目的:利用化学遗传技术定向调控癫痫持续状态中受累最明显神经核团区,以寻求癫痫持续状态起源、递质、通道、核团,通过建立内源性癫痫持续状态模型以加深人类对癫痫持续状态机制的了解,从而为人类癫痫持续状态的研究开辟一个新的领域。方法:建立皮罗卡品点燃癫痫持续状态模型,在动物出现行为学表现后0.5、1、1.5、2小时,处死动物,进行C-fos荧光染色,然后利用化学遗传技术定向调控在癫痫持续状态中受累最明显的神经核团或脑区内的谷氨酸能、GABA能神经元的活动,结果未能诱导出癫痫持续状态。随后按就近（相邻）、相似（功能相似）及强烈（在癫痫持续状态后反应都明显）原则分别研究了这些核团和区域的组合。结果:发现同步激活海马CA1区（CA1区）及丘脑腹前核（VA区）或基底外侧杏仁核（BLA区）及VA区的谷氨酸能神经元可诱发出动物的癫痫持续状态,这种行为学表现可持续数十分钟至数小时;用安定、咪达唑伦、氯胺酮能终止动物的发作,同步进行的脑电图监测发现其场电位与人类癫痫持续状态的发作相似,提示其是一种内源性的癫痫持续状态。分别调控CA1区、BLA区及VA区不能点燃癫痫持续状态,表明两个部位的同时激活可能是癫痫持续状态形成的必要条件,而谷氨酸能神经元在其中起着枢纽作用。坏死上述区域的谷氨酸能神经元后仍能用皮罗卡品点燃,表明其与传统的癫痫持续状态模型有着不同的发病机制。结论:CA1区、BLA区及VA区是引起癫痫持续状态的重要部位。两个部位的共同激活是癫痫持续状态产生的必要条件,谷氨酸能神经元不符合生理需要的激活是癫痫持续状态产生的原因。这种内源性化学遗传癫痫持续状态模型比传统模型更接近于人类的癫痫发作。化学遗传方法点燃的癫痫持续状态成功率更高,发作持续时间更长,死亡率更低,更适合进行癫痫持续状态的研究,以满足不同实验目的的需要。目的:大约30%的癫痫患者在服药后数年内会发展为抗药性癫痫（drug-resistant epilepsy,DRE）。如何在治疗的早期识别这些患者将有助于改善其预后,探索用人工智能（artificial intelligence,AI）中机器学习（machine learning,ML）的方法来预测抗癫痫药物治疗10年后的疗效。方法:用八种机器学习方法对癫痫患者治疗早期的16个特征维度的数据进行训练,用随机网格搜索法对参数进行调整,以SHapley加性解释（SHapley Additive explained,SHAP）作为模型解释器,预测抗癫痫药物治疗10年后的疗效。结果:对重庆医科大学附一院癫痫中心从2002年到2011年收集的8558例患者记录中,按照接受丙戊酸、托吡酯或拉莫三嗪单药治疗以及不符合耐药性癫痫的患者作为纳入标准筛选了1097例患者。Catboost模型的准确率最高（74.9%）,受试者工作曲线下面积（the area under the receiver operating curve,AUC）最高（78.2%）,F1最高（58.8%）。经参数调整后,精度、AUC、F1分别为76.0%、81.6%、65.7%。用药后一年内发作频率、用药后一年内每日最大片量、丙戊酸是预测模型的三个最重要特征。结论:Catboost模型通过使用患者第一年对抗癫痫发作药物（anti-seizure medication,ASM）的反应,可以准确预测未来10年出现ASM失败的风险。本研究为提高DRE患者的早期诊断提供了有价值的信息。