A Large-Scale Anatomically and Electrophysiologically Constrained Model of Hippocampus at Behavioral Time Scales
تقدم هذه الورقة إطار عمل حوسبي معزز بوحدات معالجة الرسومات يقوم ببناء وتحسين نموذج حصيني واسع النطاق ومقيد تشريحياً يضم 250,000 عصبون، حيث نجح في إعادة إنتاج الديناميكيات البيولوجية الرئيسية وتحقيق سرعات محاكاة كافية للمقاييس الزمنية السلوكية من خلال استراتيجية تحسين مبتكرة ثنائية المراحل.
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
يعد الدماغ البشري مشهداً شاسعاً ومتشابكاً من مليارات الخلايا، حيث تعمل كل منها كوحدة كهربائية صغيرة تطلق أنماطاً معقدة لتوليد الفكر والذاكرة والحركة. ولفهم كيفية عمل هذه الآلية، غالباً ما يبني العلماء نماذج حاسوبية تحاكي بنية الدماغ. ومع ذلك، فقدت مشكلة مستمرة هذه الجهود؛ إذ عادة ما تكون النماذج بسيطة للغاية بحيث لا تكون واقعية، أو تكون مفصلة للغاية بحيث تستغرق سنوات للعمل على الحاسوب، مما يجعل من المستحيل محاكاة الثواني أو الدقائق التي يستغرقها حيوان للتنقل في غرفة. لقد كافح الباحثون لبناء نموذج يكون دقيقاً تشريحياً — أي يطابق التوصيلات الفعلية للدماغ — وسريعاً بما يكفي للعمل في الوقت الفعلي في آن واحد.
قام فريق من الباحثين الآن ببناء محاكاة ضخمة وعالية التفاصيل للحصين (hippocampus)، وهو جزء من الدماغ مسؤول عن الذاكرة والملاحة. لقد أنشأوا نسخة رقمية من هذه المنطقة الدماغية تحتوي على حوالي 250,000 عصبون فردي و20 مليون اتصال بينها. وخلافاً للمحاولات السابقة التي اعتمدت على التخمين أو القواعد المبسطة، بُني هذا النموذج مباشرة من خرائط تجريبية لكيفية توصيل خلايا الدماغ مع بعضها البعض فعلياً. واستخدم الباحثون معالجات رسومية قوية، وهي نفس نوع الرقائق الموجودة في أجهزة ألعاب الفيديو المتطورة، لتشغيل المحاكاة بسرعة تبلغ حوالي 20 ضعف الزمن البيولوجي الحقيقي. وقد سمح لهم ذلك بمراقبة تطور الشبكة عبر فترات طويلة، وملاحظة كيفية تفاعل الخلايا لإنتاج السلوك.
كانت النتيجة الأكثر إثارة هي أن النموذج ولد أنماط ملاحة دون أن يتم تعليمه ذلك صراحةً. فقد غدّى الباحثون الدماغ الرقمي بإشارات تمثل حيواناً افتراضياً يتحرك عبر مساحة ما، لكنهم لم يبرمجوا العصبونات للتعرف على مواقع محددة. ورغم ذلك، طورت الشبكة تلقائياً "خلايا مكانية" (place cells) — وهي عصبونات لا تنبض إلا عندما يكون الحيوان الافتراضي في بقعة معينة. حدث هذا بشكل طبيعي بسبب الطريقة التي ترتبط بها الخلايا وكيفية استجابتها لبعضها البعض. وأظهرت المحاكاة أن قدرة الدماغ على رسم خرائط للمكان تنبثق من البنية الفيزيائية لدوائره وتوقيت إشاراتها الكهربائية، بدلاً من كونها ناتجة عن دليل تعليمات مكتوب مسبقاً.
ولتحقيق ذلك، توجب على الفريق حل عقبتين رئيسيتين. أولاً، كان عليهم ترجمة البيانات التشريحية المعقدة، والتي تصف عادةً مجموعات من الخلايا، إلى خريطة من الاتصالات بين كل عصبون على حد الله. وقد طوروا طريقة لتحويل خرائط مستوى الجماعات إلى مخطط توصيل دقيق، مما يضمن أن يبدو الدماغ الرقمي ويتصرف مثل الدماغ الحقيقي. ثانياً، كان عليهم جعل المحاكاة تعمل بسرعة كافية لتكون مفيدة. ومن خلال تحسين البرمجيات لتعمل على الأجهزة الرسومية، نجحوا في تقليل الوقت المطلوب لمحاكاة ثانية واحدة من نشاط الدماغ إلى مجرد جزء من الثانية. وهذه السرعة أمر بالغ الأهمية لأنها تسمح للعلماء بتشغيل النموذج لساعات أو أيام، ومراقبة العمليات طويلة المدى مثل التعلم وترسيخ الذاكرة، وهي أمور يستحيل دراستها في النماذج الأبطأ والأكثر تفصيلاً.
كما طور الباحثون طريقة ذكية لضبط النموذج. فبدلاً من محاولة جعل كل رقم مثالياً منذ البداية، استخدموا عملية من خطوتين. أولاً، قاموا بتعديل قوة الاتصالات بين أزواج من العصبونات لتتطابق مع القياسات المختبرية المعروفة. ثم تركوا الشبكة بأكملها تعمل وقاموا بتعديل الاتصالات مرة أخرى أثناء تشغيل المحاكاة، مما أدى إلى ضبط النظام بدقة حتى يتوافق النشاط الإجمالي لمجموعة الخلايا مع ما يُرى في الحيوانات الحية. هذا التعديل "أثناء التشغيل" يعني أنهم لم يضطروا لإيقاف وإعادة تشغيل المحاكة في كل مرة يجرون فيها تغييراً، مما وفر وقتاً هائلاً وسمح بملاءمة أكثر دقة.
وعندما وُضع النموذج تحت الاختبار، أنتج نسيجاً غنياً من نشاط الدماغ. فقد نبضت العصبونات في أنماط إيقاعية تطابق موجات الدماغ المشاهدة في الحيوانات الحقيقية، وتحديداً إيقاعات "ثيتا" و"غاما" المرتبطة بالملاحة والذاكرة. ونظمت الخلايا نفسها في مجموعات متميزة، حيث تنبض بعضها بسرعة والبعض الآخر ببطء، تماماً كما يحدث في الدماغ الحي. والأهم من ذلك، كانت الخرائط المكانية التي ظهرت مستقرة وواقعية؛ حيث قامت العصبونات في الطبقات المختلفة من الحصين بتحويل المدخلات الخام من البيئة إلى أكواد موقع أكثر دقة، منتقللة من الأنمات العامة الشبيهة بالشبكة إلى نبضات المواقع المنفردة المحددة. حدث هذا التدرج تلقائياً، مدفوعاً فقط بالقيود الفيزيائية للشبكة والخصائص الكهربائية للخلايا.
يشير هذا العمل إلى أن قدرة الدماغ على فهم المكان هي نتيجة مباشرة لتوصيلاته الفيزيائية والطريقة التي تتواصل بها خلاياه. لم يحتج الباحثون إلى برمجة مفهوم "المكان" في النموذج؛ بل انبثق الأمر طبيعياً من تعقيد النظام. وبينما يمثل النموذج الحالي جزءاً صغيراً من الحصين الكامل، فقد أظهر الفريق أن أساليبهم يمكن توسيعها لمحاكاة المنطقة بأكملها. ويقدرون أنه باستخدام أنظمة حاسوبية حديثة ذات ذاكرة عالية، يمكن للنموذج الكامل أن يعمل بسرعة تقارب 50 ضعف الوقت الحقيقي. وهذا يفتح الباب لمحاكاة الحصين بأكمله على مدار يوم أو أسبوع، مما يسمح للعلماء بمراقبة كيفية تشكل الذكريات واستقرارها بمرور الوقت.
كما يسلط هذا البحث الضوء على نهج جديد لفهم الدماغ، وهو نهج يجسّر الفجوة بين التفاصيل المجهرية للخلايا الفردية والسلوك واسع النطاق للعضو بأك ولأكمله. ومن خلال الجمع بين البيانات التشريحية الدقيقة والحوسبة السريعة والمرنة، أنشأ الباحثون أداة يمكنها اختبار كيف تؤثر التغييرات في بنية الدماغ على وظائفه. إن هذا الإطار ليس مجرد صورة ثابتة للدماغ، بل هو نظام ديناميكي يمكن تعديله ومراقبته أثناء العمل. إنه يوفر وسيلة لاستكشاف آليات الذاكرة والملاحة في بيئة محكومة، ويقدم عدسة جديدة لرؤية الآلات المعقدة للعقل. إن نجاح هذه المحاكاة يشير إلى أن القواعد التي تحكم الدماغ مكتوبة في بنيته الفيزيائية، وتنتظر من يفك شفرتها عبر نماذج تكون مفصلة وسريعة بما يكفي لمواكبة تدفق الفكر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.