Petri qabındakı canlı beyin – Kulturada yetişdirilən neyronlar öyrənməyi bacardı
Bu məqalədə
Proceedings of the National Academy of Sciences (PNAS) 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123 · Tohoku Universiteti & Future University Hakodate & Tokio Universiteti
Bir laboratoriyada, bir çipin üzərində cəmi bir neçə yüz siçovul beyin qabığı neyronu yaşayır. Lakin bu neyronlar artıq adi kultura deyil: Alimlər onlara sinus dalğaları yaratmağı, üçbucaq və kvadrat dalğalara uyğunlaşmağı, hətta Lorenz attraktoruna bənzər xaotik riyazi nümunələri real vaxtda təqlid etməyi öyrətdilər. Tohoku Universiteti komandasının PNASjurnalında yayımladığı tədqiqat tibb və süni intellektin kəsişməsində yeni bir qapı açır: canlı neyronlar maşın öyrənməsi həyata keçirə bilərmi? Cavab ehtiyatlı bir “bəli”dir — bu uğur xərçəng tədqiqatlarından beyin-kompüter interfeyslərinə qədər uzanan geniş təsir sahəsinə malikdir.
Hekayənin mahiyyəti: Kulturada yetişdirilmiş neyronlar sinus dalğası yaradır
Canlı beynin ən qeyri-adi qabiliyyətlərindən biri, zahirən xaotik sinir fəaliyyətindən mənalı, koordinasiyalı əzələ hərəkətləri yaratmasıdır. Basketbolçunun topu səbətə atması, pianoçunun barmaqlarının klavişlərə toxunma dəqiqliyi və ya uşağın nitq səsləri — bütün bunlar milyardlarla neyronun xaotik spontan fəaliyyətindən yaranan nizamlı zaman nümunələridir. Bəs bu çevrilmə necə baş verir? Bəlkə də daha maraqlı sual budur: Cəmi bir neçə yüz neyronu çip üzərində yetişdirməklə oxşar çevrilməni təqlid etmək mümkündürmü?
Bu tədqiqatın cavabı aydındır: Bəli, mümkündür. Yapon tədqiqat qrupu kulturada yetişdirilən siçovul beyin qabığı neyronlarını yüksək sıxlıqlı mikroelektrod massivləri (HD-MEA — high-density microelectrode arrays) ilə birləşdirərək, real vaxtda qapalı dövrəli əks əlaqə ilə işləyən sistem qurdu. Nəticə: Canlı neyron şəbəkələri xarici “öyrədici” siqnala uyğunlaşaraq 4–30 saniyə periodlu sinus dalğaları, üçbucaq və kvadrat dalğalar, hətta üçölçülü xaotik Lorenz attraktoru yaratmağı öyrəndi.
ƏSAS SUAL: NİYƏ VACİBDİR?
Kompüterlər enerji istehlak edən nəhəng maşınlardır. Beyin isə təxminən 20 vattla — bir LED lampa qədər enerji ilə işləyir. Canlı neyronların hesablama imkanlarını süni intellektə inteqrasiya edə bilsək, enerji səmərəliliyində inqilab yarana bilər. Bu tədqiqat “canlı bioloji hesablama substratı” (wetware) anlayışına doğru indiyədək atılan ən konkret addımlardan biridir.
Rezervuar hesablaması nədir? Xaosdan nizam necə yaranır?
Bu tədqiqatı başa düşmək üçün maşın öyrənməsinin bir anlayışı ilə tanış olmaq lazımdır: rezervuar hesablaması (reservoir computing). Əsas fikir belədir: Mürəkkəb, yüksəkölçülü, qeyri-xətti sistemin, yəni rezervuarın keçici dinamikasını “hazır hesablama resursu” kimi istifadə etmək. Rezervuar daxilindəki mürəkkəb fəaliyyəti dəyişdirməyə çalışmaq əvəzinə yalnız çıxış siqnalını oxuyan sadə xətti dekoder (linear decoder) öyrədilir. Süni neyron şəbəkələrində bu yanaşma təlim xərclərini kəskin azaldır və zaman sıralarının işlənməsi kimi tapşırıqlarda təsirli nəticələr verir.
Məməli beyni rezervuar hesablamasının ilham mənbəyidir. Lakin canlı neyron şəbəkələrinin fiziki rezervuar kimi istifadəsi uzun müddət məhdud qaldı — çünki in vitro (şüşədən kənarda, yəni laboratoriya şəraitində) kulturada yetişdirilən neyronlar adətən həddindən artıq sinxronlaşmış partlayış aktivliyi göstərir. Bütün neyronlar eyni vaxtda impuls yaradır; bu isə rezervuarın ehtiyac duyduğu “zəngin, müxtəlif dinamika” vəziyyətinin tam əksidir.
Sono və həmkarları, PNAS 2026 — Şəkil 1A əsasında uyğunlaşdırılıb
Həddindən artıq sinxronlaşmanı pozmaq: Mikrofluid sənət əsəri
Komandanın bu problemi aradan qaldırmaq üçün istifadə etdiyi üsul mühəndislik baxımından olduqca zərifdir: mikrofluid (microfluidic) cihazlarla modul şəbəkə arxitekturası yaratmaq. Elektrod səthinin üzərinə polidimetilsiloksandan (PDMS — polydimethylsiloxane) hazırlanmış mikrofluid təbəqə yerləşdirildi. Bu təbəqə neyronları ölçüsü 100×100 mikrometr olan kvadrat quyucuqla məhdudlaşdırır; quyucuqlar arasındakı əlaqə isə yalnız nazik mikrokanallarla (~5 mikrometr enində) təmin olunur.
Komanda iki fərqli mikrofluid dizayn hazırladı:
- Hər quyucuq 4 qonşusu ilə bağlıdır
- Kvadrat qəfəs topologiyası
- Quyucuqlar arasında nisbətən bərabər əlaqə
- Orta impuls tezliyi: 0,56 ± 0,09 Hz
- Ən yaxşı öyrənmə performansı bu qrupdadır
- Dörd miqyasda qruplaşdırılmış əlaqələr
- Heterogen əlaqə nümunəsi
- Quyucuqlar arasında daha seyrək rabitə
- Orta impuls tezliyi: 0,32 ± 0,08 Hz
- Qəfəsə nisbətən daha aşağı performans
Üçüncü qrup — nəzarət qrupu kimi homogen (mikrofluid təbəqə olmadan yetişdirilən) neyron kulturlarından istifadə edildi. Nəticələr nəzərəçarpan fərq ortaya qoydu. Homogen kulturlar gözlənilən həddindən artıq sinxronlaşmış partlayış nümunəsini göstərdi: Elektrodlar arasındakı orta korrelyasiya 0,45 ± 0,04idi. Lakin qəfəs və iyerarxik dizaynlarda bu korrelyasiya kəskin azaldı: müvafiq olaraq 0,11 ± 0,01 və 0,12 ± 0,03. Yəni bu şəbəkələr artıq həddindən artıq sinxronlaşma vəziyyətində deyildi, daha zəngin və müxtəlif dinamika nümayiş etdirirdi.
Neyronlara necə “öyrədildi”? FORCE alqoritmi
Neyronların istənilən nümunəni yaratmağı “öyrənməsi” üçün komanda FORCE (First-Order Reduced and Controlled Error — Birinci dərəcəli azaldılmış və idarə olunan xəta) alqoritmindən istifadə etdi. Bu alqoritmin əsas məntiqini belə ümumiləşdirmək olar: Sistem hər zaman addımında neyronların yaratdığı çıxış ilə hədəf siqnal arasındakı fərqi hesablayır və həmin fərqi minimuma endirəcək şəkildə dekoderin çəkilərini davamlı yeniləyir. Eyni zamanda neyronlara əks əlaqə stimulyasiyası göndərərək şəbəkənin fəaliyyətini hədəfə yönəldir.
Başlanğıcda neyronlar spontan, nizamsız aktivlik göstərirdi. FORCE öyrənməsi başladıqda dekoderin çəkiləri sürətlə dəyişməyə başladı və bu dəyişkənlik şəbəkədəki neyronların hədəf siqnala, məsələn, 30 saniyəlik sinus dalğasına uyğun periodik impuls nümunəsinə keçməsinə səbəb oldu. Zamanla çəkilərin dəyişkənliyi azaldı və sistem hədəf funksiyanı yarada bilən sabit matris konfiqurasiyasına çatdı. Daha da diqqətçəkən məqam: Öyrənmə söndürüldükdən sonra belə sistem rəqsi aktivliyi özbaşına davam etdirə bildi.
Sono və həmkarları, PNAS 2026 — Şəkil 3C əsasında hazırlanıb · MSE: Mean Squared Error (orta kvadratik xəta)
Qrafikdə göründüyü kimi, mikrofluid üsulla formalaşdırılmış şəbəkələr — xüsusən qəfəs dizaynı — bütün sinus dalğası periodlarında homogen kulturlara, hətta hüceyrəsiz nəzarət şəraitinə nisbətən daha aşağı xəta göstəriciləri nümayiş etdirdi. Diqqətçəkən nəticə: 4 saniyəlik sürətli sinus dalğasında homogen kulturlar hüceyrəsiz nəzarətdən fərqləndirilməyəcək dərəcədə uğursuz idi — yəni neyronlar orada olduqları halda sanki yox idi. Qəfəs şəbəkələri isə bütün periodlarda ardıcıl üstünlük göstərdi.
Nə öyrənildi? Sinus, üçbucaq, kvadrat və xaotik attraktor
Tədqiqatın praktik gücü eyni kulturanın fərqli hədəf siqnallar üçün yenidən öyrədilə bilməsindədir. Eyni neyron şəbəkəsi ardıcıl olaraq bu tapşırıqları öyrənə bildi:
📈 1. Sinus dalğaları (4, 10, 30 saniyəlik periodlar)
Eyni kultura müxtəlif tezlikli sinus dalğalarına uğurla uyğunlaşdı. Eyni kulturanın müxtəlif tezliklərə asanlıqla yenidən öyrədilməsi sistemin çevikliyini göstərən ən güclü sübutdur.
📐 2. Üçbucaq dalğa
Çoxsaylı tezlik komponentləri və törəməsi olmayan nöqtələr ehtiva edən daha mürəkkəb siqnal. Neyron şəbəkəsi bunu da uğurla izləyə bildi — lakin kəskin bucaqlarda müəyyən xəta müşahidə edildi.
▅ 3. Kvadrat dalğa
Ən çətin periodik hədəf — ani keçidlər və sabit plato səviyyələri. Mövcud sistemin 332 ms gecikməsi çox yüksək tezlikli kvadrat dalğaların dəqiq yaradılmasını məhdudlaşdırdı.
🦋 4. Lorenz attraktoru (xaotik siqnal)
Üçölçülü, qeyri-xətti və xaotik zaman sırası. Komanda bunu da konsepsiyanın sübutu səviyyəsində bacardı — hər üç ölçüdə korrelyasiya 0,8-i keçdi. Xaotik quyruğun yüksək amplitudalı zirvələrində müəyyən xəta müşahidə olunsa da, sistem öyrənmə söndürüldükdən sonra belə xaotik rəqs davranışını qorudu.
Neyronlar həqiqətən “öyrənir”, yoxsa yalnız reaksiya verir?
Bu tədqiqatın bəlkə də ən fəlsəfi sualı budur: Canlı neyronlar burada həqiqətən öyrənmə həyata keçirir, yoxsa sadəcə xarici kompüterin idarə etdiyi əks əlaqə dövrəsinin bir hissəsidir? Cavab hər iki variantı qismən ehtiva edir.
Texniki baxımdan öyrənmə prosesi iki mərhələdə baş verir: Birincisi, xarici FORCE alqoritminin dekoder çəkilərini davamlı yeniləməsidir. İkincisi — daha maraqlısı — neyron şəbəkəsinin öz daxili dinamikasının həmin əks əlaqə ilə birlikdə yenidən qurulmasıdır. Tədqiqat göstərdi ki, əks əlaqə aktivləşdiriləndə neyronların fəaliyyəti nizamsız, yüksək variasiyalı vəziyyətdən daha strukturlaşdırılmış, aşağıölçülü dinamikaya keçir. Bu strukturlaşdırılmış vəziyyətdə neyronlar sinus dalğasının müsbət və mənfi zirvələrinə uyğun gələn iki attraktor (attractor) vəziyyəti arasında sabit keçidlər edirdi. Bu, canlı beynin real motor əmrlər yaradarkən həyata keçirdiyi güman olunan prosesin miniatür təqlididir.
Hər şey bu qədər rəvan deyil: Məhdudiyyətlər və açıq problemlər
Tədqiqatçılar işlərinin müxtəlif məhdudiyyətlərini şəffaf şəkildə qeyd etdilər. Bu dürüstlük nəticələrin elmi keyfiyyətini gücləndirir:
- Qapalı dövrənin gecikməsi 332 ms — yüksək tezlikli siqnallar üçün yetərli deyil
- Öyrənmədən sonra performans pisləşir (sınaqların 99%-ində MSE artdı)
- Üçbucaq və kvadrat dalğaların törəməsi olmayan keçidləri dəqiq yaradıla bilmir
- Lorenz attraktorunun yüksək amplitudalı zirvələri tam dəqiq deyil
- Sistem rezervuar pozuntularına qarşı kövrəkdir
- Siçovul neyronları istifadə edildi — insan neyronları fərqli davrana bilər
- Kulturanın ömrü 14-31 gün — uzunmüddətli sabitlik qeyri-müəyyəndir
- Cəmi 128 quyucuq, bir neçə yüz neyron — çox məhdud miqyas
- Sistem qidalı mühitdən asılıdır; avtonom iş məhduddur
- Sinaptik plastikliyin qısamüddətli dinamikası modelə daxil edilə bilmədi
Bu texnologiya gələcəkdə hansı sahələrə uzana bilər?
Müəlliflər tədqiqatın nəticə bölməsində bir neçə maraqlı tətbiq sahəsinə diqqət çəkirlər:
Onkologiya və neyroonkologiya baxımından ən maraqlı ehtimallardan biri insanın induksiya olunmuş pluripotent kök hüceyrələrindən (iPSC — induced pluripotent stem cell) əldə edilən neyronların oxşar sistemlərdə istifadəsidir. Bu, heyvan təcrübələrini əvəz edə biləcək platforma deməkdir. Həmçinin beyin şişi olan xəstələrdən alınan neyron nümunələri ilə fərdiləşdirilmiş dərman cavabı sınaqları və neyroprotez dizaynları gündəmə gələ bilər.
🎓 DROZDOGAN Akademiya — Şərh və müzakirə
BİOLOJİ NEYRON ŞƏBƏKƏLƏRİ · REZERVUAR HESABLAMASI · NEYROMORF TEXNOLOGİYA · ETİKA VƏ TİBB MÜZAKİRƏSİ
Bu tədqiqatın əhəmiyyəti
Bu tədqiqat süni intellekt və biologiyanın kəsişməsində mühüm həddi təmsil edir. Canlı neyronların süni intellekt alqoritmi ilə öyrədilə bilməsinin göstərilməsi “zəka” anlayışının yalnız silisium əsaslı sistemlərə məxsus olmadığını konkretləşdirir. Tibb elmi üçün ən dəyərli tərəfi insan beynində motor əmrlərin yaradılma mexanizmlərinin — yəni xaotik siqnalın ardıcıl motor hərəkətə çevrilməsinin — laboratoriya şəraitində modelləşdirilə bildiyini göstərməsidir. Bu, Parkinson xəstəliyi, ALS, insultdan sonra motor funksiya itkisi və onurğa beyni zədələri kimi çoxsaylı vəziyyətlərin müalicə strategiyaları üçün uzunmüddətli perspektiv açır.
Güclü tərəflər
Tədqiqatın ən orijinal töhfəsi mikrofluid mühəndisliyi ilə bioloji şəbəkə dinamikasının incə idarəetməsini birləşdirməsidir. Həddindən artıq sinxronlaşma problemini modul əlaqələrlə həll etmək təkcə biologiya deyil, şəbəkə elmi və mürəkkəb sistemlər nəzəriyyəsi baxımından da zərif yanaşmadır. Eyni kulturanın müxtəlif tezlikli və növlü siqnalları öyrənə bilməsi sistemin çevikliyinin güclü sübutudur. Tədqiqatçıların açıq əlçatan məlumat və proqram paylaşması da sahənin inkişafına ciddi töhfə verəcək. Tohoku Universiteti komandasının təxminən 15 ildir bu sahədə işləməsi metodun yetkinliyini artıran mühüm amildir.
Məhdudiyyətlər və açıq suallar
Tədqiqat konsepsiyanın sübutu səviyyəsində qalır və real dünya tətbiqləri üçün mühüm maneələr var. Birincisi, miqyas problemi: Cəmi bir neçə yüz neyronla aparılmış bu təcrübənin min, on min və ya milyon neyron miqyasında eyni ardıcıllıqla işləyib-işləməyəcəyi məlum deyil. İkincisi, sabitlik: Kulturlar cəmi bir neçə həftə yaşayır və öyrənmədən sonra performans sürətlə pisləşir. Üçüncüsü, funksional mənalılıq: Sinus dalğası yaratmaq təsirli nailiyyət olsa da, bu neyronlar hələ “tapşırıq yerinə yetirmək” mənasında real hesablama aparmır. Dördüncüsü və bəlkə ən vacibi etik suallardır: Canlı neyronlara “yaddaş” və ya “təcrübə” qazandırmaq nə deməkdir? Bu neyron şəbəkələri “şüur” qazana bilərmi? Brainoid və orqanoid zəka sahəsinin etik çərçivəsi hələ tam yetkinləşməyib.
Klinik praktikaya və neyroonkologiyaya təsiri
Bu texnologiya bu gün onkoloji praktikaya birbaşa təsir etməyəcək; lakin orta və uzun müddətdə bir neçə mühüm tətbiq sahəsi aça bilər. Birincisi, beyin şişi olan xəstələrdə şiş çıxarıldıqdan sonra normal kortikal neyronlardan qurulan mini şəbəkələr fərdiləşdirilmiş dərman cavabı sınaqları üçün platforma ola bilər. İkincisi, glioblastoma kimi şişlərin ətraf sağlam toxumaya elektrofizioloji təsirlərini in vitro modelləşdirmək üçün istifadə oluna bilər. Üçüncüsü, kimyaterapiya və radioterapiyadan sonra neyrotoksikliyin qiymətləndirilməsində bu sistemlər heyvan təcrübələrini əvəz etmək potensialına malikdir. Ən maraqlı ehtimal radiasiyaya bağlı koqnitiv funksiya pozğunluğu (radiotherapy-induced cognitive decline) və ya kimyaterapiyaya bağlı periferik neyropatiya kimi vəziyyətlərin mexanizmləri və müalicə strategiyalarının iPSC-dən alınmış xəstəyə məxsus neyron kulturlarında sınaqdan keçirilə bilməsidir.
Gələcəyin sualları
Bu sahənin qarşısındakı mühüm tədqiqat sualları bunlardır: İnsan iPSC-lərindən əldə edilən neyronlar bu paradiqmada eyni çevikliyi göstərə bilərmi və hansı xəstəlik modellərində istifadə oluna bilər? Daha mürəkkəb nümunələri öyrənmək üçün qapalı dövrənin gecikməsi millisaniyə miqyasına necə endirilə bilər? Orqanoid texnologiyası ilə birləşdirildikdə üçölçülü neyron şəbəkələri ikiölçülü mikrofluid sistemlərə hansı üstünlüklər verə bilər? Tohoku qrupu və DishBrain (Avstraliya) layihəsi kimi digər qrupların işləri birləşərək yeni “bioloji hesablama” standartı yarada bilərmi? Bəlkə də ən mühüm sual: Milyon və ya milyard neyron miqyasındakı canlı sistemlərdə öyrədilə bilən zəka yarana bilərmi və bu halda hansı etik və tənzimləyici çərçivələrə ehtiyac olacaq? Bu sualların cavabları qarşıdakı 10-20 ildə təkcə mühəndisliyi deyil, tibbi və fəlsəfi antropologiyanı da köklü şəkildə dəyişəcək.
Elmi mənbələr
- 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 və həmkarları. Biological neurons act as generalization filters in reservoir computing. Proc Natl Acad Sci USA 2023;120:e2217008120.
- Cai H və həmkarları. Brain organoid reservoir computing for artificial intelligence. Nat Electron 2023;6:1032–1039.
- Kagan BJ və həmkarları. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron 2022;110:3952–3969.e8.
- Yamamoto H və həmkarları. Modular architecture facilitates noise-driven control of synchrony in neuronal networks. Sci Adv 2023;9:eade1755.
- Smirnova L və həmkarları. 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.
Bu məqalə hazırlanma prosesi çərçivəsində süni intellekt də daxil olmaqla müxtəlif redaktə vasitələrindən istifadə edilərək yaradılmışdır. Yayımlanmadan əvvəl insan redaktorlar tərəfindən nəzərdən keçirilmişdir.
Bu məqalə sizə faydalı oldu?
Rəyiniz məzmunumuzu yaxşılaşdırmağa kömək edir.
Oxucu şərhləri
Şərhinizi paylaşın
Adınız və şərhiniz yalnız administrator təsdiqindən sonra dərc olunur. E-poçt ünvanınız ziyarətçilərə heç vaxt göstərilmir.
İlk şərhi siz yazın.