8 دقیقه
این صحنه شبیه یک طرح از داستانهای علمی-تخیلی است: خوشههای ریز از بافت عصبی که در یک پلیت رشد یافتهاند و به آرامی هدایت میشوند تا بتوانند یک جسم مجازی ناپایدار را در وضعیت قائم نگه دارند. اما این دقیقاً همان چیزی است که تیم تحقیقاتی دانشگاه UC Santa Cruz نشان دادند، هنگامی که ارگانوئیدهای قشری مشتقشده از موش را برای بهبود عملکرد در یک مسئله کلاسیک کنترل به نام «کارتپل» آموزش دادند.
چرا کارتپل اهمیت دارد
به تعادل یک مداد روی کف دستتان فکر کنید. آن حس تصحیح لحظهای و پیدرپی — کمی کج شدن به چپ، جابهجایی دست به راست — همان چیزی است که تعادل را ذاتاً ناپایدار میکند. در مهندسی و پژوهشهای هوش مصنوعی، این مسئله ساده نام رسمیای دارد: کارتپل. یک کارت مجازی به چپ یا راست حرکت میکند تا میلهای مفصلی را قائم نگه دارد؛ انحرافهای کوچک سریعاً جمع میشوند، بنابراین کنترلکننده باید تنظیمات پیوسته و با دقت بالا ارائه دهد، نه یک پاسخ واحد و نهایی.
کارتپل یکی از معیارهای محبوب در یادگیری تقویتی است، چون شبیهسازی آن ساده است اما به کنترل تطبیقی و مداوم نیاز دارد. همین ترکیب، آن را برای دانشمندان اعصاب جذاب کرد تا بررسی کنند آیا میتوان بافت عصبی زنده را با بازخورد به سمتی هدایت کرد که مانند یک کنترلکننده عمل کند — نه از راه استدلال، بلکه از طریق تغییر در سیمکشی و الگوهای سیگنالی در پاسخ به آموزش.
ارگانوئیدهای بالغی که برای این آزمایش رشد داده شدهاند.
چگونه آزمایش انجام شد
ارگانوئیدهای مورد استفاده در این پژوهش انسانی نبودند. تیم کار خود را با سلولهای بنیادی موش آغاز کرد که جهتدهی شده بودند تا تجمعهای کوچک از بافت قشری را تشکیل دهند که قادر به تولید و انتقال سیگنالهای الکتریکی باشند. این ساختارها فاقد پیچیدگی مرتبط با شناخت یا خودآگاهی هستند؛ آنها مجموعههایی از نورونها هستند که سیناپس تشکیل میدهند و میتوان با تحریک، اتصالهای آنها را تغییر داد.
محققان یک سیستم حلقهبسته راهاندازی کردند. شبیهساز کارتپل مجموعهای از سیگنالها را منتشر میکرد که زاویه مِیل (میله) و جهت آن را رمزگذاری میکردند. این سیگنالها به الگوهای تحریک الکتریکی تبدیل شد که به نورونهای منتخب در ارگانوئید تحویل داده میشد. سپس فعالیت الکتریکی خروجی ارگانوئید رمزگشایی شد تا یک فرمان «به چپ» یا «به راست» تولید شود که کارت مجازی را حرکت میداد و حلقه را تکمیل میکرد.
نکته کلیدی این بود که تیم سه رژیم آموزشی مختلف را مقایسه کردند. گروه اول از ارگانوئیدها بازخوردی دریافت نکردند. گروه دوم تحریکهای تصادفی دریافت کرد که ربطی به عملکرد گذشته نداشت. گروه سوم بازخورد تطبیقی را تجربه کرد: اگر عملکرد در پنجرهای از تلاشهای اخیر نسبت به مرجع قبلی بدتر میشد، یک انفجار کوتاه با فرکانس بالا به برخی نورونها داده میشد. یک الگوریتم پیگیری میکرد کدام جفتهای هدف-تحریک معمولاً قبل از بهبود قرار میگیرند و بر اساس نتایج کوتاهمدت، تحویل را تنظیم میکرد — نوعی مربیگری آزمون و خطا که با نتایج لحظهای تنظیم میشد.
«میتوان آن را شبیه یک مربی مصنوعی دانست که میگوید: ‘تو داری اشتباه انجام میدهی، کمی اینطور تنظیم کن’»، آش رابیینز، پژوهشگر رباتیک و هوش مصنوعی، در توضیح منطق آزمایش گفت. سوال این نبود که آیا بافت کار را «فهمیده» است یا نه، بلکه این بود که آیا میتوان تغییرات در سطح سیناپسی و شبکه را بهگونهای هدایت کرد که کنترل بهتری تولید شود.
نتایجی که حتی تیم را شگفتزده کرد
برای تشخیص یادگیری واقعی از اجراهای تصادفی خوششانس، محققان یک معیار آماری براساس کنترلکنندههای صرفاً تصادفی تعیین کردند. بدون بازخورد، ارگانوئیدها به ندرت به آستانه شایستگی میرسیدند. تحریکهای تصادفی بهبود جزئی ایجاد کرد. اما زمانی که بازخورد تطبیقی انتخابهای تحریک را هدایت میکرد، تقریباً نیمی از چرخههای آموزشی عملکردی فراتر از آنچه تصادف پیشبینی میکرد نشان دادند: جهشی تا 46 درصد شایستگی در آن جلسات.
این جهش به معنای جهش در هوش نیست. پژوهشگران محدودیتها را تأکید میکنند: تغییرات کوتاهمدت بودند. اگر ارگانوئیدها برای حدود 45 دقیقه بیکار میماندند، رفتار بهبود یافته عمدتاً ناپدید میشد و عملکرد به سطح پایه بازمیگشت. تیم این اثر را یادگیری کوتاهمدت توصیف کرد که از طریق شکلدهی پاسخهای شبکهای توسط تحریک هدفمند حاصل شده بود.
دیوید هاسلِر، بیوانفورماتیکدان در UC Santa Cruz، کار را در چشمانداز وسیعتری قرار داد: در حالی که تجسم سیستمهای هیبریدی که بافت زنده و سیلیکون را برای محاسبه ترکیب میکنند وسوسهانگیز است، ارزش فوری این پژوهش در جای دیگری قرار دارد. «هدف ما پیشبرد پژوهش مغز و درمان بیماریهای عصبی است، نه جایگزینی کنترلکنندههای رباتیک و انواع دیگر کامپیوترها با بافتهای مغزی کشتشده از حیوانات»، او گفت و اشاره کرد که آزمایش با بافت انسانی نگرانیهای اخلاقی قابل توجهی را مطرح میکند.
متن علمی و پیامدها
در هسته خود، این آزمایش پلاستیسیته را مورد پرسش قرار میدهد — توانایی مغز برای بازسیمکشی خود در پاسخ به تجربه. در نمونههای زنده (in vivo)، پلاستیسیته پایههای یادگیری، حافظه، بازیابی پس از آسیب و بسیاری از فرایندهای رشدی است. ارگانوئیدها یک پنجره قابل کنترل و قابل مشاهده به این مکانیسمها ارائه میدهند. اگر یک شبکه در ظرف بتواند بهطور قابل اعتماد با تحریکهای الگویی به یک رژیم عملکردی دلخواه هدایت شود، این تکنیک میتواند به ابزاری پژوهشی تبدیل شود تا بررسی کند چگونه بیماریها، واریانتهای ژنتیکی یا عوامل دارویی ظرفیت تطبیقی را تحت تأثیر قرار میدهند.
این کار همچنین به موضوعات گستردهتری در سیستمهای بایوهیبرید اشاره دارد. رابطهایی که سیگنالهای زیستی را به عملهای ماشینی و بالعکس ترجمه میکنند، در پروتزها، رابطهای مغز-ماشین و پژوهش نورومورفیک محوری هستند. این مطالعه یک رایانشگر زیستی عملی تولید نمیکند، اما یک اثبات اصل را نشان میدهد: بافت عصبی زنده میتواند با بازخورد حلقهبسته به حل یک کار کنترل پیوسته بهتر از شانس هدایت شود.
نکات تخصصی
«این یک آزمایش هوشمندانه طراحیشده است که از یک وظیفه ساده برای آشکار کردن ویژگیهای پیچیده بافت عصبی بهره میبرد»، دکتر میرا پاتل، یک عصبشناس که پلاستیسیته سیناپسی را مطالعه میکند، میگوید. «آنچه برجسته است الگوریتم بازخورد تطبیقی است: این الگوریتم بهعنوان یک معلم خارجی عمل میکند که تغییرات سیناپسی را هدایت میکند. دوام شکننده حالت آموزشدیده نشان میدهد که معماری شبکه و تثبیت سیناپسی در ارگانوئیدها با مغزهای سالم تفاوت دارد، و این به گامهای بعدی واضحی اشاره میکند — زمانهای کشت طولانیتر، ورودیهای غنیتر یا پروتکلهای تحریک ترکیبی برای سوق دادن دستاوردهای کوتاهمدت به تغییرات پایدارتر.»
از منظر اخلاقی و عملی، مسیر پیش رو نیازمند انتخابهای دقیق خواهد بود. افزایش پیچیدگی ممکن است حافظه و مقاومت را بهبود بخشد، اما پژوهشگران باید سود علمی را در برابر پیامدهای اخلاقی بسنجند، بهویژه اگر بافت مشتقشده از انسان وارد چنین آزمایشهایی شود. در حال حاضر، ارگانوئیدهای مشتقشده از موش یک میدان آزمایشی ایمنتر فراهم میکنند.
سؤالهای فوری بعدی هم فنی و هم زیستی هستند: کدام الگوهای تحریک قویتر شبکه را به بازسیمکشی بادوام سوق میدهند؟ چگونه توپولوژی شبکه، ترکیب نوع سلولی و بلوغ اتصال تأثیر میگذارد بر ظرفیت نگهداری رفتار آموزشدیده؟ و از منظر پژوهش پزشکی، چگونه ارگانوئیدهای مدل بیماریها در مواجهه با همان مربیگری تطبیقی واکنش نشان میدهند؟
اینها جهتهایی هستند که تیم و حوزه گستردهتر بهاحتمال زیاد دنبال خواهند کرد. اگر ارگانوئیدها بتوانند به تستبِدهای قابل اعتمادی برای پلاستیسیته تبدیل شوند، ممکن است به تسریع درمانها کمک کنند و درک ما را از چگونگی یادگیری مدارهای عصبی — از سادهترین حلقهها تا پیچیدهترین شبکهها — در جهان پرفراز و نشیب عمیقتر کنند.
وقتی بافت زنده و نظریه کنترل در کنار هم بر روی میز آزمایشگاهی قرار میگیرند، نتیجه میتواند غیرمنتظره باشد: نه یک مغز که فکر میکند، بلکه یک شبکه زنده که برای مدتی میآموزد چگونه میلهای را از افتادن بازدارد.
منبع: sciencealert
نظرات
آرمین
این آزمایش پنجره خوبیه به پلاستیسیته، ولی سوالای اخلاقی هم داره. پیشرفت خوبه ولی چارچوب لازمِ، نه ولش کن
بایونیکس
ایده خوبه ولی حس میکنم کمی اغراق شده، نمایش آزمایشگاهیه. باید کشت طولانیتر و ورودیهای واقعیتر امتحان شن. زود نتیجه نگیرن
کوینپ
آیا نتایج واقعا پایدارن؟ 45 دقیقه که از بین میره یعنی هنوز کلی محدوده، خیلی دوریم از کاربرد واقعی؟
دیتاپالس
وااای این واقعاً شگفتانگیزه… بافت زنده که یاد میگیره؟ حس عجیبیه، هم جذبم میکنه هم کمی ترسناک.
ارسال نظر