مغز پیچیده، پر سر و صدا، آشفته و اغلب غیرقابل پیش بینی است. یک نتیجه جذاب در یک شرایط ممکن است به زودی شکست بخورد. از این گذشته، روند تحقیقات متغیر اغلب به ابزارهایی انقلابی احتیاج دارد. اگر خوش شانس باشیم، یک بار در دهه ایجاد می شوند. اما دهه 2010 شاهد رونق پیشرفت های علوم اعصاب بود که زمینه را متحول می کرد و تا دهه آینده نیز طنین انداز می شود.
در سال 2010، این ایده که می توانیم ذهن را بخوانیم، به افراد فلج کمک کنیم دوباره قدم بزنند، خاطرات خود را حفظ کنند یا اطلس های چند لایه مغز داشته باشند تقریبا غیرقابل درک بود. کمتر کسی پیش بینی کرد که یادگیری عمیق، یک مدل از الگوریتم های هوش مصنوعی که با الهام از پردازش عصبی در مغز ساخته شده است، باعث برجستگی می شود و به رمزگشایی مغز کمک میکند.
امروزه، هوش مصنوعی به آسانی به خواندن، نوشتن و نقشه برداری از مغز کمک می کند.
همانطور که به یک دهه آینده میرویم، می توان بدون شک و تردید در مورد یک دهه آینده برای حل اسرار مغز خوشبین بود: از ژنتیک و اپی ژنتیک گرفته تا ارتباطات شیمیایی والکتریکی، ما در واقع در درک و کنترل دقیق ابر رایانه درون خودمان بهتر خواهیم شد.
1. پیوند مغز به ماشین از تخیل به علم تبدیل میشود
ظهور BCI از پروژه BrainGate که برای رمزگشایی حرکت از سیگنالهای الکتریکی در قشر موتور کار می کند، مدیون است و به بیماران فلج اجازه می دهد از ذهن خود استفاده کنند تا اندامهای روباتیک را به حرکت در بیاورند.
امروزه اندامهای پروتز با استفاده از حسگرها می توانند دوباره از مغز تغذیه کنند و به بیماران حرکتی اجازه کنترل توسط ذهن، احساس لمس و آگاهی از مکان اندام در فضا را بدهند.
به طور مشابه، با رمزگشایی سیگنال های الکتریکی در قشر شنوایی یا بینایی، کاشت های عصبی می توانند گفتار فرد را با بازسازی آنچه که می شنوند یا ایجاد مجدد تصاویر از آنچه می بینند- یا حتی آنچه در خواب می بینند، ترکیب کنند.
در حال حاضر، اکثر BCI ها – خصوصاً مواردی که به کاشت جراحی نیاز دارند- عمدتاً برای بازگرداندن گفتار یا حرکت به معلولین یا رمزگشایی سیگنال های بصری استفاده می کنند. نواحی مغزی که از تمام این کارکردها پشتیبانی می کند روی سطح قرار دارند و باعث می شود که آنها نسبتاً در دسترس تر و رمزگشایی شوند.
اما علاقه زیادی به استفاده از همین فناوری برای هدف قرار دادن مسائل کمتر ملموس مغز، مانند افسردگی، OCD، اعتیاد و سایر اختلالات روانشناختی وجود دارد که ناشی از مدارهایی در اعماق مغز است.
به عنوان مثال، چندین کارآزمایی با استفاده از الکترودهای کاشته شده، بهبود چشمگیری در افراد مبتلا به افسردگی نشان داده اند که به داروها پاسخ نمی دهند، اما نتایج بین افراد متفاوت است.
در دهه بعد ممکن است روشهای غیر تهاجمی برای دستکاری فعالیتهای مغزی، مانند سونوگرافی متمرکز، تحریک مغناطیسی ترانس کرانیال یا جریان مستقیم (TMS / tDCS) و انواع اپتوژنتیک مشاهده شود.
در کنار افزایش درک شبکه ها و پویایی های مغزی، ممکن است بتوانیم شبکه های عصبی را مانند کلیدهای پیانو در کنترل خود در آورده و رویای درمان اختلالات روانپزشکی را تحقق بخشیم.
2. ظهور برنامه های تحقیقاتی گسترده ملی
به ندرت می توان یک زمینه تحقیقات بیولوژیک را پیدا کرد که از حمایت قابل توجه چندین دولت برخوردار باشد. با این وجود، در دهه 2010 شاهد انفجاری در ابتکارات علوم اعصاب تحت حمایت دولتهای ایالات متحده، اتحادیه اروپا و ژاپن با چین، کره جنوبی، کانادا و استرالیا در روند نهایی برنامه های خود بودیم.
این پروژه های چند ساله، چند میلیون دلاری، بر توسعه ابزارهای جدید برای کشف عملکرد درونی مغز متمرکز شده اند، مانند نحوه یادگیری، چگونگی کنترل رفتار و نحوه نادرست بودن آن.
از نظر برخی، هدف نهایی شبیه سازی یک مغز انسانی در حال کار در درون رایانه ها، تشکیل یک مدل ارزشمند برای محققان است تا فرضیه های خود را آزمایش کنند – و شاید یک روز به عنوان یک طرح برای بازسازی تمام اتصالات عصبی یک فرد به نام “کانکتوم” عمل کند.
تزریق بودجه، یک فرصت برای ایجاد ابزارهای جدید میکروسکوپی جهت نقشه برداری هرچه سریعتر مغز فراهم می کند.
در سال های آینده نقشه های مغزی جداگانه ای که در یکدیگر قرار گرفته اند به اطلس های جامع که همه چیز از ژنتیک گرفته تا شناخت را در بر می گیرد، می پردازند و درک ما از عملکرد مغز را از نقشه های 2D مبتنی بر کاغذ به چند لایه Google Maps تبدیل می کنند.
به نوعی، این برنامه های ملی در عصر طلایی علم مغز به وجود آمدند و استعداد سایر رشته ها – مهندسین، آمارشناسان، فیزیکدانان، دانشمندان رایانه – را وارد علوم اعصاب کردند.
موفقیت های اولیه احتمالاً سرمایه گذاری بیشتری را در دهه آینده به همراه خواهد داشت، به ویژه هنگامی که یافته ها برای افرادی که به داروهای سنتی ذهن پاسخ نمی دهند، تبدیل به روش های درمانی واقعی می شوند.
در دهه آینده احتمالاً ابزارهای جدید و خلاقانه ای دیده می شوند که فعالیت عصبی را دقیق تر و کمتر تهاجمی نسبت به اپتوژنتیک دستکاری می کنند. افزایش سریع مقدار داده همچنین به این معنی خواهد بود که دانشمندان علوم اعصاب به سرعت گزینه های ذخیره سازی ابری را برای تحقیقات مشترک و GPU ها و هسته محاسبات قوی تر برای پردازش داده ها در آغوش می گیرند.
3. چرخه Brain-AI-Brain
ساختار بدنی و جریان اطلاعات در قشر مغز الهام بخش یادگیری عمیق، برجسته ترین الگوریتم هوش مصنوعی امروز است. ایده هایی مانند ذخیره خاطرات توسط هیپوکامپ – مرکز حافظه مغز که رویدادهای مهم را به سرعت در خواب تثبیت می کند – نیز بسیار سودمند بوده است.
علاوه بر این، الگوهای فعال سازی سلولهای عصبی فردی به کمک علم مهندسی مواد برای ساخت “تراشه های عصبی” یا پردازنده هایی که بیشتر مانند مغز عمل می کنند، به جای تراشه های مبتنی بر سیلیکون ایجاد شده اند. اگرچه تراشه های عصبی به طور عمده هنوز در حد یک کنجکاوی دانشگاهی باقی مانده است، اما این پتانسیل را دارند که محاسبات پیچیده و موازی را در کسری از انرژی مورد استفاده امروز توسط پردازنده ها، انجام دهند. تراشه های عصبی می توانند جایگزین خوبی برای ارائه باشند.
در عوض، الگوریتم های هوش مصنوعی که از نزدیک مغز را مدل می کنند به حل اسرار طولانی مدت مغز، مانند نحوه پردازش قشر بینایی کمک می کنند. به نوعی، چالش پیچیدگی و غیرقابل پیش بینی بودن عصب شناسی به لطف این پیشرفت های محاسباتی در حال حل شدن است.
اگرچه تقاطع بین تحقیقات زیست پزشکی و نرم افزارهای دیجیتال از مدتها پیش وجود داشته است مثل برنامه هایی که به طراحی دارو کمک می کنند، اما مطابقت بین علوم اعصاب و هوش مصنوعی بسیار قوی تر و صمیمی تر است.
هرچه هوش مصنوعی قوی تر می شود و دانشمندان علوم اعصاب در خارج از حوزه خود همکاری می کنند، ابزارهای محاسباتی از پیچیدگی های بیشتری در مورد پردازش عصبی پرده خواهند برداشت، از جمله جنبه های نامشهودتری مانند حافظه، تصمیم گیری یا احساسات.
4- ابزارهای تحقیق
ما در مورد فعالیتهای الکتریکی مغز صحبت کردیم، اما ژن ها و پروتئین ها از این فعالیت پشتیبانی می کنند. نورونها نیز یک دسته یکنواخت نیستند.
اگرچه فن آوری های نوری و توالی RNA تک سلولی در اواخر دهه 2000 اختراع شد، به طور گسترده ای توسط جامعه علوم عصبی در دهه 2010 استفاده شد. Optogenetics به محققان اجازه می دهد سلولهای عصبی را با نور کنترل کنند، حتی در حیواناتی که در حال حرکت آزادانه هستند.
تعیین توالی RNA تک سلولی در رمزگشایی هویت سلول به دانشمندان این امکان را می دهد تا مشخصات ژنتیکی هر نورون مشخص را درک کنند. این فناوری در کشف جمعیت های عصبی که در هر نقطه از مغز، در دوران کودکی، جوانی، سالخوردگی تشکیل می شوند، مؤثر است.
اما شاید در میان ابزارهای جدید تاج را به ارگانوئیدهای مغزی یا مینی مغزها بدهیم. آنها مدلهای عالی از مغز در حال توسعه می باشند. ارگانوئیدها می توانند بهترین فرصت برای فهمیدن عصب شناسی اوتیسم، اسکیزوفرنی و سایر موارد رشد مغزی باشند که مدل سازی با موشها در آن ها دشوار است.
در آینده مطالعات بسیار بیشتری وجود خواهد داشت که به پتانسیل آنها برای مدل سازی یک مغز در حال رشد کمک می کند.
برای اطلاعات بیبشتر به موسسه سلامت مغز دانا مراجعه کنید.
منبع:
Singularity University
درباره نویسنده
دکتر علی محمد کمالی فارغ التحصیل دکترای تخصصی علوم اعصاب از دانشگاه علوم پزشکی شیراز، بیش از 15 سال است که در زمینه پژوهش، تدریس و فعالیت های اجرایی در حوزه علوم اعصاب فعالیت و تجربه دارد. وی همچنین در ارتقا عملکرد های شناختی با استفاده از نوروتکنولوژی و مطالعات خواب تخصص ویژه ای دارد. او یکی از بنیانگذاران انستیتو سلامت مغز دانا است، (گروهی که سلامت مغز را اولویت جامعه می داند).