فهرست مطالب
پژوهشگران دانشگاه بریستول بریتانیا با استفاده از مغزهای کوچک انسانی پرورش‌یافته در آزمایشگاه، موفق شدند حروف خط بریل را با دقت ۸۳ درصد تشخیص دهند.
به گزارش سرویس علمی تکناک، مغز انسان با وجود مصرف انرژی بسیار پایین، توانایی پردازش حجم عظیمی از اطلاعات را دارد. دانشمندان تاکنون نتوانسته‌اند با استفاده از تراشه‌های سیلیکونی و مدارهای الکترونیکی، سیستمی با بهره‌وری مشابه مغز انسان بسازند. همین ویژگی باعث شده است که پژوهشگران به استفاده از سلول‌های عصبی زنده در فناوری‌های محاسباتی روی بیاورند.
پژوهشگران پیش‌تر توانسته بودند مجموعه‌هایی از سلول‌های مغزی را برای اجرای بازی‌های ویدیویی مانند Pong و Doom به کار بگیرند. همچنین توسعه مراکز داده زیستی مبتنی بر سلول‌های زنده مغز انسان، توجه محققان را به ظرفیت این فناوری جلب کرده است.
اکنون محققان دانشگاه بریستول با آزمایش ارگانوئیدهای مغزی نشان داده‌اند که این ساختارهای زیستی می‌توانند اطلاعات دریافت‌شده از حسگرهای مصنوعی را پردازش کنند و پاسخ‌هایی قابل تحلیل ارائه دهند.
بیشتر بخوانید: کشف ساختار کوچکی در مغز که آینده را پیش‌بینی می کند
استفاده از ۱۰ هزار نورون زنده برای تشخیص حروف بریل
پژوهشگران در این آزمایش از ارگانوئیدهای بخش پیش‌مغز انسان استفاده کردند. ارگانوئیدهای مغزی ساختارهای سه‌بعدی کوچکی هستند که از سلول‌های زنده در محیط آزمایشگاهی پرورش می‌یابند و برخی ویژگی‌های ساختاری و عملکردی مغز واقعی را بازسازی می‌کنند.
هر ارگانوئید مورد استفاده در این پژوهش، قطری کمتر از یک میلی‌متر داشت و از حدود ۱۰ هزار نورون به همراه سلول‌های پشتیبان مغزی تشکیل شده بود.
برای مقایسه، مغز یک انسان بزرگسال به‌طور متوسط حدود ۸۶ میلیارد نورون دارد. بنابراین، تعداد نورون‌های هر ارگانوئید کمتر از ۰٫۰۰۰۰۱ درصد نورون‌های مغز انسان بود.
دانشمندان این ساختارهای کوچک را روی مجموعه‌ای از الکترودها قرار دادند که امکان انتقال سیگنال‌های الکتریکی به سلول‌های عصبی را فراهم می‌کردند.
پژوهشگران تخمین می‌زنند که ارگانوئیدهای مورد استفاده در این آزمایش می‌توانند در شرایط مناسب حدود ۱۰۰ روز زنده بمانند. این مدت برای بررسی واکنش آنها به محرک‌های مختلف کافی است.
محققان برای آزمایش توانایی پردازش اطلاعات این مغزهای کوچک انسانی، از یک حسگر لمسی برای اسکن ۲۶ حرف الفبای بریل استفاده کردند. سپس داده‌های ثبت‌شده را به سیگنال‌های الکتریکی تبدیل کردند و به ارگانوئیدهای مغزی انتقال دادند.
در مرحله بعد، یک سیستم یادگیری ماشینی الگوهای فعالیت نورون‌ها را بررسی کرد تا مشخص شود هر ارگانوئید کدام حرف بریل را دریافت کرده است.
نتایج نشان داد که سیستم با تحلیل پاسخ یک ارگانوئید می‌تواند حروف بریل را با دقت حدود ۶۱ درصد تشخیص دهد.
تیانی لیو، نویسنده اول پژوهش و دانشجوی دکتری اعلام کرد که محققان توانسته‌اند اطلاعات یک حسگر لمسی واقعی را به شکل قابل دریافتی برای شبکه عصبی زنده تبدیل کنند و سپس اطلاعات معنادار را از پاسخ ارگانوئید استخراج نمایند.
به گفته او، این روش می‌تواند ارتباط میان حسگرهای مصنوعی و شبکه‌های عصبی زیستی را برقرار کند و زمینه توسعه کامپیوترهای کم‌مصرف‌تر را فراهم سازد.
بیشتر بخوانید: هوش مصنوعی با خواندن امواج مغزی اشتباه خود را تشخیص می دهد
افزایش دقت تشخیص مغزهای کوچک انسانی
یکی از مهم‌ترین یافته‌های پژوهش زمانی به دست آمد که دانشمندان پاسخ سه ارگانوئید مغزی را با یکدیگر ترکیب کردند. در این شرایط، دقت تشخیص حروف بریل از ۶۱ درصد به ۸۳ درصد افزایش یافت.
پژوهشگران معتقد هستند تفاوت‌های طبیعی میان شبکه‌های عصبی ارگانوئیدها می‌تواند دلیل این بهبود عملکرد باشد.
لیو توضیح داد که ارگانوئیدهای مختلف ممکن است از نظر ارتباطات عصبی، مراحل رشد و فعالیت‌های جاری تفاوت‌هایی داشته باشند. به همین دلیل، دریافت یک ورودی یکسان لزوما پاسخ‌های کاملا مشابهی ایجاد نمی‌کند.
ترکیب پاسخ‌های متفاوت می‌تواند اطلاعات مکملی در اختیار سیستم قرار دهد که از یک ارگانوئید به‌تنهایی قابل استخراج نیست.
دانشمندان برای بررسی مقاومت این فناوری در برابر اختلالات، نویز را نیز به داده‌های ورودی اضافه کردند. هدف از این آزمایش، دشوارتر کردن فرایند تشخیص حروف بریل بود.
نتایج نشان داد که الگوریتم یادگیری ماشینی در مقایسه با خود ارگانوئیدها بیشتر تحت تأثیر داده‌های مختل‌شده قرار می‌گیرد.
این یافته نشان می‌دهد که شبکه‌های عصبی زنده ممکن است در برابر برخی اختلالات ورودی، عملکرد مقاوم‌تری نسبت به الگوریتم مورد استفاده در آزمایش داشته باشند.
با وجود این، پژوهشگران تأکید کرده‌اند که این نتایج به معنای برخورداری ارگانوئیدها از هوشیاری یا توانایی‌های شناختی مشابه مغز کامل انسان نیست.
بیشتر بخوانید: ساخت مغز ترکیبی انسان و موش در آزمایش دانشگاه استنفورد
گام بعدی برای ساخت کامپیوترهای زیستی یادگیرنده
با وجود موفقیت آزمایش مغزهای کوچک انسانی، محققان هنوز نتوانسته‌اند ثابت کنند که ارگانوئیدهای مغزی توانایی یادگیری دارند.
این پژوهش تنها نشان داده است که اطلاعات لمسی را می‌توان به سیگنال‌های الکتریکی تبدیل کرد، از طریق شبکه‌های عصبی زنده پردازش کرد و سپس با کمک یادگیری ماشینی بازیابی کرد.
لیو تأکید کرد که تیم تحقیقاتی هیچ شواهدی درباره یادگیری یا ایجاد تغییرات بلندمدت در ارگانوئیدها به دست نیاورده است.
پژوهشگران قصد دارند در مراحل بعدی، توانایی این ساختارها را برای پردازش اطلاعات پیچیده‌تر مانند بافت سطوح، لبه‌ها و انواع مختلف تماس بررسی کنند.
یکی دیگر از اهداف آنها توسعه سیستم‌های حلقه‌بسته است که در آنها ارگانوئیدها علاوه بر دریافت اطلاعات، بازخورد عملکرد خود را نیز دریافت می‌کنند.
چنین رویکردی می‌تواند به دانشمندان کمک نماید تا مشخص کنند که آیا شبکه‌های عصبی زنده قادر هستند براساس تجربه، رفتار و عملکرد خود را تغییر دهند یا خیر.
نویسندگان مطالعه معتقد هستند این دستاورد، ظرفیت ارگانوئیدهای مغزی را برای استفاده به عنوان اجزای محاسباتی کم‌مصرف و سازگارشونده نشان می‌دهد.
با وجود این‌حال، توسعه کامپیوترهای زیستی کاربردی همچنان به تحقیقات بیشتری نیاز دارد. پژوهش حاضر چارچوبی اولیه برای انتقال و بازیابی اطلاعات فراهم کرده است، اما توانایی یادگیری و سازگاری این ساختارها هنوز باید بررسی شود.
نتایج این تحقیق در مجله علمی Frontiers in Artificial Intelligence منتشر شده است و می‌تواند مبنایی برای توسعه معماری‌های محاسباتی زیستی-ترکیبی در آینده باشد.
