چگونه ارتباطات جهت‌دار شبکه‌های عصبی را شکل می‌دهند؟

بررسی رابطه بین ساختار و عملکرد در شبکه‌های عصبی

کشف رابطه بین ساختار (پیوندها) و عملکرد (فعالیت‌های عصبی) یک سوال بنیادی در بسیاری از حوزه‌های زیست‌شناسی است. با این حال، بررسی مستقیم این موضوع در مغز حیوانات به دلیل پیچیدگی فوق‌العاده اتصالات عصبی و نیاز به جراحی‌های تهاجمی که معمولاً موجود است، چالش‌برانگیز است. نورون‌های کشت‌شده در آزمایشگاه با اتصالات کنترل‌شده به‌طور مصنوعی می‌توانند به عنوان یک جایگزین مفید برای آزمایش‌های حیوانی به شمار آیند، به ویژه در زمان‌هایی که در حال یادگیری چگونگی توصیف دقیق رفتار آن‌ها هستیم.

یک تیم تحقیقاتی در دانشگاه توهوکو از دستگاه‌های میکروسیال برای نشان دادن چگونگی شکل‌گیری اتصالات جهت‌دار و تأثیر آن‌ها بر دینامیک پیچیده شبکه‌های عصبی استفاده کرد. آن‌ها همچنین مد‌ل‌های ریاضی مبتنی بر داده‌های تجربی توسعه دادند تا پیش‌بینی کنند که چگونه پیوندها بر فعالیت در فضا و زمان تأثیر می‌گذارند. نتایج این تحقیق در تاریخ ۲۸ نوامبر ۲۰۲۴ در نشریه Neural Networks منتشر شد.

اتصالات جهت‌دار در شبکه‌های عصبی مانند جریان آب در یک رودخانه، سیگنال‌ها را به‌صورت یک جریان پایین‌دستی از یک ناحیه به ناحیه دیگر منتقل می‌کنند. یک دستگاه میکروسیال دارای کانال‌های کوچکی است که می‌تواند جریان را به‌طور دقیق هدایت کند، و این امر می‌تواند به ساخت نورون‌هایی کمک کند که به طور مشابه‌تری به مدل‌های درون‌زنده واکنش نشان دهند.

با مطالعه نورون‌های درون‌کشت در محیط آزمایشگاه، تیم تحقیقاتی توانست به‌طور مؤثر و سازنده بررسی کند که آیا اتصالات یک‌طرفه نقش‌های بنیادی دیگری در شکل‌دهی به دینامیک مغز ایفا می‌کنند.

درک پیچیدگی مغز و شبکه‌های عصبی

نوبوآکی مونوما، نویسنده اصلی این تحقیق، می‌گوید: “مغز به دلیل دینامیک‌ بودنش، درک آن دشوار است. این قابلیت را دارد که با گذشت زمان و بر اساس عوامل مختلف، به محرک‌های یکسان به طور متفاوتی پاسخ دهد.” تیم تحقیقاتی شبکه‌های عصبی با اتصالات مدولار (که در سیستم‌های عصبی حیوانات مشاهده می‌شود) طراحی کردند و اتصالات جهت‌دار را بین ماژول‌ها با استفاده از میکروکانال‌ها ایجاد کردند. این اتصالات به صورت پیش‌خور طراحی شدند تا واکنش‌های تحریک‌کننده اضافی را به حداقل برسانند.

با استفاده از تصویربرداری کلسیم برای ثبت فعالیت‌های خودجوش شبکه عصبی، آن‌ها دریافتند که شبکه‌هایی که اتصالات جهت‌دار دارند، الگوهای فعالیت پیچیده‌تری نسبت به شبکه‌هایی که فاقد جهت‌گیری هستند، نشان می‌دهند. علاوه بر این، محققان دو مدل ریاضی توسعه دادند تا مکانیزم‌های زیرین شبکه‌ای که پشت مشاهدات بیولوژیکی قرار دارد، روشن کنند و پیکربندی‌هایی را پیش‌بینی نمایند که منجر به پیچیدگی دینامیکی بیشتری می‌شود. این مدل‌ها نشان دادند که تعامل بین مدولاریته و اتصالات، الگوهای فعالیت پیچیده‌تری را پرورش می‌دهد.

هیدئاکی یاماموتو، استاد همکار، پیشنهاد می‌کند: “یافته‌های این مطالعه نه تنها انتظار می‌رود که درک بنیادین ما از شبکه‌های عصبی در مغز را عمیق‌تر کند، بلکه همچنین کاربردهایی در زمینه‌هایی مانند پزشکی و یادگیری ماشین پیدا کند.” این ممکن است همچنین یک مدل درون‌کشت برای توسعه شبکه‌های عصبی مصنوعی با قابلیت‌های بیولوژیکی فراهم کند. پیشرفت‌های نظری بیشتر نیز به مدل‌سازی شبکه‌های بزرگ‌مقیاس کمک خواهد کرد که ممکن است بینش‌هایی برای تحلیل‌های آینده‌ی کانکتوم مغز ارائه دهد.

هر چه بیشتر این شبکه‌های عصبی را درک کنیم، بیشتر می‌توانیم از آن به عنوان ابزاری قابل اعتماد برای کشف رازهای متعدد مغز استفاده کنیم.