دماغ حي في طبق بتري — نجحت العصبونات المزروعة في التعلم
في هذا المقال
Proceedings of the National Academy of Sciences (PNAS) 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123 · جامعة توهوكو وجامعة المستقبل هاكوداته وجامعة طوكيو
في مختبر فوق رقاقة، تعيش بضع مئات من عصبونات قشرة الجرذ. لم تعد مزرعة عادية؛ فقد علمها العلماء إنتاج موجات جيبية ومتابعة مثلثية ومربعة وحتى تقليد فوضى رياضية كجاذب لورنتز بالزمن الحقيقي . ودراسة فريق توهوكو المنشورة في PNASتفتح بابًا بين الطب والذكاء الاصطناعي: هل تمارس العصبونات الحية التعلم الآلي؟ الجواب «نعم» بحذر، وللنجاح مجال أثر من أبحاث السرطان إلى واجهات الدماغ والحاسوب.
جوهر القصة: عصبونات مزروعة تنتج موجة جيبية
من أدهش قدرات الدماغ إنتاج حركة عضلية منسقة ذات معنى من نشاط عصبي فوضوي ظاهرًا. رمية كرة السلة ودقة عازف البيانو وأصوات كلام الطفل أنماط زمنية منظمة تنشأ من النشاط العفوي الفوضوي للمليارات. كيف يتحول؟ وهل يمكن تقليده ببضع مئات من العصبونات المزروعة فوق رقاقة؟
جواب البحث واضح: ممكن. دمج الفريق الياباني عصبونات قشرية جرذية مزروعة بمصفوفات أقطاب دقيقة عالية الكثافة (HD-MEA — high-density microelectrode arrays)، وأنشأ حلقة تغذية راجعة آنية مغلقة. وتعلمت الشبكات بتكيفها مع «معلم» خارجي إنتاج جيب بفترة 4–30 ثانية ومثلث ومربع وحتى الفوضوي ثلاثي الأبعاد جاذب لورنتز .
السؤال الأساسي: لماذا يهم؟
الحواسيب ضخمة مستهلكة للطاقة، والدماغ يعمل بنحو 20 واط كلمبة LED. وقد يثور توفير الطاقة بدمج حساب العصبونات بالذكاء الاصطناعي؛ وهذه خطوة من أكثر ما تحقق ملموسية نحو «wetware»، العتاد الحي.
ما حوسبة الخزان؟ كيف يستخرج النظام من الفوضى؟
لفهم الدراسة نحتاج مفهومًا في التعلم الآلي: حوسبة الخزان (reservoir computing). الفكرة استخدام الديناميات العابرة لنظام معقد عالِي الأبعاد غير خطي، كخزان، «مورد حساب جاهزًا». وبدل تغيير نشاطه المعقد، يُدرَّب مفكك خطي بسيط يقرأ الخرج (linear decoder). ويخفض ذلك كلفة تدريب الشبكات الاصطناعية بشدة، مع نتائج لافتة بمهام السلاسل الزمنية.
دماغ الثدييات مصدر الإلهام، لكن استخدام الشبكات الحية كخزانات فيزيائية ظل محدودًا؛ لأن العصبونات المزروعة in vitro (خارج الزجاج، أي بالشروط المختبرية) تظهر عادة نشاطًا انفجاريًا مفرط التزامن ؛ تطلق كلها معًا، عكس الحالة الديناميكية الغنية المتنوعة اللازمة للخزان.
سونو وزملاؤه، PNAS 2026 — مقتبس من الشكل 1A
كسر فرط التزامن: عمل فني ميكروسيالي
حَل الفريق أنيق هندسيًا: إنشاء معمار شبكة معياري بأجهزة ميكروسيالية (microfluidic). وُضع غشاء بولي ديميثيل سيلوكسان (PDMS — polydimethylsiloxane) فوق الأقطاب، فحصر الخلايا بآبار مربعة 100×100 ميكرومتر، متصلة بقنوات رفيعة فقط (~5 ميكرومترات عرضًا).
طور الفريق تصميمين ميكروسياليين:
- كل بئر متصل بـ4 جيران
- طوبولوجيا شبكة مربعة
- اتصال متساوٍ نسبيًا بين الآبار
- متوسط الإطلاق: 0,56 ± 0,09 Hz
- أفضل أداء تعلم بهذه الفئة
- اتصالات مجمعة بأربعة مقاييس
- نمط اتصال غير متجانس
- تواصل أندر بين الآبار
- متوسط الإطلاق: 0,32 ± 0,08 Hz
- أداء أدنى من الشبكي
ولمجموعة ثالثة ضابطة استُخدمت مزارع متجانسة (أي المزروعة دون غشاء ميكروسيالي). وكشفت النتائج اختلافًا لافتًا: أظهرت المزارع المتجانسة نمط الانفجار المفرط التزامن المتوقع، وكان متوسط الارتباط بين الأقطاب 0,45 ± 0,04. بينما هبط الارتباط جذريًا بالشبكي والهرمي، على الترتيب إلى 0,11 ± 0,01 و 0,12 ± 0,03. أي صارت الديناميات أغنى وأكثر تنوعًا بدل فرط التزامن.
كيف «عُلّمت» الخلايا؟ خوارزمية FORCE
كي تتعلم العصبونات النمط المطلوب، استخدم الفريق FORCE (First-Order Reduced and Controlled Error، الخطأ المخفض والمضبوط من الرتبة الأولى). بكل خطوة زمنية يحسب الفرق بين الخرج والهدف ويحدث أوزان المفكك باستمرار لتقليله. ويرسل تنبيهًا راجعًا للعصبونات ويوجه النشاط للهدف.
في البداية كان النشاط عفويًا وغير منتظم. وعند تشغيل FORCE تقلبت أوزان المفكك سريعًا، فنقلت العصبونات لإطلاق دوري يلائم الهدف، مثل جيب 30 ثانية. وبمرور الوقت قلت التقلبات واستقرت مصفوفة تنتج الدالة. والأبرز أن النظام حتى بعد إيقاف التعلم حافظ على التذبذب من تلقاء نفسه .
سونو وزملاؤه، PNAS 2026 — من الشكل 3C · MSE: Mean Squared Error (متوسط مربع الخطأ)
كما بالرسم، أخطأت الشبكات الميكروسيالية، خصوصًا الشبكية، أقل من المتجانسة وحتى الضبط الخالي بكل الفترات. وفي جيب 4 ثوانٍ السريع، فشلت المتجانسة بما لا يُميَّز عن الخالي، فكأن وجودها كعدمها. أما الشبكي فتقدم باتساق بكل الفترات.
ما الذي تعلمته؟ الجيب والمثلث والمربع والجاذب الفوضوي
القوة العملية إعادة تدريب المزرعة نفسها لأهداف مختلفة؛ تعلمت الشبكة ذاتها بالتتابع:
📈 1. جيب (فترات 4 و10 و30 ثانية)
تكيفت المزرعة نفسها بنجاح مع ترددات مختلفة، وإعادة تدريبها بسهولة أقوى أدلة المرونة.
📐 2. المثلث
إشارة أعقد بترددات متعددة ونقاط غير قابلة للاشتقاق؛ تابعتها الشبكة بنجاح مع خطأ ببعض الزوايا الحادة.
▅ 3. المربع
أصعب هدف دوري، انتقال فجائي وهضبات ثابتة؛ وتأخر النظام 332 ms حد دقة إنتاج التردد العالي جدًا.
🦋 4. جاذب لورنتز (إشارة فوضوية)
سلسلة ثلاثية الأبعاد غير خطية فوضوية؛ نجح إثبات المفهوم وارتباط الثلاثة فوق 0,8. ورغم خطأ بقمم الذيل العالية، بقي التذبذب الفوضوي حتى بعد إيقاف التعلم.
هل تتعلم حقًا أم تستجيب فقط؟
لعل السؤال الأكثر فلسفة: هل تفعل العصبونات الحية هنا حقًا تعلمًا ، أم أنها مجرد مكون في حلقة تغذية راجعة يديرها حاسوب خارجي؟ يحتوي الجواب على جزء من كلتا الإجابتين.
تقنيًا مرحلتان: تحديث FORCE الخارجي المستمر لأوزان المفكك، ثم، والأكثر إثارة، إعادة تنظيم ديناميات الشبكة الداخلية مع الراجع. أظهر البحث انتقالها عند التغذية من عدم انتظام عالي التباين إلى تنظيم أقل أبعادًا. وفيه تنتقل العصبونات بثبات بين حالتين تقابلان قمتي الجيب الموجبة والسالبة، أي حالتي جاذب (attractor) . وهو تقليد مصغر للعملية التي يُعتقد أن الدماغ ينتج بها أوامر الحركة الفعلية.
ليس كل شيء سلسًا: الحدود والمشكلات المفتوحة
ذكر الباحثون مختلف قيود دراستهم بصورة شفافة، وهذه الأمانة في عرض الحدود تعزز الجودة العلمية للنتائج:
- تأخر الحلقة 332 ms، غير كافٍ للتردد العالي
- يسوء بعد التعلم (زاد MSE بـ%99 من التجارب)
- لا إنتاج واضح لانتقالات المثلث والمربع غير القابلة للاشتقاق
- قمم لورنتز العالية غير دقيقة تمامًا
- النظام هش أمام اضطراب الخزان
- عصبونات جرذ؛ قد تختلف البشرية
- حياة المزرعة 14-31 يومًا، والاستقرار الطويل مجهول
- 128 بئرًا وبضع مئات خلايا، مقياس شديد المحدودية
- اعتماد الوسط المغذي يحد الاستقلال
- لم تُدمج ديناميات اللدونة المشبكية القصيرة بالنموذج
إلى أين قد تصل التقنية؟
يشير المؤلفون بخاتمتهم لتطبيقات مثيرة:
من منظور الأورام والعصبية، إمكان لافت استخدام عصبونات من خلايا جذعية بشرية مستحثة متعددة القدرات (iPSC — induced pluripotent stem cell) بمنصات مماثلة بدل الحيوان. وقد تتيح عينات مرضى أورام الدماغ اختبارات استجابة دوائية شخصية وتصميم التعويضات العصبية.
🎓 أكاديمية دروزدوغان — تعليق ونقاش
شبكات بيولوجية · حوسبة الخزان · تقنية عصبية الشكل · نقاش الطب والأخلاق
أهمية الدراسة
تمثل الدراسة عتبة مهمة بين AI والبيولوجيا؛ فإظهار إمكان تدريب الحي بخوارزمية يجسد أن «الذكاء» ليس حكرًا على السيليكون. وأهم قيمتها الطبية إمكان نمذجة توليد الأوامر الحركية البشرية، أي تحول الفوضوي لحركة متماسكة، مختبريًا. وتفتح أفقًا طويلًا لباركنسون وALS وفقد الحركة بعد السكتة وأذية النخاع.
نقاط القوة
المساهمة الأخص جمع الميكروسيال بالضبط الدقيق لديناميات الشبكة الحية. وحل فرط التزامن بوصلات معيارية أنيق لعلم الشبكات ونظرية التعقيد مع البيولوجيا. وتعلم المزرعة نفسها إشارات مختلفة التردد والنوع دليل قوي للمرونة. وتقاسم البيانات والبرمجيات المفتوحة يدعم التقدم، كما أن نحو 15 عامًا من عمل توهوكو بالمجال يعزز نضج الطريقة.
القيود والأسئلة المفتوحة
يبقى إثبات مفهوم، وبينه والواقع عوائق: أولًا المقياس، فلا نعرف ثبات بضع مئات عند ألف وعشرة آلاف ومليون. ثانيًا الاستقرار، فلا تعيش المزارع إلا أسابيع ويسوء الأداء سريعًا بعد التعلم. ثالثًا المعنى الوظيفي؛ فالجيب إنجاز لكنه ليس حسابًا حقيقيًا بمعنى إتمام مهمة بعد. ورابعًا والأهم أخلاقيًا، ماذا يعني منح الخلايا «ذاكرة» أو«خبرة»؟ وهل تكتسب وعيًا؟ الإطار الأخلاقي للـbrainoid وذكاء العضيات لم ينضج بالكامل.
الانعكاس على العيادة والأورام العصبية
لا أثر مباشرًا اليوم على الأورام؛ لكن تطبيقات متوسطة وطويلة: أولًا، شبكات مصغرة من عصبونات قشرية طبيعية بعد إزالة ورم قد تختبر الاستجابة الشخصية. ثانيًا، نمذجة أثر الورم الأرومي الدبقي وسواه كهربائيًا بالنسيج السليم المجاور في المختبر. ثالثًا، بديل حيواني لتقييم سمية الكيميائي والإشعاع العصبية. والأكثر إثارة اختبار آليات واستراتيجيات تدهور الإدراك الإشعاعي (radiotherapy-induced cognitive decline) والاعتلال العصبي المحيطي الكيميائي على مزارع عصبونات خاصة بالمريض مشتقة من iPSC.
أسئلة المستقبل
هل تبدي عصبونات iPSC البشرية المرونة نفسها، وبأي نماذج مرضية؟ وكيف تُخفض الحلقة لميليثوانٍ لتعلم أعقد؟ ومع العضيات، ما ميزة ثلاثية الأبعاد على الميكروسيال الثنائي؟ وهل يجتمع توهوكو وDishBrain الأسترالي وغيرهما لمعيار «حوسبة بيولوجية» جديد؟ والأهم هل يظهر ذكاء قابل للتدريب في ملايين أو مليارات العصبونات، وما الإطار الأخلاقي والتنظيمي اللازم؟ ستؤثر الأجوبة جذريًا خلال 10-20 سنة في الطب والأنثروبولوجيا الفلسفية والهندسة معًا.
المصادر العلمية
- Sono Y, Yamamoto H, Nishi Y, Sumi T, Sato Y, Hirano-Iwata A, Katori Y, Sato S. Online supervised learning of temporal patterns in biological neural networks under feedback control. Proc Natl Acad Sci USA 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123
- Sussillo D, Abbott L. Generating coherent patterns of activity from chaotic neural networks. Neuron 2009;63:544–557.
- Nicola W, Clopath C. Supervised learning in spiking neural networks with FORCE training. Nat Commun 2017;8:2208.
- Yada Y, Yasuda S, Takahashi H. Physical reservoir computing with FORCE learning in a living neuronal culture. Appl Phys Lett 2021;119:173701.
- Sumi T وآخرون. Biological neurons act as generalization filters in reservoir computing. Proc Natl Acad Sci USA 2023;120:e2217008120.
- Cai H وآخرون. Brain organoid reservoir computing for artificial intelligence. Nat Electron 2023;6:1032–1039.
- Kagan BJ وآخرون. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron 2022;110:3952–3969.e8.
- Yamamoto H وآخرون. Modular architecture facilitates noise-driven control of synchrony in neuronal networks. Sci Adv 2023;9:eade1755.
- Smirnova L وآخرون. Organoid intelligence (OI): The new frontier in biocomputing and intelligence-in-a-dish. Front Sci 2023;1:1017235.
- Beniaguev D, Segev I, London M. Single cortical neurons as deep artificial neural networks. Neuron 2021;109:2727–2739.e3.
أُعد هذا المقال ضمن العملية باستخدام أدوات تحرير متعددة، منها الذكاء الاصطناعي. وراجعه محررون بشريون قبل النشر.
هل كان هذا المقال مفيدًا لك؟
تساعدنا ملاحظاتك على تحسين المحتوى.
تعليقات القراء
شارك تعليقك
لا يُنشر اسمك وتعليقك إلا بعد موافقة المسؤول. لا يُعرض بريدك الإلكتروني للزوار مطلقًا.
كن أول من يعلّق.