Feasible closed-loop stimulation for neural latent dynamics control
من خلال عمليات محاكاة عالية الإنتاجية لشبكات عصبية نبضية قائمة على أسس بيوفيزيائية، تُظهر هذه الدراسة أن التحكم الممكن في الديناميكيات الكامنة العصبية عبر حلقة مغلقة يمكن تحقيقه باستخدام تحفيز منخفض الأبعاد (حوالي 20% من القنوات) وتوزيع متوازن للموارد بين التحفيز والتسجيل، مما يوفر مبادئ تصميمية بالغة الأهمية للتجارب المستقبلية داخل الكائنات الحية.
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
يعتبر الدماغ البشري شبكة واسعة وصاخبة من مليارات الخلايا العصبية التي تطلق إشارات في أنماط معقدة. لعقود من الزمن، حاول العلماء فهم كيفية تحول هذه الإشارات الفوضوية إلى أفعال سلسة وهادفة مثل مد اليد للإمساك بكوب أو نطق كلمة. تشير فكرة قوية في علم الأعصاب الحديث إلى أنه تحت سطح الضجيج، يعمل الدماغ على طبقة خفية أبسط من النشاط. فكر في هذه الطبقة الخفية كمجموعة من الروافع غير المرئية أو "العوامل" التي تقود السلوك. إذا تمكن الباحثون من تحديد هذه الروافع وتعلم كيفية سحبها، فقد يتمكنون من فهم كيفية تسبب الدماغ في أفعال محددة بدقة، بدلاً من مجرد مراقبة النشاط أثناء حدوثه. ومع ذلك، لا يزال هناك عقبة رئيسية: بينما أصبح العلماء بارعين جداً في تسجيل هذه الأنماط الخفية، إلا أنهم واجهوا صعوبة في التحكم فيها مباشرة. فالأساليب التقليدية تتضمن غالباً وخز الدماغ بإشارات واسعة وغير مستهدفة أو محاولة التحكم في الخلايا العصبية الفردية واحدة تلو الأخرى، وهي مهمة صعبة للغاية وغالباً ما تغفل الصورة الكبيرة. وكان السؤال المطروح هو ما إذا كان من الممكن توجيه حالات الدماغ الخفية في الوقت الفعلي لتوجيه السلوك، وإذا كان الأمر كذلك، فما نوع الأدوات التي ستكون مطلوبة للقيام بذلك.
وضع فريق من الباحثين في معهد جورجيا تيك وجامعة إيموري حداً لهذا التساؤل من خلال بناء مختبر افتراضي مفصل. وبدلاً من العمل مع حيوانات حية على الفور، وهو أمر مكلف ومتطلب تقنياً، أنشأوا محاكاة حاسوبية متطورة لمنطقة في الدماغ مسؤولة عن الحركة. قاموا بتدريب هذه الشبكة الرقمية لمحاكاة نشاط قرد يمد يده نحو أهداف معينة، مما سمح للحاسوب بتعلم "العوامل" الخفية التي تقود الحركة. وبمجرد تشغيل المحاكاة، اختبر الباحثون نهجاً جديداً يسمى التحكم في الحلقة المغلقة (closed-loop control). في هذا الإعداد، يراقب الحاسوب باستمرار الحالة الخفية للدماغ، ويتنبأ بوجهتها، ويرسل فوراً إشارات ضوئية لدفعه للعودة إلى المسار الصحيح إذا بدأ في الانحراف. يحدث هذا في حلقة مستمرة، حيث يستجيب النظام للتغيرات فور وقوعها، بدلاً من مجرد إرسال إشارة مخططة مسبقاً. وكان الهدف هو معرفة ما إذا كان هذا الأسلوب سينجح في توجيه ديناميكيات الدماغ الخفية لإنتاج حركات محددة، وتحديد عدد مصادر الضوء وأجهزة الاستشعار المطلوبة لجعل ذلك يعمل.
تناول الباحثون أولاً سؤالاً جوهرياً حول الدقة: هل يتطلب التحكم في الدماغ التلاعب بكل خلية عصبية على حدة، أم يمكن لعدد أقل من مصادر الضوء القيام بالمهمة؟ في عمليات المحاكاة، قاموا بتغيير عدد قنوات الضوء المستقلة من قناة واحدة فقط، والتي ستضيء المنطقة بأكملها بشكل موحد، وصولاً إلى أكثر من ألف قناة، حيث يمكن التحكم في كل خلية عصبية بشكل فردي. ووجدوا أن الدماغ لا يحتاج إلى إدارة دقيقة للغاية. فحتى مع عدد قليل نسبياً من مصادر الضوء — حوالي 200 من أصل 1,024 قناة متاحة — استطاع النظام تحقيق ما يقرب من 85% من أقصى أداء تحكم ممكن. يشير هذا إلى أن فكرة الحاجة إلى التحكم في كل خلية عصبية للتأثير على السلوك هي فكرة غير ضرورية على الأرجح. إن الروافع الخفية للدماغ قوية بما يكفي بحيث يكون قدراً معتدلاً من التحفيز المستهدف كافياً لتوجيهها، مما يتحدى التوجه الحالي للاستثمار بكثافة في أدوات عالية الدقة للغاية تتحكم في الخلايا العصبية واحدة تلو الأخرى.
تناولت الدراسة الثانية مشكلة هندسية عملية: كيف ينبغي تقسيم عدد القنوات المحدود بين تسجيل ما يفعله الدماغ وتحفيزه للقيام بشيء ما؟ في العديد من التجارب الحالية، يستخدم العلماء العديد من الأقطاب الكهربائية للتسجيل للاستماع إلى الدماغ ولكنهم يستخدمون مصدر ضوء واحد فقط للتحفيز، بافتراض أن الاستماع أكثر أهمية من التحدث. اختبر الباحثون هذا الافتراض من خلال إجراء عمليات محاكاة باستخدام 100 قناة ثابتة، وتقسيمها بطرق مختلفة بين التسجيل والتحفيز. واكتشفوا أن الاستراتيجية الأكثر فعالية كانت تقسيم الموارد بشكل شبه متساوٍ. فعندما امتلك النظام أعداداً متساوية تقريباً من مستشعرات التسجيل ومصادر الضوء، حقق أفضل أداء في توجيه الذراع المحاكية نحو الهدف الصحيح. أما الممارسة الشائعة المتمثلة في استخدام العديد من المستشعرات ومصدر ضوء واحد فقط فقد أدت أداءً ضعيفاً، ولم تقدم أي تحسن يُذكر عن عدم فعل أي شيء على الإطلاق. تشير هذه النتيجة إلى أنه للتحكم في نشاط الدماغ حقاً، يحتاج الباحثون إلى الاستثمار في القدرة على إرسال الإشارات بقدر استثمارهم في القدرة على الاستماع إليها.
خلال عمليات المحاكاة هذه، اختبر الباحثون نظامهم تحت ظروف مختلفة عديدة، حيث قاموا بتغيير كثافة الخلايا العصبية، وعرض حزم الضوء، وكمية البيانات المستخدمة لتدريب نظام التحكم. وظلت النتائج ثابتة: التحفيز منخفض الأبعاد يعمل، والمزيج المتوازن من الاستشعار والعمل هو الأمثل. وحتى مع استخدام طرق التحكم القياسية ودون تحسين مفرط، قلل النظام من أخطاء التتبع بنسبة تزيد عن 60% ونجح في توجيه الحركة المحاكية في أكثر من 90% من التجارب. كما سلطت الدراسة الضوء على أهمية التغذية الراجعة في الوقت الفعلي؛ فعندما اختبر الباحثون نسخة من النظام تخطط الحركة بأكملها مسبقاً دون التكيف مع التغييرات أثناء حدوثها، كان أداؤها أسوأ بكثير، وغالباً ما فشلت في توجيه الحركة بشكل صحيح. وهذا يؤكد أن القدرة على الاستجابة الفورية لحالة الدماغ المتغيرة أمر بالغ الأهمية للنجاح.
وعلى الرغم من أن هذه النتائج تأتي من محاكاة حاسوبية وليس من حيوانات حية، إلا أنها توفر خارطة طريق واضحة للتجارب المستقبلية. تشير النتائج إلى أن بناء جهاز للتحكم في ديناميكيات الدماغ لا يتطلب تكنولوجيا معقدة للغاية تستهدف كل خلية بمفردها. بدلاً من ذلك، فإن نظاماً يحتوي على عدد معتدل من مصادر الضوء المستقلة، متوازناً مع عدد مساوٍ من مستشعرات التسجيل، قد يكون كافياً لتوجيه الحالات الخفية للدماغ واختبار النظريات السببية حول كيفية تولد السلوك. وإذا ثبتت صحة عمليات المحاكاة هذه في الأنسجة الحية، فقد يفتح ذلك الباب أمام عصر جديد في علم الأعصاب حيث لا يكتفي الباحثون بمراقبة نشاط الدماغ، بل يتفاعلون معه بنشاط لفهم القواعد الأساسية لكيفية تحركنا وتفكيرنا. إن الطريق إلى الأمام يتطلب بناء هذه الأدوات واختبارها في العالم الحقيقي، لكن عمليات المحاكاة تعطي مؤشراً قوياً على أن الهدف بات في المتناول.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.