مدل‌های عصبی جزئیات بیوفیزیکی منحصربه‌فردی را به عملکرد تک تک نورون‌ها ارائه می‌کنند. آنها محققان را قادر می سازند تا ویژگی های عصبی را به طور سیستماتیک و برگشت پذیر دستکاری کنند، چیزی که اغلب در آزمایش های دنیای واقعی غیرممکن است.
به گزارش تکناک، این جزئیات در مدل‌های سیلیکونی نقش اساسی در پیشرفت درک ما از اینکه چگونه مورفولوژی عصبی بر تحریک پذیری تأثیر می‌گذارد و چگونه جریان‌های یونی خاص به عملکرد سلول کمک می‌کنند، ایفا کرده‌اند. علاوه بر این، آنها تاکنون در ساختن مدارهای عصبی به منظور شبیه سازی و مطالعه فعالیت مغز موثر بوده اند و نگاهی اجمالی به حرکات پیچیده نورون ها ارائه می دهند که اساس افکار و اعمال ما است.
چالش های ایجاد مدل
ایجاد مدل‌های الکتریکی دقیق که مشاهدات تجربی را به درستی تکرار کنند، کار ساده‌ای نیست. این کار شامل یافتن شباهت بین پاسخ‌های مدل و رفتارهای الکتروفیزیولوژیکی واقعی است، که وقتی پارامترهایی مانند رسانایی کانال یونی و خواص غشای غیرفعال مستقیماً قابل اندازه‌گیری نباشند، می‌تواند چالش‌برانگیز باشد. دستیابی به شباهت بالا اغلب مستلزم کاوش گسترده در فضای پارامتر است، کاری که می تواند سخت و زمان بر باشد.
الگوریتم های تکاملی برای نجات
برای مقابله با این چالش ها، محققان به الگوریتم های تکاملی (EAs) برای کمک روی آورده اند. EA ابزارهای کارآمدی برای بهینه سازی پارامترهای جهانی در فضاهای با ابعاد بالا هستند. به طور خاص، الگوریتم تکاملی مبتنی بر شاخص (IBEA) در این زمینه امیدوارکننده است. با این حال، این زمینه هنوز فاقد گردش کار کاملاً منبع باز و قابل تکرار برای بهینه سازی مدل است.
گردش کار جهانی پروژه مغز آبی
در این راستا پروژه مغز آبی یک جریان کاری یکپارچه را برای ایجاد و اعتبارسنجی مدل‌های عصبی (Nervous system) با استفاده از ابزارهای متن باز معرفی می‌کند.
در این مطالعه جدید، که روی جلد مجله Patterns ظاهر شده است، Blue Brain یک گردش کار جهانی پیشگامانه برای ایجاد، اعتبارسنجی و تعمیم مدل‌های عصبی دقیق به نام مغز آبی ارائه می‌کند. این رویکرد بر اساس ابزارهای منبع باز، با تمام مراحل به صورت رایگان ساخته شده است و به محققان راه حلی جامع برای ساخت مدل های عصبی ارائه می دهد که می توانند یک سلول بیولوژیکی منفرد یا یک نوع پیش تعریف شده از سلول ها را نشان دهند.
مدل های عصبی متعارف
یکی از ویژگی های منحصر به فرد این گردش کار، توانایی ساخت مدل های عصبی به اصطلاح متعارف است. ورنر ون گیت، رهبر گروه در BBP توضیح می‌دهد: به‌جای سفارشی‌سازی هر مدل برای نورون های جداگانه، مدل‌هایی ایجاد می‌شوند که یک نوع نورون (neuron : electrically excitable cell that communicates via synapses) کامل را نشان می‌دهند. این رویکرد به ویژه هنگام مطالعه خواص یک نوع عصب خاص و هنگام ساخت مدارهای عصبی بزرگ، مفید است.
کاربرد گردش کار
در این مطالعه، نویسندگان روش کار را برای ایجاد 40 مدل نمایانگر 11 نوع عصب الکتریکی (e-type) در قشر حسی مغز موش صحرایی استفاده کردند. این منطقه از قشر مغز مسئول پردازش اطلاعات حسی مربوط به لمس، فشار، دما و درد از بخش‌های مختلف بدن است. هر مدل براساس یک سری ویژگی‌های الکتروفیزیولوژیک بهینه شد تا با داده‌های تجربی به خوبی همخوانی داشته باشد. سپس این مدل‌های کانونی روی تناسب شکل‌های مختلف آزموده شدند تا قابل تعمیم پذیری آنها ارزیابی شود.
با تجزیه و تحلیل پارامترهای مورد استفاده در این مدل ها، دانشمندان بینشی در مورد خواص بیوفیزیکی آنها به دست می آورند. کریستین روسرت، نویسنده همکار این مطالعه تأکید می‌کند: تحلیل حساسیت کمک می‌کند تا مشخص شود کدام پارامترها برای عملکرد مدل بسیار مهم هستند و کدام پارامترها می‌توانند بدون تأثیر بر نتیجه تغییر کنند. این درک عمیق‌تر، کمک قابل توجهی در اصلاح ساخت مدل است.
محدودیت ها و مسیرهای آینده
اگرچه این روش قدرتمند است، اما نویسندگان به برخی محدودیت‌ها اشاره می‌کنند. انواع خاصی از نورون ها به خوبی در اشکال مختلف تعمیم می یابند، در حالی که برخی دیگر با مشکل مواجه می شوند. درک اینکه چرا مدل های خاص با مورفولوژی های خاص بهتر کار می کنند، یک حوزه تحقیقاتی است. علاوه بر این، ایجاد یک مدل متعارف واحد به معنای کنار گذاشتن برخی از تغییرات مشاهده شده در نورون های واقعی است. برای پرداختن به این موضوع، دانشمندان علوم اعصاب می‌توانند چندین مدل را بر اساس ورودی یکسان ایجاد کنند و تنوعی را برای نشان دادن تنوع در دنیای واقعی ارائه کنند.
مجموعه مدل‌های الکترونیکی ارائه شده در این آزمایش بر اساس اندازه‌گیری‌های الکتریکی از ضبط گیره و وصل بدنه اصلی نورون‌ها است. به عبارت دقیق تر، در نسخه‌های آینده، این مدل‌ها می‌توانند با جزئیات بیشتری مانند گیرش سیناپسی و دندریت و جریان‌های یون اضافه شوند.
گیت گفت: این پیشرفت ها حتی ما را به درک نحوه عملکرد نورون ها نزدیک تر می کند.
