Живой мозг в чашке Петри — нейроны, выращенные в культуре, научились обучаться

Суть истории: культивируемые нейроны генерируют синусоидальную волну

Одна из самых удивительных способностей живого мозга — преобразовывать кажущуюся хаотичной нервную активность в осмысленные, согласованные движения мышц. Бросок баскетболиста в корзину, точность движений пальцев пианиста по клавишам или звуки речи ребёнка — всё это упорядоченные временные паттерны, возникающие из хаотической спонтанной активности миллиардов нейронов. Но как происходит такое преобразование? И, возможно, ещё более интересный вопрос: можно ли воспроизвести подобное преобразование, выращивая всего несколько сотен нейронов на чипе?

Ответ этого исследования однозначен: да, можно. Японская исследовательская команда объединила культивируемые нейроны коры головного мозга крысы с высокоплотными микроэлектродными матрицами (HD-MEA — high-density microelectrode arrays) и создала систему, работающую с замкнутой обратной связью в реальном времени. Результат: сети живых нейронов, подстраиваясь под внешний «обучающий» сигнал, научились генерировать синусоидальные волны с периодом 4–30 секунд, треугольные и прямоугольные волны и даже трёхмерный хаотический аттрактор Лоренца .

Что такое резервуарные вычисления? Как из хаоса возникает порядок?

Чтобы понять это исследование, нужно познакомиться с одной концепцией машинного обучения: резервуарными вычислениями (reservoir computing). Основная идея такова: использовать переходную динамику сложной, многомерной, нелинейной системы (резервуара) как «готовый вычислительный ресурс». Вместо попыток изменить сложную активность внутри резервуара обучают только простой линейный декодер (linear decoder), считывающий выходной сигнал. В искусственных нейронных сетях этот подход резко сокращает затраты на обучение и даёт впечатляющие результаты в таких задачах, как обработка временных рядов.

Мозг млекопитающих служит источником вдохновения для резервуарных вычислений. Однако использование сетей живых нейронов как физических резервуаров долго оставалось ограниченным, поскольку нейроны, культивируемые in vitro (вне стекла, то есть в лабораторных условиях), обычно демонстрируют чрезмерно синхронизированную вспышечную активность . Все нейроны разряжаются одновременно, а это прямо противоположно состоянию «богатой и разнообразной динамики», необходимому резервуару.

Разрушение чрезмерной синхронизации: микрофлюидное произведение искусства

Метод, которым команда преодолела эту проблему, весьма элегантен с инженерной точки зрения: создание модульной архитектуры сети с помощью микрофлюидных (microfluidic) устройств. На поверхность электродов поместили микрофлюидную плёнку из полидиметилсилоксана (PDMS — polydimethylsiloxane). Эта плёнка ограничивает нейроны квадратными лунками размером 100×100 микрометров, а связи между лунками обеспечиваются только тонкими микроканалами шириной ~5 микрометров.

Команда разработала два разных микрофлюидных дизайна:

В качестве третьей, контрольной группы использовали однородные культуры нейронов, выращенные без микрофлюидной плёнки. Результаты выявили поразительное различие. Однородные культуры демонстрировали ожидаемый паттерн чрезмерно синхронизированных вспышек: средняя корреляция между электродами составляла 0,45 ± 0,04. Но в решётчатом и иерархическом дизайнах эта корреляция резко снизилась — соответственно до 0,11 ± 0,01 и 0,12 ± 0,03. Таким образом, эти сети уже не находились в состоянии чрезмерной синхронизации, а демонстрировали значительно более богатую и разнообразную динамику.

Как «обучали» нейроны? Алгоритм FORCE

Чтобы нейроны «научились» генерировать нужный паттерн, команда использовала алгоритм FORCE (First-Order Reduced and Controlled Error — ошибка первого порядка, уменьшенная и контролируемая). Основную логику этого алгоритма можно изложить так: на каждом временном шаге система вычисляет разницу между выходным сигналом нейронов и целевым сигналом и непрерывно обновляет веса декодера, чтобы минимизировать эту разницу. Одновременно она направляет нейронам стимуляцию обратной связи, ориентируя активность сети на целевой сигнал.

Изначально нейроны демонстрировали спонтанную, нерегулярную активность. Когда запустили обучение FORCE, веса декодера начали быстро колебаться, и эти колебания заставили нейроны сети перейти к периодическому паттерну разрядов, соответствующему целевому сигналу, например синусоидальной волне длительностью 30 секунд. Со временем колебания весов уменьшились, и система достигла стабильной конфигурации матрицы, способной генерировать целевую функцию. Ещё удивительнее: даже после отключения обучения система могла продолжать колебательную активность самостоятельно .

Как видно на графике, сети, сформированные с помощью микрофлюидики, особенно решётчатый дизайн, демонстрировали меньшую ошибку при всех периодах синусоидальной волны по сравнению с однородными культурами и даже бесклеточным контролем. Примечательный результат: на быстрой синусоидальной волне с периодом 4 секунды однородные культуры работали столь плохо, что не отличались от бесклеточного контроля, то есть присутствующие нейроны словно отсутствовали. Решётчатые сети последовательно показывали преимущество при всех периодах.

Чему удалось научиться? Синусоида, треугольник, прямоугольник и хаотический аттрактор

Практическая сила исследования заключается в возможности переобучать одну и ту же культуру для разных целевых сигналов. Одна и та же нейронная сеть смогла последовательно освоить следующие задачи:

Нейроны действительно «обучаются»? Или лишь реагируют?

Возможно, самый философский вопрос этого исследования таков: выполняют ли здесь живые нейроны настоящее обучение или они лишь компонент контура обратной связи, которым управляет внешний компьютер? Ответ частично включает оба варианта.

Технически процесс обучения состоит из двух этапов. Первый — непрерывное обновление весов декодера внешним алгоритмом FORCE. Второй, более интересный, — перестройка внутренней динамики самой нейронной сети вместе с этой обратной связью. Исследование показало, что при включении обратной связи активность нейронов переходила из нерегулярного состояния с высокой вариабельностью к более структурированной динамике меньшей размерности. В этом структурированном состоянии нейроны стабильно переходили между двумя состояниями-аттракторами (attractor) , соответствующими положительному и отрицательному пикам синусоидальной волны. Это миниатюрная имитация процесса, который, как предполагается, происходит в живом мозге при формировании реальных двигательных команд.

Не всё так гладко: ограничения и открытые проблемы

Исследователи открыто обозначили ряд ограничений своей работы. Эта честность укрепляет научное качество результатов:

Какие перспективы у этой технологии?

В заключении авторы обращают внимание на несколько перспективных областей применения:

С точки зрения онкологии и нейроонкологии одна из наиболее интересных возможностей — использование в подобных системах нейронов, полученных из индуцированных плюрипотентных стволовых клеток человека (iPSC — induced pluripotent stem cell). Это означает платформу, которая могла бы заменить эксперименты на животных. Кроме того, образцы нейронов, полученные от пациентов с опухолями мозга, могут открыть путь к персонализированному тестированию ответа на лекарства и разработке нейропротезов.

Эта статья создана с использованием различных редакторских инструментов, включая искусственный интеллект, в рамках процесса подготовки. Перед публикацией она была проверена редакторами-людьми.