Laboratuvarda yetiştirilen beyin dokusu kümeleri, canlı nöral devrelerin yapılandırılmış geri bildirimlerle mühendislik problemlerini çözebileceğini gösteren dikkat çekici bir konsept kanıtı sundu. Kapalı döngü bir sistemde, performanslarına göre elektriksel geri bildirim alan kortikal organoidler, sanal bir direği dengeleme gibi klasik bir kontrol problemini çözmede istikrarlı bir gelişim gösterdi.
Bu gelişme henüz işlevsel bir biyo-bilgisayar seviyesinde olmasa da, bir petri kabındaki nöral dokunun yapılandırılmış geri bildirim yoluyla adaptif olarak ayarlanabileceğini kanıtlıyor. Bu sonuç, nörolojik hastalıkların beynin plastisite kapasitesini nasıl değiştirdiğini incelemek için araştırmacılara yeni yollar sunabilir.
Araştırmacılar, "Nöronların sorunları çözmek için nasıl adaptif olarak ayarlanabileceğini anlamaya çalışıyoruz. Eğer bunu laboratuvarda nasıl yapıldığını çözebilirsek, nörolojik hastalıkların öğrenme yeteneğini nasıl etkilediğini incelemek için yeni yöntemler bulabiliriz" açıklamasında bulunuyor.
Deneylerde kullanılan 'cartpole problemi' basit bir konsept üzerine kurulu: Uzun bir nesneyi, örneğin bir cetveli veya kalemi, açık el üzerinde dik tutmaya benziyor. Nesne mükemmel bir şekilde hizalanmadıkça devrilmeye başlayacaktır. Dengede tutmak için, nesne sallanırken elin pozisyonunu sürekli ayarlamak gerekir. Bu problemde sanal bir araba, menteşeli bir direği dikey olarak dengede tutmak için sola veya sağa hareket edebilir. Kurallar basittir ve direk fazla eğildiğinde belirgin bir hata noktası bulunur. Ancak küçük hatalar hızla birikir ve bu da onu kararsız bir kontrol problemi için klasik bir örnek haline getirir.
Bu problem, takviyeli öğrenme araştırmalarında sıklıkla kullanılır; simüle edilmesi kolaydır ve hızlı çalışır. Ancak kalıp tanıma görevlerinin aksine, tek bir doğru yanıttan ziyade sürekli ve hassas ayarlamalar gerektirir.
Araştırmacılar için cartpole problemi, beyin organoidlerinin yeteneklerini test etmek için yeni ve temiz bir yol sundu. Organoidler insan dokusundan değil, nöral sinyal gönderme ve alma yeteneğine sahip küçük kortikal doku kümeleri halinde büyümeleri için yetiştirilmiş fare kök hücrelerinden elde edildi. Bu organoidler düşünce veya bilinçlilik seviyesinde karmaşık olmasa da, elektriksel sinyaller gönderebiliyor ve alabiliyor, iç bağlantıları harici uyarılara yanıt olarak değişebiliyordu.
Deney, sanal bir cartpole etrafında döndü. Farklı elektriksel uyarı modelleri, direğin eğiminin yönünü ve derecesini gösteriyordu. Organoidlerin tepkileri, aracı hareket ettirmek ve sallanmayı önlemek için sola veya sağa uygulanan kuvvetler olarak yorumlandı. Organoidlerin görevi anladığı söylenemez; araştırmacılar, dokunun nöronal bağlantılarının geri bildirim yoluyla ayarlanıp ayarlanamayacağını test ediyorlardı. Yani, elektriksel uyarı patlamalarının, ağı daha iyi kontrole doğru iten değişiklikler üretip üretemeyeceğini anlamaya çalıştılar.
Direğin önceden belirlenmiş bir açıyı geçtiği her deneme (epizot) sona eriyordu. Performans, beş bölümlük kayan pencereler boyunca takip edildi. Organoidler üç koşuldan birine atandı: geri bildirim yok, seçilen nöronlara rastgele geri bildirim veya geçmiş performansa dayalı adaptif geri bildirim. Kritik olan adaptif koşuldu. Eğer beş bölümlük performans, son 20 bölümlük ortalamaya göre düşerse, sistem kısa süreli, yüksek frekanslı bir uyarı patlaması gönderiyordu. Bir algoritma, benzer uyarı modellerinin daha önce iyileştirilmiş kontrolü izleyip izlemediğine bağlı olarak hangi nöronların bu patlamaları alacağını ayarlıyordu.
Araştırmacılar, "Bunu 'yanlış yapıyorsun, bunu biraz şu şekilde ayarla' diyen yapay bir koç gibi düşünebilirsiniz. Bu koçluk sinyallerini en iyi şekilde nasıl vereceğimizi öğreniyoruz" diye açıklıyor. Organoidlerin şans eseri değil, gerçekten gelişip gelişmediğini belirlemek için, araştırmacılar tamamen rastgele bir denetleyicinin ne kadar iyi performans gösterebileceğine dayalı bir ölçüt belirlediler. Bir oturum sırasındaki organoidin en güçlü performansları, yalnızca rastgeleliğin makul bir şekilde üretebileceğinden fazlaysa, o oturum yetkin olarak kabul edildi.
Her koşul için elde edilen performans yeterlilik oranları dikkat çekiciydi. Geri bildirim almayan organoidler, güçlü performans ölçütüne sadece %2,3 oranında ulaştı. Rastgele geri bildirim alanlar ise %4,4 oranında iyi performans gösterdi. Ancak sürekli adaptif geri bildirim altında, organoidler döngülerin %46'sında yeterlilik eşiğini geçti.
Araştırmacılar, "Eğitim uyaranlarını aktif olarak seçebildiğimizde, ağı sorunu çözecek şekilde şekillendirebiliriz. Gösterdiğimiz şey kısa süreli öğrenmeydi; yani bir organoidi bir durumdan hedeflediğimiz başka bir duruma kaydırabiliriz ve bunu tutarlı bir şekilde yapabiliriz." diyorlar.
Ancak bu öğrenme "kısa süreli" idi. Bir süre (sadece 45 dakika) hareketsiz bırakıldıklarında, organoidler eğitimlerini 'unuttular' ve temel performans seviyelerine geri döndüler. Gelecekteki çalışmalar, organoidin hafızasını iyileştirmenin yollarını araştırabilir, belki de karmaşıklığını artırarak.
Araştırmacılar, "Bizim amacımız beyin araştırmalarını ve nörolojik hastalıkların tedavisini ilerletmektir, robotik denetleyicileri ve diğer bilgisayar türlerini laboratuvarda yetiştirilmiş hayvan beyin dokularıyla değiştirmek değil" vurgusunu yapıyorlar. "İkincisi havalı olarak görülebilir, ancak özellikle insan beyin organoidleri kullanılsaydı ciddi etik sorunlar doğururdu."
