordan Squair)说：“这是一种可以应用于任何扰动的强大统计方法。”“ Augur将一种特定类型的神经元分配给两组小鼠的准确度越高，这些特定的神经细胞就越相关。因此，它们更有可能参与步态恢复。”

使用这种方法，研究人员能够确定一种在小鼠步态恢复中起重要作用的神经元。他们现在可以更详细地观察工作机制，还可以通过药理治疗来针对它们，以提高整体效力。

根据Courtine的说法，这种方法将对许多生物医学研究感兴趣：“无论您是从事癌症，克罗恩病，COVID还是多发性硬化的研究，核心问题仍然是相同的，问题的根源是什么类型的细胞? ?我们的方法加快了调查过程，因此，我们免费提供了Augur。”