Identifier les neurones qui permettent de remarcher

    -     English
Identifier les neurones qui permettent de remarcher

On sait comment rétablir partiellement la marche chez des rongeurs paralysés après une lésion de la moelle. Avec l’intelligence artificielle, les scientifiques peuvent maintenant identifier les mécanismes cellulaires à l’oeuvre ; une technique qui peut s’appliquer à de nombreux problèmes biomédicaux.

A l’EPFL, des scientifiques font remarcher des rongeurs paralysés en stimulant leur moelle épinière lésée. Prometteuse, la démarche a déjà permis à des patients paraplégiques de remarcher dans le cadre d’essais cliniques au CHUV. Grâce à l’intelligence artificielle, les chercheurs peuvent maintenant identifier les types de neurones impliqués dans le processus de réacquisition de la marche. Publiés dans Nature Biotechnology, ces travaux pourraient permettre de développer de nouvelles approches pour optimiser leur traitement, mais aussi faciliter de nombreuses autres recherches biomédicales.

La moelle épinière des rongeurs contient une cinquantaine de types de neurones - comme celle des humains. Pendant le traitement développé à l’EPFL, basé sur une combinaison d’exercices et de stimulations électriques et chimiques de la moelle épinière, ces cellules nerveuses ne jouent pas toutes le même rôle pour rétablir la marche. En identifiant les types de neurones impliqués, les chercheurs veulent mieux comprendre ce qui se passe au niveau cellulaire, lorsque les stimulations permettent la récupération immédiate de la marche. Ils pourraient ainsi cibler spécifiquement les neurones activés par les stimulations électrochimiques, et augmenter les effets du traitement.

Dans ce but, le laboratoire de Grégoire Courtine a mis au point une méthode d’identification qui repose sur des analyses dites single cell. Il s’agit d’une mesure précise de l’activité de chaque gène, cellule par cellule, plutôt que de valeurs moyennes pour un tissu composé de plusieurs variétés cellulaires.

Les scientifiques ont comparé leurs résultats dans deux scénarios: les souris qui avaient réappris la marche après une lésion de la moelle, et les autres paralysées au niveau des membres inférieurs, faute de traitement. Comment identifier les neurones essentiels à la récupération des souris traitées? Pour résoudre ce problème, les scientifiques ont développé Augur, un algorithme de machine learning. Il doit son nom à ses capacités à identifier et prédire les cellules qui présentent le plus de différences entre deux conditions en analysant le niveau d’expression de milliers de gènes.

L’intelligence artificielle veut établir des priorités : prédire quelles cellules présentent le plus de différence entre les souris qui remarchent et celles qui sont paralysées. Si Augur établit une priorité sur un certain type de neurones, cela veut dire que ce dernier joue un rôle essentiel pour expliquer la récupération de la marche. À l’inverse, si Augur ne met pas la priorité sur un type de neurones, cela signifie qu’il se comporte de manière comparable chez les souris qui marchent et chez celles qui ne marchent pas. Il ne joue donc probablement pas un rôle de premier plan dans la réponse au traitement.

"C’est une question de statistiques, expliquent Michael Skinnider et Jordan Squair, co-premier auteurs. Plus l’IA parvient à identifier avec précision l’origine de tel type de neurone chez les souris qui marchent et ne marchent pas, et plus l’activité de ces cellules nerveuses est influencée par le traitement. Elles sont donc plus susceptibles d’être impliquées dans la récupération de la marche."

Cette méthode a permis d’identifier un type de neurone important dans le rétablissement de la marche chez les souris. Les scientifiques peuvent maintenant observer plus en détail les mécanismes à l’oeuvre, et les cibler avec des approches pharmacologiques pour augmenter l’efficacité de leur traitement.

La méthode présente un intérêt pour de nombreuses études biomédicales, souligne Grégoire Courtine. « Que vous vous intéressiez au cancer, à la maladie de Crohn, au Covid ou à la sclérose en plaques, l’une des questions centrales reste toujours la même: quel type de cellule est à l’origine du problème? Notre méthode accélère le travail d’enquête, c’est pourquoi nous mettons librement à disposition notre logiciel d’intelligence artificielle. »

Références

Michael A. Skinnider, Jordan W. Squair, Claudia Kathe, Mark A. Anderson, Matthieu Gautier, Kaya J. E. Matson, Marco Milano, Thomas H. Hutson, Quentin Barraud, Aaron A. Phillips, Leonard J. Foster, Gioele La Manno, Ariel J. Levine & Grégoire Courtine. Cell type prioritization in single-cell data. Nature Biotechnology (2020) www.nature.com/artic­les/s41587-020-0605-1