مغز زنده در ظرف پتری — نورون‌های پرورش‌یافته در کشت، یادگیری را آموختند
در این مقاله
Proceedings of the National Academy of Sciences (PNAS) 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123 · دانشگاه توهوکو & Future University Hakodate & دانشگاه توکیو
در یک آزمایشگاه، روی یک تراشه، فقط چند صد نورون قشر مغز موش صحرایی زندگی می‌کنند. اما این نورون‌ها دیگر یک کشت معمولی نیستند: دانشمندان به آن‌ها آموخته‌اند موج‌های سینوسی تولید کنند، با موج‌های مثلثی و مربعی همراه شوند و حتی الگوهای ریاضی آشوبناک مانند جاذب لورنز را در زمان واقعی تقلید کنند. پژوهش گروه دانشگاه توهوکو که در PNASمنتشر شده، در تلاقی پزشکی و هوش مصنوعی دری تازه می‌گشاید: آیا نورون‌های زنده می‌توانند یادگیری ماشین انجام دهند؟ پاسخ یک «بله» محتاطانه است؛ و این دستاورد دامنهٔ اثر گسترده‌ای دارد، از پژوهش سرطان تا رابط‌های مغز و رایانه.
لبّ مطلب: نورون‌های کشت‌شده موج سینوسی تولید می‌کنند
یکی از شگفت‌انگیزترین توانایی‌های مغز زنده، تولید حرکت‌های معنادار و هماهنگ عضلات از فعالیت عصبیِ به‌ظاهر آشوبناک است. پرتاب توپ بسکتبالیست به سوی حلقه، دقت فرود انگشتان پیانیست بر کلیدها، یا صداهای گفتاری کودک، همگی الگوهای زمانی منظمی هستند که از فعالیت خودبه‌خودی آشوبناک میلیاردها نورون پدید می‌آیند. اما این تبدیل چگونه رخ می‌دهد؟ و شاید پرسشی جالب‌تر: آیا می‌توان تبدیلی مشابه را تنها با پرورش چند صد نورون روی یک تراشه تقلید کرد؟
پاسخ این پژوهش روشن است: بله، امکان‌پذیر است. گروه پژوهشی ژاپنی، نورون‌های قشر مغز موش صحراییِ کشت‌شده را با آرایه‌های میکروالکترودی با تراکم بالا (HD-MEA — high-density microelectrode arrays) تلفیق کرد و سامانه‌ای با بازخورد حلقه‌بسته در زمان واقعی ساخت. نتیجه: شبکه‌های نورون زنده با تطبیق خود با یک سیگنال «آموزگار» بیرونی آموختند موج‌های سینوسی با دورهٔ 4–30 ثانیه، موج‌های مثلثی و مربعی، و حتی جاذب لورنز آشوبناک سه‌بعدی را تولید کنند.
پرسش اساسی: چرا مهم است؟
رایانه‌ها ماشین‌هایی عظیم و مصرف‌کنندهٔ انرژی هستند. اما مغز تقریباً با 20 وات کار می‌کند، به اندازهٔ یک لامپ LED. اگر بتوانیم توان محاسباتی نورون‌های زنده را با هوش مصنوعی تلفیق کنیم، ممکن است انقلابی در بهره‌وری انرژی رخ دهد. این پژوهش یکی از ملموس‌ترین گام‌هایی است که تاکنون به سوی مفهوم «بستر زیستی محاسبات» (wetware) برداشته شده است.
محاسبات مخزنی چیست؟ چگونه از آشوب نظم به دست می‌آید؟
برای فهم این پژوهش باید با یکی از مفاهیم یادگیری ماشین آشنا شویم: محاسبات مخزنی (reservoir computing). ایدهٔ اصلی چنین است: استفاده از پویایی گذرای یک سامانهٔ پیچیده، پُربُعد و غیرخطی، یعنی مخزن، به‌عنوان «منبع محاسباتی آماده». به‌جای تلاش برای تغییر فعالیت پیچیدهٔ درون مخزن، فقط یک رمزگشای خطی ساده (linear decoder) که خروجی را می‌خواند آموزش داده می‌شود. در شبکه‌های عصبی مصنوعی، این رویکرد هزینهٔ آموزش را به‌شدت کاهش می‌دهد و در کارهایی مانند پردازش سری‌های زمانی نتایجی چشمگیر می‌دهد.
مغز پستانداران الهام‌بخش محاسبات مخزنی است. اما استفاده از شبکه‌های نورون زنده به‌عنوان مخزن‌های فیزیکی مدت‌ها محدود ماند؛ زیرا نورون‌هایی که in vitro (بیرون از شیشه، یعنی در شرایط آزمایشگاهی) کشت می‌شوند معمولاً فعالیت انفجاریِ بیش‌ازحد هم‌زمان‌شده نشان می‌دهند. همهٔ نورون‌ها هم‌زمان شلیک می‌کنند، و این درست خلاف وضعیت «پویایی غنی و متنوع» مورد نیاز مخزن است.
اقتباس از شکل 1A، Sono و همکاران، PNAS 2026
شکستن هم‌زمانیِ بیش‌ازحد: اثری هنری از ریزسیالات
روشی که گروه برای غلبه بر این مشکل به کار برد از نظر مهندسی بسیار ظریف است: ساخت معماری شبکهٔ ماژولار با دستگاه‌های ریزسیال (microfluidic). یک لایهٔ ریزسیالی از پلی‌دی‌متیل‌سیلوکسان (PDMS — polydimethylsiloxane) روی سطح الکترود قرار گرفت. این لایه نورون‌ها را به چاهک‌های مربعی به ابعاد 100×100 میکرومتر محدود می‌کند؛ و ارتباط میان چاهک‌ها فقط از طریق ریزکانال‌های باریک با پهنای ~5 میکرومتر برقرار می‌شود.
گروه دو طراحی ریزسیالی متفاوت ساخت:
- هر چاهک با 4 همسایهٔ خود ارتباط دارد
- توپولوژی شبکهٔ مربعی
- ارتباط نسبتاً برابر میان چاهک‌ها
- میانگین نرخ شلیک: 0,56 ± 0,09 Hz
- بهترین عملکرد یادگیری در این گروه
- ارتباط‌های گروه‌بندی‌شده در چهار مقیاس
- الگوی ارتباطی ناهمگن
- ارتباط کم‌تراکم‌تر میان چاهک‌ها
- میانگین نرخ شلیک: 0,32 ± 0,08 Hz
- عملکرد پایین‌تر نسبت به شبکهٔ شطرنجی
به‌عنوان گروه سوم، یعنی گروه کنترل، از کشت‌های نورونی همگن که بدون لایهٔ ریزسیالی رشد کرده بودند استفاده شد. نتایج تفاوتی چشمگیر نشان داد. کشت‌های همگن الگوی مورد انتظارِ انفجارهای بیش‌ازحد هم‌زمان‌شده را نشان دادند: میانگین همبستگی میان الکترودها 0,45 ± 0,04بود. اما در طراحی‌های شبکهٔ شطرنجی و سلسله‌مراتبی این همبستگی به‌شدت کاهش یافت، به‌ترتیب به 0,11 ± 0,01 و 0,12 ± 0,03. بنابراین این شبکه‌ها دیگر در وضعیت هم‌زمانیِ بیش‌ازحد نبودند، بلکه پویایی بسیار غنی‌تر و متنوع‌تری نشان می‌دادند.
چگونه به نورون‌ها «آموختند»؟ الگوریتم FORCE
برای اینکه نورون‌ها تولید الگوی مطلوب را «یاد بگیرند»، گروه از الگوریتم FORCE (First-Order Reduced and Controlled Error — خطای مرتبهٔ اول، کاهش‌یافته و کنترل‌شده) استفاده کرد. منطق اصلی این الگوریتم را می‌توان چنین خلاصه کرد: سامانه در هر گام زمانی تفاوت میان خروجی نورون‌ها و سیگنال هدف را محاسبه می‌کند و وزن‌های رمزگشا را پیوسته طوری به‌روزرسانی می‌کند که این تفاوت کمینه شود. هم‌زمان با ارسال تحریک بازخوردی به نورون‌ها، فعالیت شبکه را به سوی هدف هدایت می‌کند.
در آغاز نورون‌ها فعالیت خودبه‌خودی و نامنظم داشتند. با آغاز یادگیری FORCE، وزن‌های رمزگشا به‌سرعت شروع به نوسان کردند و این نوسان باعث شد نورون‌های شبکه به الگوی شلیک دوره‌ای سازگار با سیگنال هدف، مثلاً موج سینوسی 30 ثانیه‌ای، گذار کنند. با گذشت زمان نوسان وزن‌ها کاهش یافت و سامانه به پیکربندی پایدار ماتریسی رسید که می‌توانست تابع هدف را تولید کند. شگفت‌انگیزتر اینکه حتی پس از خاموش شدن یادگیری، سامانه می‌توانست فعالیت نوسانی را به‌تنهایی ادامه دهد.
برگرفته از شکل 3C، Sono و همکاران، PNAS 2026 · MSE: Mean Squared Error (میانگین مربعات خطا)
همان‌گونه که در نمودار دیده می‌شود، شبکه‌های شکل‌گرفته با ریزسیالات، به‌ویژه طراحی شبکهٔ شطرنجی، در تمام دوره‌های موج سینوسی نسبت به کشت‌های همگن و حتی شرایط کنترل بدون سلول خطای کمتری نشان دادند. یافته‌ای قابل‌توجه: در موج سینوسی سریع با دورهٔ 4 ثانیه، کشت‌های همگن چنان ناموفق بودند که از کنترل بدون سلول قابل‌تشخیص نبودند؛ یعنی با وجود حضور نورون‌ها، گویی نورونی وجود نداشت. در مقابل، شبکه‌های شطرنجی در تمام دوره‌ها به‌طور پیوسته برتر بودند.
چه چیزی آموخته شد؟ سینوسی، مثلثی، مربعی و جاذب آشوبناک
توان عملی این پژوهش در امکان بازآموزی یک کشت واحد برای سیگنال‌های هدف متفاوت نهفته است. همان شبکهٔ نورونی توانست به‌ترتیب این کارها را یاد بگیرد:
📈 1. موج‌های سینوسی (دوره‌های 4، 10، 30 ثانیه‌ای)
همان کشت با موج‌های سینوسی در فرکانس‌های متفاوت با موفقیت سازگار شد. بازآموزی آسان یک کشت واحد برای فرکانس‌های مختلف، قوی‌ترین شاهد انعطاف‌پذیری سامانه است.
📐 2. موج مثلثی
سیگنالی پیچیده‌تر با چند مؤلفهٔ فرکانسی و نقاطی که مشتق‌پذیر نیستند. شبکهٔ نورونی توانست این سیگنال را نیز با موفقیت دنبال کند، اما در گوشه‌های تیز مقداری خطا دیده شد.
▅ 3. موج مربعی
چالش‌برانگیزترین هدف دوره‌ای: گذارهای ناگهانی و سطوح سکوی ثابت. تأخیر 332 ms سامانهٔ موجود، تولید دقیق موج‌های مربعی با فرکانس بسیار بالا را محدود کرد.
🦋 4. جاذب لورنز (سیگنال آشوبناک)
یک سری زمانی سه‌بعدی، غیرخطی و آشوبناک. گروه این کار را نیز در سطح اثبات مفهوم انجام داد؛ همبستگی در هر سه بُعد از 0,8 بیشتر شد. با آنکه در قله‌های پُردامنهٔ دنبالهٔ آشوبناک مقداری خطا مشاهده شد، سامانه حتی پس از خاموش شدن یادگیری رفتار نوسانی آشوبناک را حفظ کرد.
آیا نورون‌ها واقعاً «یاد می‌گیرند» یا فقط واکنش نشان می‌دهند؟
شاید فلسفی‌ترین پرسش این پژوهش این باشد: آیا نورون‌های زنده در اینجا واقعاً یادگیری انجام می‌دهند یا صرفاً جزئی از حلقهٔ بازخوردی هستند که یک رایانهٔ بیرونی اداره می‌کند؟ پاسخ تا حدی هر دو حالت را در بر می‌گیرد.
از نظر فنی، فرایند یادگیری در دو مرحله رخ می‌دهد: نخست، به‌روزرسانی مداوم وزن‌های رمزگشا توسط الگوریتم بیرونی FORCE. دوم، که جالب‌تر است، بازسازمان‌دهی پویایی درونی خود شبکهٔ نورونی همراه با این بازخورد. پژوهش نشان داد با فعال شدن بازخورد، فعالیت نورون‌ها از وضعیتی نامنظم و با واریانس بالا به پویایی ساختاریافته‌تر و کم‌بُعد گذار می‌کند. در این وضعیت ساختاریافته، نورون‌ها میان دو حالت جاذب (attractor) که متناظر با قله‌های مثبت و منفی موج سینوسی بودند، گذارهای پایداری انجام می‌دادند. این تقلیدی کوچک از فرایندی است که تصور می‌شود مغز زنده هنگام تولید فرمان‌های حرکتی واقعی انجام می‌دهد.
همه‌چیز این‌قدر هموار نیست: محدودیت‌ها و مسائل باز
پژوهشگران محدودیت‌های مختلف کار خود را شفاف بیان کردند. این صداقت کیفیت علمی نتایج را تقویت می‌کند:
- تأخیر حلقه‌بسته 332 ms است؛ برای سیگنال‌های پُرفرکانس کافی نیست
- عملکرد پس از یادگیری افت می‌کند (در 99% آزمون‌ها MSE افزایش یافت)
- گذارهای مشتق‌ناپذیر موج‌های مثلثی و مربعی به‌وضوح تولید نمی‌شوند
- قله‌های پُردامنهٔ جاذب لورنز کاملاً دقیق نیستند
- سامانه در برابر آشفتگی‌های مخزن شکننده است
- از نورون‌های موش صحرایی استفاده شد؛ نورون‌های انسان ممکن است متفاوت رفتار کنند
- عمر کشت 14-31 روز است؛ پایداری بلندمدت نامعلوم است
- فقط 128 چاهک و چند صد نورون؛ مقیاسی بسیار محدود
- سامانه به محیط مغذی وابسته است؛ کارکرد مستقل محدود است
- پویایی کوتاه‌مدت انعطاف‌پذیری سیناپسی در مدل گنجانده نشد
این فناوری در آینده به چه حوزه‌هایی می‌تواند برسد؟
نویسندگان در بخش نتیجه‌گیری به چند حوزهٔ کاربردی هیجان‌انگیز اشاره می‌کنند:
از دیدگاه سرطان‌شناسی و نوروانکولوژی، یکی از جالب‌ترین احتمال‌ها استفاده از نورون‌های مشتق از سلول‌های بنیادی پرتوان القایی انسان (iPSC — induced pluripotent stem cell) در سامانه‌های مشابه است. این به معنای بستری است که می‌تواند جایگزین آزمایش‌های حیوانی شود. همچنین با نمونه‌های نورونیِ گرفته‌شده از بیماران دارای تومور مغزی، آزمون‌های شخصی‌سازی‌شدهٔ پاسخ دارویی و طراحی پروتزهای عصبی می‌تواند مطرح شود.
🎓 آکادمی DROZDOGAN — تفسیر و بحث
شبکه‌های عصبی زیستی · محاسبات مخزنی · فناوری نورومورفیک · بحث اخلاق و پزشکی
اهمیت این پژوهش
این پژوهش نشان‌دهندهٔ آستانه‌ای مهم در تلاقی هوش مصنوعی و زیست‌شناسی است. نشان دادن اینکه نورون‌های زنده را می‌توان با الگوریتم هوش مصنوعی آموزش داد، این مفهوم را ملموس می‌کند که «هوش» تنها به سامانه‌های سیلیکونی اختصاص ندارد. ارزشمندترین وجه آن برای علم پزشکی، نشان دادن امکان مدل‌سازی سازوکارهای تولید فرمان حرکتی در مغز انسان، یعنی تبدیل سیگنال آشوبناک به حرکت هماهنگ، در شرایط آزمایشگاهی است. این موضوع افقی بلندمدت برای راهبردهای درمان بسیاری از وضعیت‌ها، مانند بیماری پارکینسون، ALS، از دست رفتن عملکرد حرکتی پس از سکته و آسیب‌های نخاعی، فراهم می‌کند.
نقاط قوت
اصیل‌ترین دستاورد پژوهش، تلفیق مهندسی ریزسیالات با کنترل دقیق پویایی شبکهٔ زیستی است. حل مشکل هم‌زمانیِ بیش‌ازحد با ارتباط‌های ماژولار، نه‌تنها از نظر زیست‌شناسی، بلکه از دید علم شبکه و نظریهٔ سامانه‌های پیچیده رویکردی ظریف است. توانایی یک کشت واحد در یادگیری سیگنال‌هایی با فرکانس و نوع متفاوت، شاهدی قوی برای انعطاف‌پذیری سامانه است. افزون بر این، اشتراک‌گذاری آزاد داده‌ها و نرم‌افزار توسط پژوهشگران کمک مهمی به پیشرفت این حوزه خواهد کرد. فعالیت تقریباً 15 سالهٔ گروه دانشگاه توهوکو در این زمینه نیز عامل مهمی در بلوغ روش است.
محدودیت‌ها و پرسش‌های باز
پژوهش در سطح اثبات مفهوم باقی می‌ماند و برای کاربردهای واقعی موانع مهمی وجود دارد. نخست، مشکل مقیاس: معلوم نیست این آزمایش که فقط با چند صد نورون انجام شده، در مقیاس هزار، ده‌هزار یا میلیون نورون با همان ثبات عمل کند. دوم، پایداری: کشت‌ها فقط چند هفته زنده می‌مانند و عملکرد پس از یادگیری به‌سرعت افت می‌کند. سوم، معناداری عملکرد: تولید موج سینوسی دستاوردی چشمگیر است، اما این نورون‌ها هنوز به معنای «انجام یک وظیفه» محاسبهٔ واقعی انجام نمی‌دهند. چهارم و شاید مهم‌تر از همه، پرسش‌های اخلاقی: دادن «حافظه» یا «تجربه» به نورون‌های زنده چه معنایی دارد؟ آیا این شبکه‌های نورونی می‌توانند «آگاهی» پیدا کنند؟ چارچوب اخلاقی حوزهٔ برینوئید و هوش ارگانوئیدی هنوز کاملاً پخته نشده است.
بازتاب در کار بالینی و نوروانکولوژی
این فناوری امروز تأثیری مستقیم بر کار بالینی سرطان‌شناسی نخواهد داشت؛ اما در میان‌مدت و بلندمدت می‌تواند چند حوزهٔ کاربردی مهم بگشاید. نخست، در بیماران دارای تومور مغزی، شبکه‌های کوچکی که پس از برداشت تومور از نورون‌های قشری طبیعی ساخته می‌شوند، ممکن است بستری برای آزمون‌های شخصی‌سازی‌شدهٔ پاسخ دارویی باشند. دوم، می‌توان از آن برای مدل‌سازی in vitro اثرهای الکتروفیزیولوژیک تومورهایی مانند گلیوبلاستوما بر بافت سالم اطراف استفاده کرد. سوم، این سامانه‌ها در ارزیابی سمیت عصبی پس از شیمی‌درمانی و پرتودرمانی، ظرفیت جایگزینی آزمایش‌های حیوانی را دارند. هیجان‌انگیزترین احتمال، فراهم شدن امکان آزمون سازوکارها و راهبردهای درمان وضعیت‌هایی مانند افت شناختی ناشی از پرتودرمانی (radiotherapy-induced cognitive decline) یا نوروپاتی محیطی ناشی از شیمی‌درمانی، روی کشت‌های نورونیِ اختصاصی بیمار و مشتق از iPSC است.
پرسش‌های آینده
پرسش‌های پژوهشی کلیدی پیش روی این حوزه چنین‌اند: آیا نورون‌های انسانی مشتق از iPSC در این الگو همان انعطاف‌پذیری را نشان می‌دهند و در کدام مدل‌های بیماری قابل‌استفاده‌اند؟ چگونه می‌توان تأخیر حلقه‌بسته را به مقیاس میلی‌ثانیه کاهش داد تا الگوهای پیچیده‌تر آموخته شوند؟ هنگام تلفیق با فناوری ارگانوئید، شبکه‌های عصبی سه‌بعدی چه مزایایی نسبت به سامانه‌های ریزسیالی دوبعدی دارند؟ آیا پژوهش‌های گروه توهوکو و گروه‌های دیگر، مانند پروژهٔ DishBrain در استرالیا، می‌توانند با هم یک استاندارد جدید «محاسبات زیستی» بسازند؟ و شاید مهم‌ترین پرسش: آیا در سامانه‌های زنده در مقیاس میلیون یا میلیارد نورون، هوش آموزش‌پذیر پدید می‌آید و در آن صورت چه چارچوب‌های اخلاقی و مقرراتی لازم خواهد بود؟ پاسخ این پرسش‌ها در 10-20 سال آینده نه‌تنها مهندسی، بلکه پزشکی و انسان‌شناسی فلسفی را نیز عمیقاً تحت‌تأثیر قرار خواهد داد.
منابع علمی
- 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 و همکاران. Biological neurons act as generalization filters in reservoir computing. Proc Natl Acad Sci USA 2023;120:e2217008120.
- Cai H و همکاران. Brain organoid reservoir computing for artificial intelligence. Nat Electron 2023;6:1032–1039.
- Kagan BJ و همکاران. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron 2022;110:3952–3969.e8.
- Yamamoto H و همکاران. Modular architecture facilitates noise-driven control of synchrony in neuronal networks. Sci Adv 2023;9:eade1755.
- Smirnova L و همکاران. 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.
این مقاله در چارچوب فرایند نگارش با استفاده از ابزارهای مختلف ویرایشی، از جمله هوش مصنوعی، تهیه شده است. پیش از انتشار، ویراستاران انسانی آن را بررسی کرده‌اند.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.