بزرگنمايي:

سیاست و بازاریابی - زومیت /پژوهشگران نشان دادند که مدارهای عصبی زنده می‌توانند با بازخورد ساختاریافته به سمت حل یک مسئله تعادل حرکت هدایت شوند.
مغز انسان و حیوانات یکی از پیچیده‌ترین سیستم‌های طبیعی است و پژوهشگران سال‌هاست در تلاش‌اند تا بفهمند چگونه نورون‌ها به یادگیری اطلاعات و پردازش آن‌ها می‌پردازند. اکنون دانشمندان قدمی تازه برداشته‌اند: آنها مغزهای کوچک در آزمایشگاه رشد دادند و سپس به آن‌ها آموختند تا یک مسئله مهندسی را حل کنند. این مطالعه نشان می‌دهد که بافت عصبی زنده می‌تواند با بازخورد مناسب به سمت حل مسائل کنترل حرکت هدایت شود و بینشی جدید درباره عملکرد مغز و بیماری‌های عصبی ارائه دهد.
بازار
چند توده کوچک از بافت مغزی که در آزمایشگاه رشد داده شده بودند، نشان دادند که مدارهای عصبی می‌توانند با پالس‌های الکتریکی ساختاریافته به سمت حل مسئله کلاسیک کنترل حرکت هدایت شوند. در این آزمایش، ارگانوئیدهای قشری (خوشه‌های کوچک بافت مغزی) توانستند عملکرد خود را در یک معیار مهندسی معروف، یعنی تعادل یک میله مجازی ناپایدار، به مرور زمان بهبود دهند.
ارگانوئیدهای مغزی با دریافت بازخورد الکتریکی ساختاریافته توانستند عملکرد خود را در تعادل میله‌ مجازی ناپایدار بهبود دهند
این پیشرفت هنوز به معنای ساخت یک کامپیوتر زیستی عملی نیست، اما به‌عنوان نمونه مفهومی نشان می‌دهد که بافت عصبی در ظرف آزمایشگاهی می‌تواند از طریق بازخورد ساختاریافته و منظم تغییر کند. چنین دستاوردی می‌تواند به دانشمندان کمک کند تا بررسی کنند چگونه بیماری‌های عصبی ظرفیت انعطاف‌پذیری مغز و توانایی آن برای یادگیری را تغییر می‌دهند.
اش رابینز، محقق رباتیک و هوش مصنوعی در دانشگاه کالیفرنیا، سانتا کروز، می‌گوید: «در تلاشیم تا اصول بنیادی نحوه تنظیم تطبیقی نورون‌ها برای حل مسائل را بفهمیم. اگر بتوانیم بفهمیم چه چیزی این توانایی را در ظرف آزمایشگاهی ایجاد می‌کند، می‌توانیم راه‌های جدیدی برای مطالعه اثر بیماری‌های عصبی بر توانایی مغز برای یادگیری پیدا کنیم.»
ارگانوئیدهای مغزی بالغ که برای آزمایش پرورش داده شدند.
به گزارش ساینس‌آلرت، ارگانوئیدهای مورد استفاده در آزمایش از سلول‌های بنیادی موش ساخته و به خوشه‌های کوچک بافت قشری تبدیل شدند که می‌توانستند سیگنال‌های الکتریکی ارسال و دریافت کنند. این بافت‌ها به اندازه کافی پیچیده نبودند تا بتوانند فکر کنند یا آگاه باشند، اما اتصالات داخلی آن‌ها می‌توانست در پاسخ به تحریکات خارجی تغییر کند.
برای آزمایش، از یک مسئله کلاسیک مهندسی به نام کارت‌پل (CartPole) استفاده شد. تصور کنید می‌خواهید جسم بلندی مانند خط‌کش یا خودکار را روی دست خود تعادل دهید. اگر کاملاً عمودی نباشد، شروع به خم شدن می‌کند و شما باید مرتب دست خود را حرکت دهید تا آن را سرپا نگه دارید. در نسخه مجازی، یک واگن مجازی می‌تواند به چپ یا راست حرکت کند تا میله‌ای که به آن متصل است، عمودی بماند. این مسئله ساده به نظر می‌رسد، اما کوچک‌ترین خطاها به سرعت انباشته و باعث می‌شوند کنترل میله چالش‌برانگیز شود.
کارت‌پل اغلب در پژوهش‌های یادگیری تقویتی استفاده می‌شود، زیرا شبیه‌سازی آن آسان و سریع است. برخلاف وظایف تشخیص الگو، در این مسئله نیاز به تنظیمات دقیق و مداوم وجود دارد و یک پاسخ درست واحد کافی نیست. برای رابینز و همکارانش، کارت‌پل فرصت جدیدی برای آزمایش توانایی‌های ارگانوئیدهای مغزی بود.
آزمایش براساس بازخورد الکتریکی انجام شد. الگوهای مختلف تحریک، جهت و میزان انحراف میله را نشان می‌دادند. پاسخ‌های ارگانوئیدها سپس به‌عنوان نیروهایی برای حرکت واگن به چپ یا راست تفسیر می‌شدند تا لرزش میله جبران شود.
باید اشاره کرد که ارگانوئیدها هیچ درک مستقیمی از وظیفه نداشتند. هدف پژوهشگران این بود که ببینند آیا اتصالات نورونی می‌تواند از طریق بازخورد تنظیم شود یا خیر. به عبارت دیگر، آیا پالس‌های الکتریکی می‌توانند تغییراتی ایجاد کنند که شبکه عصبی را به سمت کنترل بهتر هدایت کنند یا خیر.
هر تلاش برای متعادل کردن میله، که به آن «قسمت» یا episode گفته می‌شود، تا زمانی ادامه داشت که زاویه میله از حد مشخصی فراتر می‌رفت. عملکرد در پنجره‌های پنج قسمتی پیگیری شد. ارگانوئیدها در سه شرایط قرار گرفتند: بدون بازخورد، بازخورد تصادفی به نورون‌های انتخاب‌شده، یا بازخورد تطبیقی براساس عملکرد گذشته.
شرط تطبیقی اهمیت ویژه‌ای داشت. اگر عملکرد پنج قسمت اخیر نسبت به میانگین ۲۰ قسمت گذشته کاهش می‌یافت، سیستم یک پالس کوتاه با فرکانس بالا ارسال می‌کرد. الگوریتم مشخص می‌کرد کدام نورون‌ها این پالس‌ها را براساس اینکه آیا الگوهای مشابه قبلاً باعث بهبود کنترل شده بودند یا نه، دریافت کنند. رابینز توضیح می‌دهد: «می‌توانید آن را مثل یک مربی مصنوعی تصور کنید که می‌گوید: «اشتباه می‌کنی، کمی این‌طور تغییر بده». ما در حال یادگیری بهترین روش ارائه این سیگنال‌های آموزشی هستیم.»
پژوهشگران برای اطمینان از اینکه ارگانوئیدها واقعاً پیشرفت می‌کنند و فقط خوش‌شانس نیستند، معیار عملکردی بر اساس کنترلر کاملاً تصادفی تعیین کردند. اگر بهترین عملکرد ارگانوئید در یک جلسه از چیزی که شانس می‌توانست تولید کند فراتر می‌رفت، آن جلسه به‌عنوان موفق شمارش می‌شد.
نتایج بسیار جالب بودند: ارگانوئیدهایی که هیچ بازخوردی نداشتند تنها ۲٫۳ درصد زمان به معیار عملکرد قوی رسیدند، و آن‌هایی که بازخورد تصادفی دریافت کردند ۴٫۴ درصد موفق بودند. اما تحت بازخورد تطبیقی مداوم، ارگانوئیدها در ۴۶ درصد چرخه‌ها از آستانه مهارت عبور کردند.
بازخورد تطبیقی باعث شد ارگانوئیدها در ۴۶ درصد چرخه‌ها به معیار مهارت برسند، در حالی که بدون بازخورد یا با بازخورد تصادفی، موفقیت بسیار کمتر بود
رابینز می‌گوید: «وقتی می‌توانیم محرک‌های آموزشی را فعالانه انتخاب کنیم، می‌توانیم شبکه عصبی را برای حل مسئله شکل دهیم. ما نشان دادیم که می‌توانیم یادگیری کوتاه‌مدت ایجاد کنیم، یعنی یک ارگانوئید را از یک حالت به حالت مورد هدف منتقل کنیم و این کار را مداوم انجام دهیم.»
بااین‌حال، توصیف «کوتاه‌مدت» دقیق است؛ زیرا اگر ارگانوئیدها تنها برای مدت کوتاهی (مثلاً ۴۵ دقیقه) غیرفعال شوند، آموزش و مهارت‌هایی را که کسب کرده‌اند، فراموش می‌کنند و عملکردشان به سطح اولیه بازمی‌گردد. پژوهش‌های آینده می‌توانند راه‌هایی برای تقویت حافظه این بافت‌های مغزی کوچک بررسی کنند، شاید از طریق افزایش پیچیدگی ساختار شبکه نورونی یا به‌کارگیری روش‌های آموزشی طولانی‌تر و تدریجی.
دیوید هاوسلر، بیوانفورماتیک دانشگاه کالیفرنیا، سانتا کروز، می‌گوید: «هدف ما پیشبرد تحقیقات مغز و درمان بیماری‌های عصبی است، نه جایگزینی کنترلرهای رباتیک یا کامپیوترهای دیگر با بافت مغزی حیوانات آزمایشگاهی. این ایده ممکن است جذاب باشد، اما مسائل اخلاقی جدی به همراه دارد، به‌ویژه اگر از ارگانوئیدهای مغز انسانی استفاده شود.»
پژوهش در ژورنال Cell Reports منتشر شده است.