Bristol Üniversitesi'ndeki bilim adamları, laboratuvarda yetiştirilen insan beyin hücresi kümelerinin, Braille alfabesini test sinyali olarak kullanarak dokunsal bilgileri güvenilir bir şekilde alabildiğini, işleyebildiğini ve iletebildiğini gösterdi. Frontiers in Artificial Intelligence dergisinde yayınlanan çalışma, canlı sinir dokusunu elektronik sensörlerle birleştiren biyohibrit bilgisayarlara doğru önemli bir adım olarak ilan ediliyor.
Araştırma, organoid zekanın kalbinde yer alan aldatıcı derecede basit bir soruyu ele alıyor: Küçük, kısmen oluşmuş bir beyin dokusu parçası, aldığı bilgiyi sadakatle iletebilir mi? Bunu öğrenmek için, birinci yazar, doktora adayı Tianyi Liu ve kıdemli yazar Dr. Benjamin Ward-Cherrier liderliğindeki Bristol merkezli bir ekip, beyin organoidlerini gerçek bir dokunsal sensöre bağladı ve diğer tarafta anlamlı bilgilerin kurtarılıp kurtarılamayacağını sordu. For more context on this story, see our ongoing artificial intelligence updates.
Liu, üniversitenin bulguları açıklamasında, "Gerçek bir dokunsal sensörden bilgi alabilir, onu canlı bir sinir ağının alabileceği bir biçime dönüştürebilir ve ardından organoid yanıttan anlamlı bilgiler elde edebiliriz." dedi. "Bu bize yapay sensörleri biyolojik sinir sistemlerine bağlamanın pratik bir yolunu sunuyor; bu da enerji açısından daha verimli hesaplamaya yönelik çok ilginç bir olası yol."
Hücre Bloğu Nasıl Okunur?
Deneyin merkezindeki organoidler minyatür beyinlerden çok uzak. Her birinin çapı bir milimetreden küçüktür, insan beyninde bulunan pek çok yapıdan yoksundur ve insan ön beynini örnek alan destek hücreleriyle birlikte kabaca 10.000 nöron içerir. Dokuyu canlı tutan ve aynı zamanda elektriksel tepkilerini izleyen bir sistemin içindeki çok elektrotlu diziler üzerinde oturuyorlar ve araştırmacıların sinirsel aktiviteyi hem uyarmasına hem de kaydetmesine olanak tanıyorlar.
Test protokolü, dokunmadan dokuya ve sınıflandırmaya kadar sinyali takip etti. Ekip ilk olarak Braille alfabesinin 26 harfine dokunsal bir sensör uygulayarak her harfin ürettiği verileri kaydetti. Bu veriler organoidlere iletilen elektriksel uyarı modellerine dönüştürüldü. Araştırmacılar daha sonra ortaya çıkan sinirsel aktivitenin hangi mektubun sunulduğunu, yani dokunun kendisine verilen sinyali "okuyup okumadığını" ortaya çıkarıp çıkarmadığını inceledi.
Kod çözme, sinirsel aktivite kalıplarını sıralayan ve bunları belirli harflerle eşleştiren basit bir makine öğrenme algoritması olan bir destek vektör makinesine düştü. Tek bir organoid, tutarlı bir şekilde, zamanın yaklaşık %61'inde kodu çözülebilir bir sinyal üretti. Üç organoidin çıktıları birleştirildiğinde doğruluk yaklaşık %83'e yükseldi.
Üç Organoid Birini Yendi — Ve Kimse Nedeninden Emin Değil
Topluluğun sonucu en ilgi çekici bulgular arasında yer alıyor. Araştırmacılar, üç organoidin neden birinden daha iyi performans gösterdiğini henüz tam olarak açıklayamıyor, ancak cevabın doğal çeşitlilikte yattığından şüpheleniyorlar: Hiçbir iki organoid tam olarak aynı yol boyunca gelişmez.
Liu, "Farklı organoidler biraz farklı ağ bağlantılarına, gelişimsel durumlara ve devam eden faaliyetlere sahip olabilir, bu nedenle aynı girdi benzer ancak aynı olmayan yanıtlar üretebilir" dedi. "Bu yanıtları birleştirmek bize tek bir organoidden elde edemeyeceğimiz tamamlayıcı bilgiler verebilir. Aynı zamanda, eğer her organoid farklı davranırsa, öngörülebilir ve standartlaştırılmış bir sistem oluşturmayı açıkça zorlaştırır."
Ekip ayrıca dokunun çıktısını da vurguladı. Bilim adamları Braille sinyallerine yapay gürültü eklediğinde, organoidlerin tepkilerinden kod çözmenin, aynı algoritmayla bozulmuş sinyallerin kodunu doğrudan çözmeye göre kandırılmasının daha zor olduğu ortaya çıktı. Organoidler tarafından işlendikten sonra veriler, sınıflandırıcının doğru harfi izin verilen ham gürültülü girişten daha güçlü bir şekilde seçmesine yetecek kadar yapıyı korudu.
Ward-Cherrier, "Organoidler tarafından işlendikten sonra, dokunsal veriler hala Braille harflerini iyi bir doğrulukla sınıflandırmak için yeterli bilgiyi içeriyor" dedi. "Birkaç organoidden elde edilen çıktıların birleştirilmesi de performansta bir iyileşme gösterdi."
Biyolojik Bilgi İşlem Araştırmacıları Neden Cezbediyor?
Motivasyon enerjidir. İnsan beyni, geleneksel donanımlardan çok daha fazla elektrik gerektiren hesaplamaları gerçekleştirirken yaklaşık 20 watt'la çalışıyor; yapay zeka veri merkezleri çoğaldıkça bu boşluk da büyüyor. Nöromorfik çipler beynin silikondaki verimliliğini yakalamaya çalışıyor ve organoid zeka da aynı iddianın daha radikal bir versiyonunu temsil ediyor: Onları taklit etmek yerine gerçek nöronları kullanın.
Potansiyel uygulamalar, her watt'ın önemli olduğu ve dokunsal algılamanın gerekli olduğu robotik ve otonom sistemlere odaklanmaktadır. Sinyal işlemeyi canlı nöronlara aktarabilen veya bir gün onlarla kapalı bir döngü oluşturabilen bir sensör, gerçek zamanlı olarak algılaması ve tepki vermesi gereken makinelerin güç bütçesini yeniden şekillendirebilir.
Manşetler Kaçmadan Önce Dikkat
Bristol ekibi deneyin neyi göstermediği konusunda net. Organoidler öğrenmiyordu; uyarılara yanıt verdiler, ancak araştırmacılar dokuda uzun vadeli bir değişiklik göstermediler. Görev, sabit bir kodlama şeması ve nispeten basit bir sinirsel aktivite ölçümü kullanan, dokunsal tek bir görevdi.
Liu, "Dokunsal bilgilerin organoidler aracılığıyla kodlanabileceğini, işlenebileceğini ve kodunun çözülebileceğini gösterdik, ancak organoidlerde öğrenme veya uzun vadeli değişiklikler göstermedik" dedi.
Ekip, sonraki adımların Braille alfabesinin ötesine geçeceğini söylüyor. Araştırmacılar, dokular ve kenarlar gibi daha zengin dokunsal girdilerle ve nihayetinde bir organoidin kendi çıktısının sonuçlarından geri bildirim aldığı kapalı döngü görevleriyle ilgileniyorlar; bu, canlı dokunun bir göreve yalnızca iletmek yerine uyum sağlayıp sağlayamayacağını test etmeye başlayacak konfigürasyon.
Sonuç şimdilik bir mühendislik kanıtı olarak duruyor: Fiziksel dünyadan gelen sinyaller canlı sinir dokusuna girebilir ve diğer taraftan tanınabilir şekilde geri dönebilir. Bu, biyohibrit bir bilgisayardan çok uzaktır, ancak daha önceki bilgi işlem devrimlerinin de üzerine inşa edildiği, güvenilir iletim, ölçülebilir doğruluk, dürüst hata çubukları gibi gösterişsiz bir kilometre taşıdır.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
