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重新行走。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行动能力。现在，利用人工智能，研究人员可以确定哪些神经元参与了步态重新获取过程。发表在《医学杂志》上的研究结果可能会导致新方法的发展，使治疗更有效，并为其他生物医学研究领域的进步铺平道路。
啮齿类动物的脊髓和人类的一样，含有大约50种不同类型的神经细胞或神经元。然而，并不是所有的这些细胞对EPFL开发的步态恢复疗法都有相同的反应，这种疗法是基于运动和电化学脊髓刺激的结合。然而，通过精确识别所涉及的神经元类型，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，细胞水平上发生了什么。然后，他们可以专门针对那些被刺激激活的神经元，从而提高治疗的有效性。
作为这些努力的一部分，gracimgoire Courtine的实验室开发了一种机器学习方法，可以应用于任何类型的单细胞技术，并确定哪些细胞对手头的任务最重要。这种方法在单细胞生物学中的应用尤其令人兴奋，因为单细胞RNA测序等技术可以对细胞表达的所有基因进行精确的逐细胞测量，使研究人员能够确定关键的细胞机制。
科学家们用两组老鼠比较了他们的结果:一组在脊髓损伤后重新学习如何行走，另一组由于缺乏治疗而下肢瘫痪。然而，当这种治疗可以改变数千个基因的表达时，在这些庞大的数据集中识别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，库尔蒂纳的团队开发了一种机器学习方法。它被称为Augur，能够通过自动考虑数千个基因的表达水平来学习确定最能解释两种情况之间差异的细胞类型。
Augur提供了一个优先级评分，预测瘫痪小鼠和恢复活动能力的小鼠之间哪些细胞表现出最大的差异。当Augur优先考虑某种类型的神经元时，这意味着该神经元对电化学刺激引起的步态恢复至关重要。相反，未被Augur优先处理的神经元在活动和非活动小鼠中的行为方式相似，因此可能在对治疗的反应中不起主要作用。
利用这种方法，研究人员能够识别出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起作用的机制，并针对它们进行药物治疗，以提高整体效果。
根据库尔蒂纳的说法，这种方法将对许多生物医学研究产生兴趣:“无论你是在研究癌症、克罗恩病、COVID还是多发性硬化症，核心问题都是一样的，那就是什么类型的细胞是问题的根源?我们的方法加快了调查过程，因此我们免费提供了Augur。”
