📄 synthetic biology

A genetically encoded local learning rule enables physical learning in engineered bacteria

تُثبت هذه الورقة البحثية أن بكتيريا الإشريكية القولونية (E. coli) المهندسة يمكنها تنفيذ قاعدة تعلم محلية مشفرة جينياً باستخدام نسب أعداد نسخ البلازميد كذاكرة مستمرة، مما يتيح التعلم الفيزيائي والتكيف الخاضع للإشراف في المجموعات البكتيرية الأحادية والمتعددة الخلايا لتطبيقات تتراوح من البوابات المنطقية إلى الأجهزة البيولوجية ذاتية التشغيل.

المؤلفون الأصليون: Prakash, S., Varela, C., Walsh, M., Galizi, R., Isalan, M., Jaramillo, A.

نُشر 2026-03-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Prakash, S., Varela, C., Walsh, M., Galizi, R., Isalan, M., Jaramillo, A.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك فريقًا من الروبوتات المتناهية الصغر، مثل البكتيريا، وتريد تعليمها كيفية لعب لعبة، مثل "إكس أو" (Tic-Tac-Toe). عادةً، لتعليم الروبوت، عليك برمجته باستخدام الكمبيوتر، وإخباره بالضبط بما يجب فعله. ولكن ماذا لو استطعت تعليم البكتيريا نفسها كيف تتعلم من خلال تغيير "برمجياتها" الداخلية بناءً على أخطائها؟

تصف هذه الورقة البحثية طفرة علمية حيث نجح العلماء في هندسة بكتيريا للقيق القيام بذلك بالضبط. لقد صمموا نظامًا يمكن للبكتيريا من خلاله التعلم، والتذكر، والتكيف تمامًا مثل الدماغ، ولكن داخل الخلاه الحية بالكامل.

إليك شرح بسيط لكيفية قيامهم بذلك، باستخدام بعض التشبيهات الممتعة:

1. "الذاكرة" هي وعاء من الكرات الزجاجية

فكر في بكتيريا واحدة كأنها مصنع صغير. داخل هذا المصنع، وضع العلماء نوعين مختلفين من "الآلات" (البلازميدات، وهي حلقات صغيرة من الحمض النووي DNA).

الآلة (أ) (باللون الأحمر) تمثل خيارًا واحدًا.
الآلة (ب) (باللون الأخضر) تمثل خيارًا آخر.

"الوزن" أو "الذاكرة" للبكتيريا ليست رقمًا واحدًا؛ بل هي النسبة بين الآلات الحمراء والآلات الخضراء.

إذا كان لديك 90% أحمر و10% أخضر، فإن الذاكرة قوية تجاه اللون الأحمر.
إذا كان لديك 50/50، فإن الذاكرة غير حاسمة.

ولأن البكتيريا تتكاثر، فهي تنقل هذه الآلات إلى أجيالها القادمة. ومع مرور الوقت، يحتفظ مجتمع البكتيريا بأكمله بـ "رأي" معين (مزيج من الأحمر والأخضر) يعمل بمثابة ذاكرتهم.

2. "قاعدة التعلم": لعبة العقاب

كيف تعلمهم؟ استخدم العلماء خدعة ذكية تتضمن مادة "الكانامايسين" (Kanamycin)، وهو مضاد حيوي يعمل كـ "إشارة عقاب".

إليك القاعدة التي برمجوها:

الإعداد: الآلة "الخضراء" مجهزة بدرع (جين مقاومة) يحمي البكتيريا من العقاب. أما الآلة "الحمراء" فلا تمتلك هذا الدرع.
المحفز: يُسمح للبكتيريا ببناء الدرع فقط إذا كانت "نشطة" (بمعنى أنها تستجيب لإشارة كيميائية معينة، مثل رائحة أو طعم).
الدرس: عندما يضيف العلماء جرعة صغيرة غير مميتة من المضاد الحيوي (العقاب)، فإن البكتيريا التي بنت الدرع (الخضراء) تنجو وتتكاثر. أما التي لا تملك الدرع (الحمراء) فتتعرض للمعاناة أو تموت.

النتيجة: إذا كانت البكتيريا "نشطة" وارتكبت خطأً، فإن إشارة العقاب تجعل المجتمع يتغير. الآلات "الخضراء" تسيطر، والآلات "الحمراء" تختفي. لقد قامت البكتيريا بإعادة كتابة ذاكرتها جسديًا لتجنب هذا الخطأ في المرة القادمة.

3. لماذا يُسمى هذا "تعلمًا محليًا"؟

في التعلم الحاسوبي العادي (مثل الذكاء الاصطناعي)، يقوم عقل مركزي بحساب الخطأ ويرسل رسالة إلى كل جزء من الشبكة لإصلاحه. وهذا أمر صعب في البيولوجيا.

في هذا النظام، التعلم هو محلي.

تخيل فصلًا دراسيًا من الطلاب. المعلم (المضاد الحيوي) يصرخ: "إذا كنت تتحدث، اجلس!"
الطلاب الذين كانوا يتحدثون (البكتيريا النشطة) يسمعون الصرخة ويجلسون (يغيرون نسبتهم الداخلية).
الطلاب الذين كانوا هادئين لا يلاحظون الأمر حتى. يستمرون في فعل ما كانوا يفعلونه.
لا أحد يحتاج لإخبار كل طالب على حدة بما يجب فعله. القاعدة مبنية داخل الطلاب أنفسهم.

4. التجارب الكبرى

اختبر الفريق هذا في ثلاث طرق رائعة:

اختبار الخلية الواحدة: أظهروا أن سلالة واحدة من البكتيريا يمكنها تعلم تغيير "رأيها" (نسبة الأحمر إلى الأخضر) عند تعرضها للعقاب، وكانت تتعلم بشكل أسرع إذا كانت أكثر ارتباكًا (أي لديها مزيج أوسع من الآلات) منذ البداية.
بطولة "إكس أو" (Tic-Tac-Toe): أنشأوا "فريقًا" من 9 سلالات بكتيرية مختلفة، كل منها يمثل مربعًا على لوحة اللعبة. لعبوا ضد خصم عشوائي. في كل مرة تخسر فيها البكتيريا مباراة، يتم تطبيق إشارة العقاب على المربعات المحددة التي قامت بالحركة الخاطئة. عبر عدة جولات، "تعلمت" البكتيريا اللعبة وبدأت تفوز بشكل متكرر، وكل ذلك دون أن يملي عليها الكمبيوتر الحركات.
بوابة XOR: بنوا بوابة منطقية (دائرة حاسوبية أساسية) تُعرف بأنها صعبة الحل للأنظمة البسيطة. من خلال خلط أنواع مختلفة من "المحفزات" (المنظمات) البكتيرية، نجحوا في إنشاء كمبيوتر بيولوجي يمكنه حل الألغاز المنطقية المعقدة.

5. لماذا يهم هذا؟

هذه خطوة كبيرة نحو الحوسبة البيولوجية.

الشفاء الذاتي: على عكس شرائح السيليكون، يمكن لهذه البكتيريا إصلاح نفسها والنمو.
القدرة على التكيف: يمكنها التعلم من بيئتها في الوقت الفعلي.
الطب المستقبلي: تخيل بكتيريا داخل جسمك يمكنها "تعلم" اكتشاف مرض ما وتعديل سلوكها لمحاربته، أو مستشعرات تتكيف مع مستويات التلوث دون الحاجة إلى بطارية أو كمبيوتر.

باخت CL- خلاصة القول: لقد حول العلماء البكتيريا إلى شبكات عصبية حية متناهية الصغر. لقد منحوا البكتيريا طريقة لتخزين الذكريات كنسب من الحمض النووي وطريقة لـ "عقاب" أنفسهم للتعلم. إنه يشبه تعليم كلب حركة معينة، ولكن بدلًا من المكافأة، يغير الكلب حمضه النووي ليتذكر الدرس للأبد.

1. بيان المشكلة

إن تدريب الشبكات العصبية الاصطناعية (ANNs) الضخمة يستهلك طاقة هائلة، مما يحفز تطوير الشبكات العصبية الفيزيائية (PNNs) التي تقوم بالحوسبة والتعلم مباشرة داخل ركيزتها الفيزيائية. ومع ذلك، لا يزال التعلم يمثل عقبة لأن الخوارزميات القياسية مثل الانتشار العكسي (backpropagation) تتطلب إشارات خطأ غير محلية ونماذج دقيقة للنظام، وهي أمور يصعب تنفيذها في المادة الفيزيائية.
بينما نجحت البيولوجيا التخليقية في إنشاء دوائر جينية معقدة للاستدلال، إلا أنها عادة ما تكون "مبرمجة مسبقاً" بمعاملات ثابتة. يتطلب التعلم الفيزيائي الحقيقي ذاكرة داخلية قابلة للكتابة يمكن تعديلها من خلال التفاعلات الجزيئية المحلية. افتقرت المحاولات السابقة في الخلايا الحية إلى قاعدة تعلم مشفرة جينياً وتعتمد على النشاط وتعمل على متغير ذاكرة تناظري مستمر.

2. المنهجية

قام المؤلفون بهندسة نظام بيولوجي يسمى الـ memregulon لتنفيذ قاعدة تعلم محلية في بكتيريا Escherichia coli.

تخزين الذاكرة (الـ memregulon):
- يتكون كل memregulon من سلالة بكتيرية تحتوي على بلازميدين متوافقين متعددي النسخ (P1 و P2) يتشاركان في نفس أصل التضاعف (ColE1) وهيكل مقاومة المضادات الحيوية.
- يشفر P1 بروتين mCherry (فلورة حمراء) وجين مقاومة الكلورامفينيكول الوظيفي المدمج مع وحدة مقاومة الكانامايسين غير النشطة.
- يشفر P2 بروتين EGFP (فلورة خضراء) وجين مقاومة الكانامايسين (KanR) الوظيفي المدمج مع وحدة مقاومة الكلورامفينيكول غير النشطة.
- تعريف الوزن: يُعرَّف الوزن التشابكي ( $W$ ) بأنه متوسط نسبة عدد نسخ P1 في إجمالي مجمع البلازميدات ( $W = P1 / (P1 + P2)$ ). وهذا يخلق ذاكرة تناظرية مستقرة وقابلة للتوريث مشفرة في نسبة البلازميدات.
قاعدة التعلم (تحيز النمو المعتمد على النشاط):
- يتم تطبيق إشارة تعلم سلبية عالمية (كانامايسين تحت المستوى المميت) على المزرعة.
- الآلية: عندما يتم تنشيط memregulon محدد بواسطة محفزه المناظر (المدخل الكيميائي)، يقوم المحفز بتوجيه التعبير عن البروتين الفلوري المتقرير والـ KanR الوظيفي على P2.
- التحديث: الخلايا ذات أعداد نسخ P2 الأعلى (وزن $W$ أقل) تعبر عن المزيد من KanR، وتنمو بشكل أفضل تحت إجهاد الكانامايسين، وتتفوق في النمو على الخلايا ذات أعداد نسخ P1 الأعلى.
- النتيجة: ينخفض متوسط الوزن ( $W$ ) للمجتمع. هذا التحديث محلي لأنه يعتمد فقط على حالة التنشيط المحلية لـ memregulon المحدد والإشارة العالمية المشتركة، دون الحاجة إلى تحديد الأوزان الفردية رقمياً.
الإعداد التجريبي:
- السلالات المنفردة: تم التحقق من استقرار وديناميكيات التعلم عبر 8 محفزات متميزة.
- المجتمعات المختلطة/المزارع المشتركة: تم اختبار الانتقائية في مزرعة مشتركة مكونة من 9 سلالات تمثل لوحة لعبة "إكس-أو" (tic-tac-toe).
- المنطق التجميعي: تم توسيع النظام ليشمل بوابات AND وبوابات هجينة لاختبار القدرات غير الخطية.
- الإنسان في الحلقة (Human-in-the-Loop): استخدموا بروتوكولاً هجيناً حيث كانت تحديثات الأوزان البيولوجية فيزيائية، بينما تم توفير التواصل بين الطبقات للشبكات متعددة الطبقات خارجياً لاختبار القابلية للتوسع.

3. المساهمات الرئيسية

أول قاعدة تعلم محلية مشفرة جينياً في الخلايا الحية: تُظهر الورقة آلية يمكن من خلالها تحديث وزن على مستوى المجتمع بناءً على النشاط المحلي وإشارة الخطأ العالمية، مما يحقق تعريف قاعدة التعلم المحلية في المادة الحية.
ذاكرة تناظرية على مستوى المجتمع: أثبتت أن توزيع السكان لنسب البلازميدات يمكن أن يعمل كمتغير ذاكرة مستمر ومتدرج، متميز عن التبديل العشوائي في الخلية الواحدة.
معدل تعلم يعتمد على التباين: اشتق المؤلفون نظرياً وتحققوا تجريبياً من أن مقدار تحديث الوزن ( $\Delta W$ ) يتناسب طردياً مع التباين القائم لتوزيع الوزن ( $\Delta W \propto -A \cdot \text{Var}(W)$ ). وهذا يوفر آلية "تخميد" (annealing) ذاتية حيث يتباطأ التعلم مع ضيق التوزيع.
التكيف الانتقائي في التجمعات متعددة السلالات: أظهرت أن إشارة عقاب عالمية واحدة (الكانامايسين) يمكنها إعادة كتابة الأوزان النشطة فقط بشكل انتقائي في خليط معقد من 9 سلالات بكتيرية مختلفة، مما يتيح التعلم الخاضع للإشراف الموزع.

4. النتائج الرئيسية

الاستقرار: الذاكرة القائمة على البلازميد مستقرة عبر عمليات المرور المتسلسلة وفي المزارع المشتركة، حيث تحافظ على توزيع وزن قابل للتكرار في الخلية الواحدة.
التحقق الكمي من قاعدة التعلم: أكدت قياسات التدفق الخلوي والفلورة عبر 8 محفزات أن تغيرات الوزن تتناسب مع حاصل ضرب النشاط والتباين القائم. وقد أسفر تحليل تجميعي شامل عن معامل تعلم عالي المعنوية ( $C_{neg} \cdot A = 0.627 \pm 0.037$ ).
بطولة "إكس-أو" (Tic-Tac-Toe): في مزرعة مشتركة من 9 سلالات تلعب "إكس-أو" ضد خصم عشوائي، خضعت السلالات البكتريّة "اللاعبة" (O) لتكيف خاضع للإشراف. بعد 7 دروس، أظهرت السلالات المتكيفة انخفاضاً كبيراً في الأوزان في المواضع التي عوقبت، بينما ظلت المواضع غير المعاقبة مستقرة. تحسنت "خبرة" النظام (معدل الفوز/التعادل) من ~50% إلى ~76-79%.
الحوسبة غير الخطية (XOR):
- الطبقة الواحدة: نجحت شبكة طبقة واحدة مصممة بعقلانية باستخدام محفز AND تجميعي في تنفيذ بوابة XOR بدقة (94%).
- متعدد الطبقات: نجحت محاكاة (بشر في الحلقة) لشبكة عصبية اصطناعية متعددة الطبقات (2 مدخل، 4 مخفية، 2 مخرج) في الوصول إلى حل XOR باستخدام التعلم السلبي المحلي فقط، بدءاً من حالة أولية تشبه بوابة OR.
ديناميكيات التوزيع: أعاد التعلم السللي المتكرر تشكيل توزيع الوزن في الخلية الواحدة، مما تسبب في ضيقه وزيادة انحرافه نحو الأسفل مع اقتراب الأوزان من الحد الأدنى (0)، وهو ما يتوافق مع التوقعات النظرية للذاكرة التناظرية المحدودة.

5. الأهمية والآفاق المستقبلية

طريق نحو الأجهزة البيولوجية المستقلة: تؤسس هذه الدراسة لمبدأ أساسي لـ الحوسبة متعددة الخلايا التكيفية، متجاوزة البوابات المنطقية الثابتة إلى أنظمة قادرة على الاستشعار الموزع للبيئة والتحسين الذاتي.
كفاءة الطاقة: من خلال إجراء التعلم مباشرة في الركيزة عبر النمو التفاضلي، يتجنب النظام التكاليف الطاقية العالية للانتشار العكسي الرقمي.
القابلية للتوسع والقيود:
- القاعدة الحالية هي سلبية حصراً (الأوزان يمكن أن تنخفض فقط)، مما يحد من قدرتها إلى أنظمة "النحت لأسفل" (carve-down).
- تتطلب الإصدارات المستقبلية قواعد تحديث ثنائية الاتجاه (على سبيل المثال، الانتشار المتساوي - Equilibrium Propagation) ومحركات متعامدة (مثل تقنيات CRISPR أو التحكم في النمو غير المرتبط بالمضادات الحيوية) لتجنب الهروب الطفري وتحسين السرعة.
- تشير نتائج تعدد الطبقات (بوجود إنسان في الحلقة) إلى أنه بينما تحد التواصلات البيولوجية الحالية من الاستقلالية الكاملة، فإن قاعدة التعلم الفيزيائي نفسها قوية بما يكفي لدعم بنيات معقدة إذا تم حل مسألة التواصل بين الطبقات.

في الختام، توفر الورقة إطاراً نموذجياً مشفراً جينياً للتعلم الفيزيائي في البكتيريا الحية، مما يسد الفجوة بين البيولوجيا التخليقية ونظرية الشبكات العصبية الفيزيائية.