شبیه سازی دقیق کورتکس موش: مدل سه بعدی نورونی برای پژوهش

پژوهشگران یکی از دقیق‌ترین مغزهای مجازی تا کنون را ساخته‌اند: یک شبیه‌سازی کامل از کورتکس موش که نورون‌های فردی و اتصالات آن‌ها را بازتولید می‌کند و امکان انجام آزمایش‌های نو درباره امواج مغزی، تشنج و بیماری‌ها را بدون نیاز به روش‌های تهاجمی فراهم می‌آورد.

چگونه کورتکس مجازی موش ساخته شد

یک تیم مشترک از مؤسسه آلن (ایالات متحده) و دانشگاه ارتباطات الکتریکی (ژاپن) با استفاده از پایگاه‌های داده سلولی، نقشه‌های سازه‌ای آناتومیک و نرم‌افزارهای جدید که برای کارایی بهینه طراحی شده‌اند، مدلی سه‌بعدی از یک کورتکس موش کامل را سرهم‌بندی کردند. این سازهٔ مجازی شامل تقریباً ۹ میلیون نورون است که توسط حدود ۲۶ میلیارد سیناپس در میان ۸۶ ناحیهٔ به‌هم‌پیوسته متصل شده‌اند. شبیه‌سازی روی اَبَرحاسوب فوگاكو در ژاپن اجرا می‌شود و محاسباتی در مقیاس کوادریلیون در ثانیه انجام می‌دهد تا فعالیت‌های نورونی را با واقع‌نمایی بالا شبیه‌سازی کند.

برای مقایسه باید گفت که یک مغز کامل موش واقعی تقریباً ۷۰ میلیون نورون دارد و حجمی در اندازه یک بادام‌زمینی را اشغال می‌کند. بنابراین کورتکس شبیه‌سازی‌شده زیرمجموعه‌ای از کل ارگان است، اما جزئیات ساختاری و دینامیکی مهمی را که مدارهای زیستی را منعکس می‌کنند، حفظ می‌کند. این پژوهش نشان می‌دهد که با منابع محاسباتی کافی و داده‌های زیست‌شناختی دقیق، مدل‌های مغزی در مقیاس بزرگ و مبتنی بر زیست‌شناسی قابل‌تحقق‌اند؛ موضوعی مهم در زمینه شبیه‌سازی مغز، مدل‌سازی شبکه‌های عصبی زیستی و کارهای مرتبط با نوروساینس محاسباتی.

آنچه این شبیه‌سازی به دانشمندان می‌دهد

این مدل به پژوهشگران یک نقشهٔ پویا و سه‌بعدی ارائه می‌دهد که در آن نورون‌های فردی را می‌توان در حال شلیک (فایرینگ) و شکل‌گیری شبکه‌ها در طول زمان مشاهده کرد. این سطح از گرانولاریته (ریزبینی) به معنی آن است که فرضیه‌هایی درباره شناخت، گسترش تشنج، ارتباط بین نیم‌کره‌ها و تولید امواج مغزی می‌توانند ابتدا یا به‌طور کامل در محاسبات شبیه‌سازی‌شده مورد آزمایش قرار گیرند؛ پیش از آن که به آزمایش‌های گران‌قیمت یا تهاجمی بر روی حیوانات متوسل شوند.

شبیه‌سازی به پژوهشگران امکان ردیابی فعالیت نورون‌های فردی را می‌دهد.

مطلب مرتبط

ادامه مطلب

فعال سازی مزمن نورون های دوپامین و پیوند آن با دژنراسیون مشابه پارکینسون

فعال‌سازی پیوسته و کم‌شدت نورون‌های تولیدکننده دوپامین می‌تواند این سلول‌ها را خسته کرده و به مرگ...

برای مثال، تیم‌های پژوهشی می‌توانند یک جهش محلی از فعالیت را در کورتکس مجازی تحریک کنند تا ببینند چگونه ریتم‌های غیرطبیعی انتشار می‌یابند، یا بررسی کنند که چگونه نوسانات همگام بین دو نیم‌کره وضعیت‌های شبکه‌ای شبیه توجه را تحت تأثیر قرار می‌دهد. از آنجا که نرم‌افزار برای کمینه‌سازی محاسبات غیرضروری تنظیم شده است، آزمایش‌های طولانی‌مدت و جست‌وجو در میان پارامترهای متعدد بر روی اَبَرحاسوب‌های فعلی عملی می‌شود؛ موضوعی که برای مطالعات امواج مغزی و مدل‌سازی تشنج اهمیت دارد.

«این نشان می‌دهد که در را به روی امکانات باز کرده‌ایم»، می‌گوید آنتون آرخیپووف، نوروساینتیست محاسباتی از مؤسسه آلن. «ما می‌توانیم این نوع شبیه‌سازی‌های مغزی را با قدرت محاسباتی کافی با کارآیی اجرا کنیم. این یک دستاورد فنی است که به ما اطمینان می‌دهد مدل‌های بسیار بزرگ‌تر نه تنها ممکن‌اند، بلکه با دقت و مقیاس قابل دستیابی‌اند.» این دیدگاه نشان‌دهندهٔ پیشرفت‌های همگرایی بین محاسبات پرقدرت، داده‌های اتصالی (کانکتومیکس) و آتل‌های سلولی است.

زمینهٔ علمی و پیامدها

شبیه‌سازی‌های مغزی در مقیاس بزرگ در تقاطع نوروساینس، محاسبات با کارایی بالا و علم داده قرار دارند. این مدل‌ها بر پايهٔ آتل‌های دقیق نوع سلولی، نقشه‌های کانکتومیک (که نشان می‌دهد نورون‌ها چگونه با یکدیگر سیم‌کشی شده‌اند) و اندازه‌گیری‌های الکتروفیزیولوژیک بنا شده‌اند که فعالیت مدل را محدود می‌کنند. هنگامی که این ورودی‌ها دقیق باشند، شبکه‌های شبیه‌سازی‌شده می‌توانند ویژگی‌های قابل‌اندازه‌گیری بافت واقعی را بازتولید کنند—از جمله نرخ‌های شلیک، الگوهای همگام‌سازی و سرعت انتشار موج‌ها. این تطابق بین شبیه‌سازی و داده‌های آزمایشی برای اعتبارسنجی مدل‌های مغز حیاتی است.

از منظر بالینی، چنین مدل‌هایی می‌توانند تحقیقات در زمینه بیماری‌های نورودژنراتیو مانند آلزایمر را سرعت ببخشند، زیرا امکان بررسی نظام‌مند این موضوع را فراهم می‌کنند که چگونه تغییرات در سطح سلولی دینامیک شبکه را در طول زمان تغییر می‌دهند. علاوه بر این، شبیه‌سازی‌ها می‌توانند تعداد آزمایش‌های زنده حیوانی را کاهش دهند؛ زیرا با محدود کردن گزینه‌ها به مداخلات امیدوارکننده‌تر و پیش‌بینی عوارض جانبی محتمل بر رفتار شبکه، مسیر تحقیق را بهینه می‌کنند. این مزایا در پژوهش‌های مربوط به صرع، آسیب‌های مغزی و اختلالات امواج مغزی اهمیت ویژه‌ای دارد.

تاداشی یامازاکی، دانشمند رایانه‌ای در دانشگاه ارتباطات الکتریکی، به نقش گستردهٔ فوگاكو اشاره می‌کند: «فوگاكو برای پژوهش در حوزه‌های گسترده‌ای از علوم محاسباتی، مانند نجوم، هواشناسی و کشف دارو مورد استفاده قرار گرفته و به حل مشکلات اجتماعی گوناگون کمک می‌کند. در این مورد، ما فوگاكو را برای شبیه‌سازی مدارهای نورونی به کار بردیم.» حضور چنین اَبَرحاسوب‌هایی در پروژه‌های نوروساینس محاسباتی، امکان اجرای شبیه‌سازی‌های پیچیده شبکه‌های عصبی زیستی و تحلیل داده‌های حجیم را فراهم می‌آورد.

چشم‌اندازهای آینده و چالش‌ها

تیمی که پشتِ این مدل است، هم‌اکنون از آن برای مطالعهٔ همگام‌سازی امواج مغزی و تعاملات بین نیم‌کره‌های قشری استفاده می‌کند، اما برنامه‌های بلندپروازانه‌تری نیز دارند: در نهایت ساخت مدل‌های تمام‌مغز، از جمله شبیه‌سازی‌های در مقیاس انسان که تمام جزئیات زیستی در دسترس را دربرگیرند. رسیدن به این هدف با موانع چندگانهٔ قابل‌توجهی روبه‌روست.

مطلب مرتبط

ادامه مطلب

چشم اندازی پیچیده از مغز انسان: نقش شیارها و چین خوردگی های مغزی در عملکرد شناختی

چهره پیچیده مغز انسان یکی از ویژگی‌های شگفت‌انگیز که مغز انسان را از مغز دیگر حیوانات...

• کامل‌بودن داده‌ها: مغزهای انسانی به‌مراتب پیچیده‌تر از کورتکس موش هستند؛ به‌دست‌آوردن نقشه‌های نوع سلولی و اتصالات با رزولوشن بالا یک تلاش علمی بزرگ و مستمر است. تهیه آتل‌های سلولی انسانی، داده‌های کانکتومیک و اندازه‌گیری‌های الکتروفیزیولوژی دقیق برای هر ناحیه مغزی ضروری است.
• هزینهٔ محاسباتی: شبیه‌سازی‌های در مقیاس انسان نیازمند مرتبه‌های بزرگی محاسبات بیشتر و الگوریتم‌های بهینه‌شده هستند تا قابل‌اجراآ شدن باقی بمانند. بهینه‌سازی‌ حافظه، موازی‌سازی و مدل‌سازی سطح-میانجی (multi-scale modeling) از جمله زمینه‌هایی است که باید توسعه یابند.
• اعتبارسنجی: مدل‌ها باید به‌طور مداوم در برابر داده‌های تجربی اعتبارسنجی شوند تا اطمینان حاصل شود که دینامیک‌های شبیه‌سازی‌شده بازتاب زیست‌شناسی واقعی است و نه محصول ناخواستهٔ انتخاب‌های مدل‌سازی. این شامل ارزیابی معیارهایی مانند نرخ‌های شلیک، طیف‌های فرکانسی امواج مغزی، و الگوهای انتشار موج است.

با وجود این چالش‌ها، تلاش کنونی یک اثباتِ مفهوم مهم است. با ترکیب داده‌های زیست‌شناختی دقیق و زیرساخت‌های پیشرو در اَبَرحاسوب، پژوهشگران به سوی یک کلاس جدید از ابزارها برای مطالعه عملکرد و اختلالات مغزی پیش رفته‌اند. این ابزارها می‌توانند مبنایی برای مدل‌سازی‌های ترجمه‌ای (translational models) باشند که بین مطالعات پایه و کاربردهای بالینی پل می‌زنند.

دیدگاه کارشناسی

دکتر مایا فرناندز، نوروساینتیست و مدل‌ساز محاسباتی در یک آزمایشگاه فناوری عصبی دانشگاهی، در مورد این کار اظهار نظر کرده است: «مدل‌های قشری در مقیاس بزرگ نقطه‌عطفی برای نوروساینس ترجمه‌ای هستند. آن‌ها به ما امکان می‌دهند پرسش‌های سطح مکانیسم را بررسی کنیم—چگونه پاتولوژی سلولی به نقص در عملکرد مدار تبدیل می‌شود—بدون اغتشاشاتی که در سامانه‌های زنده وجود دارد. گام حیاتی بعدی، یکپارچه‌سازی داده‌های چندحالتی انسانی است تا شبیه‌سازی‌ها بتوانند به گونه‌ای معنادار راهبردهای بالینی را مطلع سازند.»

این نظر بر اهمیت استفاده از داده‌های مولتی‌مدال (مولکولی، آناتومیک، الکتروفیزیولوژیک و تصویربرداری) تاکید دارد. یکپارچه‌سازی چنین مجموعه‌داده‌های پراکنده و اندازه‌گیری‌شده در شرایط مختلف بالینی و آزمایشگاهی لازمهٔ پیشرفت در مدل‌سازی مغز است. علاوه بر این، توسعه استانداردهای باز برای تبادل داده و نرم‌افزار شبیه‌سازی، همکاری‌های بین‌المللی را تسهیل و تکرارپذیری نتایج را افزایش خواهد داد.

چشم‌انداز

این شبیه‌سازی در کنفرانس اَبَرحاسباتی SC25 ارائه شد و به‌صورت آنلاین در دسترس قرار دارد. این کار نمودی از پیشرفت قابل توجه در مدل‌سازی عصبی مبتنی بر زیست‌شناسی است و نشان می‌دهد چگونه اَبَرحاسوب‌هایی مانند فوگاكو می‌توانند کشفیات از علوم پایه تا کاربردهای بالقوه بالینی را تسریع کنند. همان‌طور که مجموعه‌داده‌ها و الگوریتم‌ها بهبود می‌یابند، پلتفرم‌های مغز مجازی تبدیل به ابزارهای قدرتمندتری برای درک اندیشه، بیماری و دینامیک‌های پدیدار‌شوندهٔ بافت عصبی خواهند شد.

در آینده نزدیک، انتظار می‌رود این شبیه‌سازی‌ها نه تنها در پژوهش پایه، بلکه در طراحی دارو، پیش‌بینی پاسخ‌های درمانی و توسعهٔ روش‌های غیرتهاجمی برای کنترل اختلالات امواج مغزی نقشی کلیدی ایفا کنند. از سوی دیگر، بحث‌های مربوط به اخلاق شبیه‌سازی‌های پیچیده مغزی و حریم داده‌های زیستی نیز باید موازی با پیشرفت‌های فنی پیش رود تا کاربردهای بالینی و اجتماعی این فناوری به صورت مسئولانه و قابل‌اطمینان توسعه یابند. در نهایت، ترکیب نوروساینس محاسباتی، کانکتومیکس، آتل‌های سلولی و محاسبات پیشرفته می‌تواند دروازه‌ای نو به سوی فهم سازوکارهای پایه‌ای عملکرد مغز و درمان‌های هدفمند برای بیماری‌های عصبی باز کند؛ از جمله صرع، آلزایمر و سایر بیماری‌های نورودژنراتیو.

مطلب مرتبط

ادامه مطلب

افق های نوین در تصویربرداری مغز به روش غیرتهاجمی

پیشرفت بزرگ در تصویربرداری غیرتهاجمی مغز در یک دستاورد پیشگامانه، پژوهشگران دانشگاه گلاسگو موفق شدند نور...