دانشمندان به مغزهای آزمایشگاهی نحوه حل یک مسئله مهندسی را آموختند
زومیت: محققان نشان دادهاند که مدارهای عصبی زنده میتوانند با بازخورد ساختاری برای حل مشکل تعادل حرکتی هدایت شوند.
مغز انسان و حیوان یکی از پیچیدهترین سیستمهای طبیعی است و محققان سالها تلاش کردهاند که بفهمند نورونها چگونه اطلاعات را یاد میگیرند و پردازش میکنند. اکنون دانشمندان گام جدیدی برداشته اند: آنها مغزهای کوچکی را در آزمایشگاه رشد دادند و سپس حل یک مشکل مهندسی را به آنها آموزش دادند. این مطالعه نشان میدهد که بافت عصبی زنده را میتوان با بازخورد مناسب برای حل مشکلات کنترل حرکت هدایت کرد و بینش جدیدی در مورد عملکرد مغز و بیماریهای عصبی ارائه کرد.
تودههای کوچکی از بافت مغز که در آزمایشگاه رشد کردهاند نشان دادهاند که مدارهای عصبی میتوانند توسط پالسهای الکتریکی ساختاریافته برای حل مشکل کلاسیک کنترل حرکت هدایت شوند. در این آزمایش، ارگانوئیدهای قشری (خوشه های کوچک بافت مغز) توانستند عملکرد خود را در طول زمان در یک معیار مهندسی شناخته شده بهبود بخشند و یک میله مجازی ناپایدار را متعادل کنند.
این پیشرفت هنوز به اندازه ساخت یک کامپیوتر زیستی عملی نیست، اما به عنوان یک مثال مفهومی نشان میدهد که بافت عصبی در یک ظرف آزمایشگاهی میتواند از طریق بازخورد ساختاریافته و منظم تغییر کند. چنین دستاوردی می تواند به دانشمندان کمک کند تا بررسی کنند که چگونه بیماری های عصبی ظرفیت مغز برای انعطاف پذیری و توانایی یادگیری آن را تغییر می دهند.
اش رابینز، محقق رباتیک و هوش مصنوعی در دانشگاه کالیفرنیا، سانتا کروز، میگوید: «ما در حال تلاش برای درک اصول اولیه چگونگی تنظیم نورونها برای حل مشکلات هستیم. اگر بتوانیم بفهمیم چه چیزی این توانایی را در آزمایشگاه ایجاد میکند، میتوانیم راههای جدیدی برای مطالعه تأثیر بیماریهای عصبی بر توانایی یادگیری مغز پیدا کنیم.»
به گفته ScienceAlert، ارگانوئیدهای مورد استفاده در این آزمایش از سلول های بنیادی موش ساخته شده و به خوشه های کوچکی از بافت قشر مغز تبدیل شده اند که می توانند سیگنال های الکتریکی ارسال و دریافت کنند. این بافت ها به اندازه کافی پیچیده نبودند که فکر کنند یا هوشیار باشند، اما ارتباطات درونی آنها می توانست در پاسخ به محرک های خارجی تغییر کند.
برای آزمایش، از یک مسئله مهندسی کلاسیک به نام CartPole استفاده شد. تصور کنید سعی می کنید یک شی بلند مانند خط کش یا خودکار روی دست خود را متعادل کنید. اگر کاملاً عمودی نباشد، شروع به خم شدن میکند و برای ایستادن دست خود باید به حرکت ادامه دهید. در نسخه مجازی، یک واگن مجازی می تواند به چپ یا راست حرکت کند تا میله ای که به آن وصل شده است را عمودی نگه دارد. این ساده به نظر می رسد، اما کوچکترین خطاها به سرعت جمع می شوند و کنترل میله را به چالش می کشند.
Cardpool اغلب در تحقیقات یادگیری تقویتی استفاده می شود زیرا شبیه سازی آن آسان و سریع است. برخلاف وظایف تشخیص الگو، این مشکل نیاز به تنظیمات مداوم و دقیق دارد و یک پاسخ صحیح کافی نیست. برای رابینز و همکارانش، KartPaul یک فرصت جدید برای آزمایش قابلیتهای ارگانوئیدهای مغزی بود.
این آزمایش بر اساس بازخورد الکتریکی بود. الگوهای مختلف تحریک جهت و درجه انحراف میله را نشان داد. سپس پاسخ ارگانوئیدها به عنوان نیروهایی برای حرکت کالسکه به چپ یا راست برای جبران ارتعاش میله تفسیر شد.
لازم به ذکر است که ارگانوئیدها درک مستقیمی از وظیفه نداشتند. هدف محققان این بود که ببینند آیا می توان اتصالات عصبی را از طریق بازخورد تنظیم کرد یا خیر. به عبارت دیگر، آیا پالس های الکتریکی می توانند تغییراتی ایجاد کنند که شبکه عصبی را به سمت کنترل بهتر هدایت کند.
هر تلاش برای متعادل کردن میله، که اپیزود نامیده می شود، ادامه داشت تا زمانی که زاویه میله از حد معینی فراتر رفت. عملکرد در پنجره های پنج قسمتی ردیابی شد. ارگانوئیدها تحت سه شرایط قرار گرفتند: عدم بازخورد، بازخورد تصادفی به نورونهای افق میهنی، یا بازخورد تطبیقی بر اساس عملکرد گذشته.
شرایط مقایسه اهمیت ویژه ای داشت. اگر عملکرد پنج قسمت آخر نسبت به میانگین ۲۰ قسمت آخر کاهش پیدا کند، سیستم یک پالس کوتاه با فرکانس بالا ارسال می کند. این الگوریتم تعیین کرد که کدام نورون ها این پالس ها را دریافت می کنند، بر اساس اینکه آیا الگوهای مشابه قبلاً کنترل را بهبود بخشیده اند. رابینز توضیح میدهد: «میتوانید آن را بهعنوان یک مربی مجازی در نظر بگیرید که میگوید، اشتباه میکنید، کمی آن را تغییر دهید». “ما در حال یادگیری بهترین راه برای ارائه این سیگنال های آموزشی هستیم.”
برای اطمینان از اینکه ارگانوئیدها واقعاً در حال پیشرفت هستند و فقط خوش شانس نیستند، محققان یک معیار عملکرد را بر اساس یک کنترل کننده کاملاً تصادفی تعیین کردند. اگر بهترین عملکرد ارگانوئید در یک جلسه از شانسی که میتوانست داشت بیشتر باشد، آن جلسه موفقیتآمیز محسوب میشد.
نتایج قابل توجه بود: ارگانوئیدهایی که هیچ بازخوردی دریافت نکردند تنها در ۲.۳ درصد موارد معیار عملکرد قوی را برآورده کردند و آنهایی که بازخورد تصادفی دریافت کردند در ۴.۴ درصد موارد موفق شدند. اما تحت بازخورد تطبیقی مداوم، ارگانوئیدها آستانه مهارت را در ۴۶ درصد از چرخه ها پشت سر گذاشتند.
رابینز می گوید: زمانی که بتوانیم محرک های آموزشی را به طور فعال افق میهن کنیم، می توانیم شبکه عصبی را برای حل مشکل آموزش دهیم. ما نشان دادهایم که میتوانیم یادگیری کوتاهمدت ایجاد کنیم، یعنی یک ارگانوئید را از یک حالت به حالت هدف منتقل کنیم و آن را به طور مداوم انجام دهیم.»
با این حال، توصیف “کوتاه مدت” دقیق است; زیرا اگر ارگانوئیدها فقط برای مدت کوتاهی (مثلاً ۴۵ دقیقه) غیرفعال شوند، تمرینات و مهارت هایی را که به دست آورده اند فراموش می کنند و عملکرد آنها به سطح اولیه باز می گردد. تحقیقات آینده می تواند راه هایی را برای تقویت حافظه این بافت های کوچک مغز، شاید با افزایش پیچیدگی ساختار شبکه عصبی یا استفاده از روش های آموزشی طولانی تر و تدریجی، بررسی کند.
دیوید هاسلر، بیوانفورماتیک دانشگاه کالیفرنیا، سانتا کروز، می گوید: “هدف ما پیشرفت تحقیقات مغز و درمان بیماری های عصبی است، نه جایگزینی کنترلرهای روباتیک یا سایر رایانه ها با بافت مغز حیوانات آزمایشگاهی.” این ایده ممکن است جذاب باشد، اما مسائل اخلاقی جدی را ایجاد می کند، به خصوص اگر از ارگانوئیدهای مغز انسان استفاده شود.
این تحقیق در مجله Cell Reports منتشر شد.
