Get best of the week

Prostesis otak: sinkronisasi jaringan saraf tiruan dan biologis



Konsep prosthetics, yaitu upaya untuk mengganti bagian tubuh yang hilang dengan analog buatan telah ada sejak lama. Penyebutan prosthetics pertama dapat ditemukan dalam catatan yang berasal dari 1500 SM. Dan ini tidak mengherankan, karena bentuk prosthetics yang paling sederhana benar-benar sederhana, dan karena itu bisa dilakukan secara artifisial bahkan pada masa itu (ingat para perompak dengan kait dan kaki kayu) Namun, prosthetics tidak terbatas pada masalah kesehatan yang tampaknya dangkal. Kita semua tahu tentang sendi buatan, pembuluh, katup, dll. Tetapi bahkan penambahan ini tidak ada apa-apanya dibandingkan dengan prosthetics dari bagian otak, karena otak adalah organ paling kompleks dari tubuh kita. Hari ini kami akan bertemu dengan Anda sebuah studi di mana para ilmuwan dari Universitas Tokyo menemukan cara untuk membuat neuron nyata bekerja bersama dengan yang buatan.Apa teknologi dan teknik yang terlibat dalam pengembangan, seberapa efektif hubungan antara sintetis dan biologis, dan apa aplikasi praktis dari penemuan ini? Sebuah laporan oleh para ilmuwan akan memberi tahu kami tentang hal ini. Pergilah.


Otak manusia secara teratur dibandingkan dengan komputer dan perbandingan ini dibenarkan. Setiap penyakit atau cedera otak secara langsung memengaruhi sifat struktural dan fungsional jaringan dan sirkuit otak, menyebabkan kematian sel, hilangnya sinapsis, dan hilangnya akson. Proses semacam itu merusak kemampuan pemrosesan informasi lokal dan pertukarannya di antara sirkuit-sirkuit jarak jauh, mengganggu proses pemisahan dan integrasi informasi di otak. Adalah logis bahwa masalah seperti itu perlu diatasi. Beberapa metode lebih fokus pada restorasi - regenerasi sel, sementara yang lain cenderung untuk menggantikan - prosthetics dari "jalan raya" yang hilang. Teknik regeneratif yang dikembangkan saat ini, cukup berhasil mengatasi cacat pada jarak pendek. Namun, ketika sampai pada kehilangan komunikasi antara bagian otak yang jauh,mereka tidak berdaya karena kompleksitas pemrograman ulang dan merekonstruksi sirkuit saraf.

Jika sesuatu tidak keluar, maka itu perlu diganti. Menurut para ilmuwan, dalam beberapa dekade terakhir, kemajuan yang mengesankan telah dibuat dalam penerapan neuro prosthetics, ketika sirkuit saraf berdenyut buatan secara lokal mampu menerima dan memproses data input secara real time. Dalam hal ini, data input dapat diberikan secara lokal dan jarak jauh; baik dengan stimulasi listrik dan optogenetik.

Ada banyak varian teknik dalam rekayasa neuromorfik untuk membuat jaringan saraf berdenyut (SNNs dari jaringan saraf spiking) dan sinapsis tiruan. SNNs neuroinduced sangat berbeda dari nenek moyang biologis mereka, tetapi sangat bagus untuk komputasi dan pengembangan kecerdasan buatan. Tetapi SNN neuromimetik lebih berhasil meniru aktivitas sel saraf nyata dan bekerja pada skala waktu dipercepat atau biologis (nyata). Kerugian dari opsi SNN ini adalah bahwa ia dapat direproduksi secara terprogram, tetapi pada kenyataannya itu tidak bekerja. Sebaliknya, ada SNN perangkat keras yang bekerja secara real time, memiliki konsumsi daya yang rendah dan built-in. Karakteristik seperti itu adalah yang paling menarik untuk menciptakan sistem hibrida, mis. untuk neuro prosthetics.

Perangkat keras SNH15-21 dapat diklasifikasikan ke dalam dua kelompok: implementasi analog dan implementasi digital. Implementasi digital memiliki keuntungan yang dapat disesuaikan dan lebih mudah untuk diproses, meskipun konsumsi daya yang lebih tinggi.

Ini semua luar biasa, kata para ilmuwan, tetapi semua sistem SNN ini tidak ada artinya jika mereka tidak dapat bekerja secara bersamaan dengan sistem biologis nyata. Untuk membuat hubungan antara tiruan dan biologis belum berhasil.

Dalam laporan mereka, para peneliti mendemonstrasikan implementasi operasional pertama dari komunikasi real-time dan transfer informasi dari perangkat keras SNN yang diimplementasikan pada FPGA dan papan sirkuit jaringan saraf biologis (BNN) dengan secara dinamis menyandikan SNNs menggunakan pola yang digunakan untuk stimulasi optogenetik dari BNN.

Pola aktivitas dihasilkan menggunakan SNN, kemudian disandikan secara real time ke dalam pola cahaya biru yang unik - gambar biner (8x8 piksel) yang dihasilkan menggunakan pemrosesan cahaya digital (DLP) menggunakan proyektor video yang dimodifikasi dengan mikroproyeksi ke jaringan saraf dua dimensi (budaya) yang ditanam pada matriks multi-elektroda (MEA).

Neuron yang digunakan dalam percobaan ditransduksi * menggunakan adeno-related virus * (AAV) untuk mengekspresikan protein ChIEF27.
Transduksi * - transfer DNA dari satu sel ke sel lainnya.
Virus terkait-adeno * adalah virus kecil yang menginfeksi sel manusia, tetapi tidak menyebabkan penyakit apa pun, oleh karena itu, menyebabkan respons imun yang lemah.
Mengingat prosedur ini, neuron bersemangat setelah stimulasi dengan cahaya biru, dan aktivitas mereka direkam menggunakan perangkat MEA dan pencitraan kalsium (kamera CCD (CCD dari perangkat charge-coupled ) dengan pengali elektron dipasang pada mikroskop).

Hasil penelitian



Gambar No. 1 Pengaturan

eksperimental ( 1A ) terdiri dari tiga komponen utama yang terletak di sekitar mikroskop epi-fluoresensi.


Skema mikroskop epi-fluoresensi.

Komponen utama instalasi:
  • pulsed neural network ( 1B ), beroperasi pada FPGA (field-programmable gate array, mis. user-programmable gate array);
  • SNN-FPGA ( 1C);
  • , ChIEF-mCitrine ( hSyn), .



Tabel No. 1

Untuk mensimulasikan aktivitas jaringan saraf biologis yang nyata, SNN menghasilkan aktivitas spontan yang ditandai dengan sinkronisasi saraf dengan karakteristik yang sama (dalam hal durasi, frekuensi dan jumlah neuron yang direkrut) yang dihasilkan menggunakan BNN kortikal (dari 0,1 hingga 1 Hz).

Empat SNN yang berbeda (Tabel 1) yang digunakan dalam 12 percobaan terdiri dari 100 neuron Izhikevich (80 rangsang dan 20 penghambatan) diimplementasikan dalam FPGA (Tabel 2), dan memberikan jangkauan dinamis dengan sinkronisasi jaringan (NS), yang membentang dari 0,25 hingga 1 Hz (tabel 3).


Tabel 2: Sumber Daya FPGA LUT dan FF adalah komponen utama dari blok logika dalam FPGA; LUTRAM dan BRAM - teknologi memori; DSP (Digital Signal Processing) - sirkuit yang digunakan untuk komputasi digital yang kompleks, seperti perkalian.


Tabel No. 3: parameter percobaan. Untuk setiap percobaan, beberapa variabel dipilih sekaligus: satu dari empat SNN, nilai ambang (N) pulsa neuron, dan durasi (T) jendela waktu untuk menghitung sinkronisasi jaringan.

Aktivitas yang dihasilkan SNN dengan resolusi waktu 1 ms, dan NS ditentukan ketika setidaknya N dari 64 neuron menghasilkan impuls dalam interval waktu B. Empat SNNs mewakili aktivitas yang berbeda, karena neuron, sinapsis, dan parameter konektivitas berubah dalam eksperimen yang berbeda.

Aktivitas SNN spontan dikonversi secara waktu nyata ke dalam matriks biner 8x8 piksel, di mana setiap elemen matriks sama dengan nol (mis., Tanpa cahaya) jika neuron impuls yang sesuai tidak mulai, atau satu (yaitu, emisi cahaya ) jika neuron diaktifkan.

Setelah NS diidentifikasi, gambar yang ditransformasi yang sesuai diterangi. Selanjutnya, berdasarkan aktivitas SNN, modul detektor sinkronisasi jaringan menciptakan sinyal transistor-transistor logika (TTL) ke perangkat stimulator dan membentuk iluminasi gambar VGA yang sesuai dengan matriks 8x8.

Seperti yang sudah kita tebak, salah satu bagian utama instalasi adalah sistem proyektor video. Gambar biner 8x8 yang dihasilkan sebagai aktivitas keluaran SNN dikonversi menjadi gambar 800x600 piksel melalui port VGA pada proyektor video, di mana alih-alih lampu asli, LED biru yang kuat digunakan. Matriks biner 8x8 (0 = hitam, 1 = biru) ditampilkan di bagian tengah 800x600 piksel, dan semua piksel lainnya nol (hitam).

Gambar yang dihasilkan oleh perangkat mikromirror digital (DMD) proyektor video diproyeksikan menjadi mikroskop epi-fluoresensi melalui jalur optik tambahan melewati antara kamera dan kubus filter yang terletak di atas sampel ( 1C) Fokus gambar DMD pada port mikroskop dioptimalkan sehingga semua gambar yang dihasilkan dalam bidang pandang mikroskop dapat diproyeksikan melalui pembesaran 10x dengan kekuatan yang cukup untuk memicu potensi aksi dalam neuron yang mengekspresikan CHIEF. Gambar DMD yang diproyeksikan terletak di bidang fokus lensa dengan panjang fokus 250 mm, yang memungkinkan untuk memperbesar gambar sekitar empat belas kali.

Jadi, sementara ada jaringan saraf tiruan dan sarana untuk memperbaiki data. Komponen integral berikutnya dari percobaan ini, tentu saja, BNN, yaitu jaringan saraf biologis.

Untuk BNN, kultur saraf 21 hingga 28 DIV digunakan (hari in vitro - hari "in glass", yaitu jumlah hari yang dihabiskan dalam kultur in vitro atau dalam cawan petri). Aktivitas neuronal direkam menggunakan standar (8x8) MEA * cangkir dengan jarak interelektroda 200 μm ( 2A ).
MEA * (Microelectrode array) - array microelectrode adalah perangkat di mana ada beberapa (dari puluhan hingga ribuan) microelectrodes melalui mana sinyal saraf diterima atau dikirim. MEA adalah antarmuka saraf antara neuron dan sirkuit elektronik.


Image No. 2

Neuron eksitasi dan inhibisi ditransduksi (di bawah promotor hSyn) pada 7 DIV untuk ekspresi ChIEF-mCitrine ( 2B ). Tingkat ekspresi dalam seluruh populasi neuron pada 21 DIV adalah 70 ± 13%. Hasil pencitraan kalsium ( 2B ) diperoleh dengan pembesaran 10 kali lipat dengan kamera EMCCD yang dipasang pada mikroskop dengan bidang pandang 800x800 μm, yang kira-kira sama dengan ruang antara elektroda 4x4 MEA ( 2A ).

Gambar yang diproyeksikan (mis., Stimulus) diterapkan di bidang visi yang sama, tetapi pada area yang sedikit lebih kecil ( 2C ).

Sinkronisasi waktu dari berbagai perangkat dilakukan melalui sistem akuisisi data MEA, di mana sinyal dari masing-masing 60 elektroda secara bersamaan direkam pada sinyal TTL, mengaktifkan protokol stimulasi, mengendalikan driver LED (menyalakan dan mematikan lampu biru) dan sinyal frame-tunggal yang diterima oleh kamera.

Perlu dicatat bahwa sistem MEA mendeteksi aktivitas BNN sebelum, selama dan setelah aktivasi stimulasi (yaitu, ketika hubungan potensial antara SNN dan BNN diaktifkan).


Gambar No. 3

Selama penelitian, 12 percobaan dilakukan, di mana masing-masing versi tertentu SNN dan parameter lainnya digunakan untuk mendeteksi sinkronisasi jaringan (Tabel 3), yang seharusnya meningkatkan jumlah rangsangan per menit waktu.

Karena perubahan dalam parameter, SNN menghasilkan data output yang berbeda (OUTPUT) dengan rentang frekuensi yang berbeda (diukur sebagai interval antara rangsangan, 3A ) dan intensitas (intensitas stimulus 100% berarti bahwa semua 64 kotak dari matriks 8x8 dihidupkan, 3B ).

Interval frekuensi untuk sinkronisasi jaringan untuk SNN telah diatur [0,25; 1] Hz. Pilihan nilai-nilai ini yang akurat memungkinkan untuk menetralkan tumpang tindih stimulasi, karena protokol stimulasi berlangsung 310 ms, dan BNN kortikal menghasilkan sinkronisasi neuron rata-rata antara 0,1 dan 1 Hz.

Transfer informasi (TI dari transmisi informasi) antara SNN dan BNN dihitung dengan memperhitungkan korelasi kesamaan antara pasangan INPUT (SIP, 4A ) dan kesamaan antara pasangan OUTPUT (SOP,4C ).


Gambar No. 4

Intinya adalah bahwa ketika informasi dikirimkan, dua INPUT serupa untuk BNN harus memanggil dua pola OUTPUT serupa di BNN.

Selanjutnya, transmisi informasi dievaluasi lebih dari 12 percobaan dengan parameter yang berbeda (linieritas respon jaringan, frekuensi rata-rata / intensitas stimulasi, dll; 5C - 5G ) dan metrik yang berbeda (koefisien entrainment BNN dan koefisien penekanan sinkronisasi jaringan, SIP diukur dengan koefisien Jacquard) .

Gambar 4A menunjukkan matriks afinitas INPUT untuk percobaan yang representatif di mana sekitar 200 rangsangan dikirim dari SNN ke BNN.

SOP dihitung berdasarkan jaringan respons vektor BNN ( 4B ). Secara khusus, jumlah pulsa dicatat oleh masing-masing elektroda dalam jendela waktu T setelah pengiriman stimulus SNN dihitung. Selanjutnya, untuk setiap stimulus, karakteristik jaringan vektor (VNR, di sebelah kiri pada 4B ) dibangun dan matriks yang mewakili SOP ( 4C ) dihitung . Selain itu, respons jaringan skalar (SNR) untuk setiap stimulus, dihitung sebagai jumlah VNR (di sebelah kanan pada 4B ), juga dipertimbangkan.


Gambar No. 5

Untuk mulai dengan, penilaian dibuat tentang bagaimana SNR bervariasi tergantung pada intensitas stimulus. Ketika memeriksa seluruh jendela waktu respons (500 ms) setelah stimulus, ditemukan bahwa responsnya ambigu: SNR kira-kira linier sehubungan dengan intensitas stimulus dengan korelasi 0,70, ketika hanya tanggapan yang melebihi 1/8 dari maksimum yang dipertimbangkan, sementara NR kira-kira didistribusikan secara merata di atas ambang tersebut Demikian pula, ketika waktu respon yang lebih pendek (50 ms) dipilih dan ketika berfokus pada NR dengan ambang batas di bawah 1/6 dari maksimum, korelasi 0,57 diamati antara NR dan intensitas stimulus.

Oleh karena itu, untuk setiap percobaan, jendela waktu respons optimal T ditentukan (dari 1 hingga 50 ms, 5C - 5E) dan jaringan respons ambang batas optimal ( 5C ). Karena hal ini, dimungkinkan untuk memaksimalkan transfer informasi antara SNN dan BNN. Transfer informasi yang optimal diperoleh dalam 8 dari 12 percobaan ( 5G ).

Para ilmuwan lebih lanjut meneliti bagaimana transmisi informasi terkait dengan intensitas dan frekuensi stimulus dari SNN, yang keduanya dibentuk oleh sinkronisasi jaringan SNN spontan yang meniru yang terjadi di BNN (gambar di bawah).


Image No. 6

Transmisi informasi sangat berkorelasi dengan intensitas rangsangan rata-rata dan menunjukkan kurva berbentuk lonceng sebagai fungsi dari frekuensi rangsangan rata-rata, yang mencapai maksimum pada 0,56 Hz.

Para peneliti juga mencatat bahwa sinkronisasi jaringan spontan tanpa adanya stimulus eksternal juga dapat terjadi, karena mereka lebih lanjut meneliti hubungan antara sinkronisasi jaringan (NS) di BNN dan transfer informasi. NS spontan di BNN (tanpa adanya rangsangan, yaitu, ketika koneksi antara SNN dan BNN terputus) terjadi dengan frekuensi rata-rata 0,37 ± 008 Hz. Korelasi yang tinggi juga diamati antara penekanan NS dan transfer informasi (gambar No. 8).


Gambar No. 7

Penindasan NS spontan dihitung sebagai rasio frekuensi BNN NS spontan dalam kondisi dasar (mis., Ketika SNN dan BNN dinonaktifkan) dengan frekuensi NS spontan ketika komunikasi antara SNN dan BNN diaktifkan. NS spontan di hadapan rangsangan yang berasal dari SNN dianggap timbul setidaknya 500 ms setelah pengiriman stimulus terakhir (gambar No. 7).


Gambar No. 8 Hasil

umum menunjukkan bahwa transfer informasi hanya dapat dicapai dengan respons linear dari respons jaringan terhadap rangsangan. Selain itu, hasil terbaik dicapai selama periode reaksi awal, yaitu selama seratus milidetik sejak awal stimulasi.

Nilai maksimum transfer informasi diperoleh ketika frekuensi rangsangan sekitar 0,56 Hz, yang hanya sedikit lebih tinggi dari frekuensi jaringan saraf biologis (0,37 Hz).

Hasil di atas, menurut penulis penelitian, mengkonfirmasi teori bahwa aktivitas BNN harus sangat terbawa oleh rangsangan yang masuk dari SNN untuk memprosesnya dalam mode linier.

Untuk seorang kenalan yang lebih mendetail dengan nuansa penelitian ini, saya sarankan Anda melihat laporan para ilmuwan dan bahan tambahan untuk itu.

Epilog


Studi ini dalam praktek mengkonfirmasi bahwa hubungan antara jaringan saraf tiruan dan yang asli sangat mungkin. Tentu saja, seperti yang diakui oleh para ilmuwan sendiri, di antara ribuan neuron yang digunakan dalam percobaan, hanya ratusan yang memasuki mode sinkronisasi.

Membandingkan jaringan buatan dengan yang biologis cukup sulit. Salah satu masalah adalah spontanitas, yang melekat dalam jaringan saraf biologis nyata. Aktivitas spontan dalam neuron menyebabkan aktivitas sinkron, yang sesuai dengan ritme tertentu, yang dapat dipengaruhi oleh koneksi antara neuron, jenis neuron dalam koneksi ini, serta kemampuan mereka untuk beradaptasi dan berubah karena kondisi kerja baru. Dengan kata lain, jaringan saraf kadang-kadang sangat tidak dapat diprediksi ketika mereka menciptakan sistem sinkronisasi yang rumit, seolah-olah menciptakan keteraturan dalam kekacauan.

Oleh karena itu, untuk mencapai sinkronisasi jaringan buatan dan biologis, perlu untuk menyesuaikan buatan dengan ritme ini. Selama penelitian, hasil yang baik dicapai dalam masalah yang sulit ini, meskipun beberapa percobaan yang gagal diperlukan.

Tujuan utama dari pekerjaan mereka, para ilmuwan menyebut pengembangan prostesis saraf yang berhasil dapat menggantikan area otak yang rusak. Kedengarannya sangat futuristik, mengingatkan kita pada film "Johnny Mnemonics." Namun demikian, tujuannya mulia, dan oleh karena itu saya ingin percaya bahwa penulis karya ini akan dapat berhasil meningkatkan perkembangan mereka di masa depan.

Terima kasih atas perhatian Anda, tetap ingin tahu dan selamat bekerja, teman-teman! :)

Sedikit iklan :)


Terima kasih untuk tetap bersama kami. Apakah Anda suka artikel kami? Ingin melihat materi yang lebih menarik? Dukung kami dengan melakukan pemesanan atau merekomendasikan kepada teman Anda VPS berbasis cloud untuk pengembang mulai $ 4,99 , analog unik dari server entry-level yang diciptakan oleh kami untuk Anda: Seluruh kebenaran tentang VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps mulai dari $ 19 atau cara membagi server? (opsi tersedia dengan RAID1 dan RAID10, hingga 24 core dan hingga 40GB DDR4).

Dell R730xd 2 kali lebih murah di pusat data Equinix Tier IV di Amsterdam? Hanya kami yang memiliki 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV dari $ 199 di Belanda!Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - mulai dari $ 99! Baca tentang Cara Membangun Infrastruktur Bldg. kelas c menggunakan server Dell R730xd E5-2650 v4 seharga 9.000 euro untuk satu sen?

More articles:


All Articles