تبریز امروز:
انتشار: ۱۷ آوریل ۲۰۲۵
نویسندگان:
ویلیام رایت (محقق فوق دکترا در نوروبیولوژی، دانشگاه کالیفرنیا، سن دیگو)
تاکاکی کومییاما (استاد نوروبیولوژی، دانشگاه کالیفرنیا، سن دیگو)
نورون‌هایی که با هم فعال می‌شوند، گاهی با هم ارتباط برقرار می‌کنند.
هر روز، انسان‌ها به طور مداوم در حال یادگیری و تشکیل خاطرات جدید هستند. وقتی سرگرمی جدیدی را شروع می‌کنید، دستور غذایی را که دوستی توصیه کرده امتحان می‌کنید یا اخبار جهان را می‌خوانید، مغز شما بسیاری از این خاطرات را برای سال‌ها یا دهه‌ها ذخیره می‌کند.
اما مغز چگونه به این موفقیت شگفت‌انگیز دست می‌یابد؟
در تحقیق جدیدی که در مجله Science منتشر شده است، ما برخی از "قوانین"ی را که مغز برای یادگیری استفاده می‌کند، شناسایی کرده‌ایم.
یادگیری در مغز
مغز انسان از میلیاردها سلول عصبی تشکیل شده است. این نورون‌ها پالس‌های الکتریکی را هدایت می‌کنند که اطلاعات را حمل می‌کنند، مشابه نحوه انتقال داده‌ها در کامپیوترها با کد باینری.
این پالس‌های الکتریکی از طریق ارتباطاتی به نام سیناپس به نورون‌های دیگر منتقل می‌شوند. نورون‌های منفرد دارای زائده‌های شاخه‌شاخه‌ای به نام دندریت هستند که می‌توانند هزاران ورودی الکتریکی از سلول‌های دیگر دریافت کنند. دندریت‌ها این ورودی‌ها را به جسم اصلی نورون منتقل می‌کنند، جایی که تمام این سیگنال‌ها ادغام می‌شوند تا پالس‌های الکتریکی خود نورون را تولید کنند.
فعالیت جمعی این پالس‌های الکتریکی در گروه‌های خاصی از نورون‌ها، بازنمایی اطلاعات و تجربیات مختلف در مغز را تشکیل می‌دهد.
نمودار نورون: نورون‌ها واحدهای پایه مغز هستند.
برای دهه‌ها، دانشمندان علوم اعصاب فکر می‌کردند که مغز با تغییر نحوه اتصال نورون‌ها به یکدیگر یاد می‌گیرد. با تغییر اطلاعات و تجربیات جدید در نحوه ارتباط نورون‌ها با یکدیگر و تغییر الگوهای فعالیت جمعی آنها، برخی ارتباطات سیناپسی تقویت می‌شوند در حالی که برخی دیگر تضعیف می‌شوند. این فرآیند انعطاف‌پذیری سیناپسی، بازنمایی اطلاعات و تجربیات جدید در مغز شما را تولید می‌کند.
با این حال، برای اینکه مغز شما بتواند بازنمایی‌های صحیح را در طول یادگیری تولید کند، ارتباطات سیناپسی مناسب باید در زمان مناسب تغییر کنند. "قوانین"ی که مغز شما برای انتخاب کدام سیناپس‌ها باید در طول یادگیری تغییر کنند استفاده می‌کند - آنچه دانشمندان علوم اعصاب مسئله تخصیص اعتبار می‌نامند - تا حد زیادی نامشخص باقی مانده است.
تعریف قوانین
ما تصمیم گرفتیم فعالیت ارتباطات سیناپسی منفرد را در مغز در طول یادگیری زیر نظر بگیریم تا ببینیم آیا می‌توانیم الگوهای فعالیتی را که تعیین می‌کنند کدام ارتباطات تقویت یا تضعیف می‌شوند، شناسایی کنیم.
برای این کار، حسگرهای زیستی را در نورون‌های موش‌ها به صورت ژنتیکی رمزگذاری کردیم که در پاسخ به فعالیت سیناپسی و عصبی روشن می‌شدند. ما این فعالیت را در زمان واقعی هنگامی که موش‌ها یاد می‌گرفتند کاری را انجام دهند که شامل فشار دادن اهرم به موقعیت خاصی پس از شنیدن صدایی خاص برای دریافت آب بود، زیر نظر گرفتیم.
ما با تعجب دریافتیم که سیناپس‌های روی یک نورون همگی از یک قانون واحد پیروی نمی‌کنند. برای مثال، دانشمندان اغلب فکر می‌کنند که نورون‌ها از قوانینی به نام قوانین هبی پیروی می‌کنند، جایی که نورون‌هایی که به طور مداوم با هم فعال می‌شوند، ارتباطات خود را تقویت می‌کنند. در عوض، ما دیدیم که سیناپس‌های موجود در مکان‌های مختلف دندریت‌های یک نورون واحد، از قوانین مختلفی برای تعیین تقویت یا تضعیف ارتباطات پیروی می‌کنند. برخی سیناپس‌ها به قانون سنتی هبی پایبند بودند که در آن نورون‌هایی که به طور مداوم با هم فعال می‌شوند، ارتباطات خود را تقویت می‌کنند. برخی سیناپس‌های دیگر کاری کاملاً متفاوت و مستقل از فعالیت نورون انجام می‌دادند.
یافته‌های ما نشان می‌دهد که نورون‌ها، با استفاده همزمان از دو مجموعه قوانین مختلف برای یادگیری در گروه‌های مختلف سیناپس‌ها، به جای یک قانون یکنواخت، می‌توانند ورودی‌های مختلفی را که دریافت می‌کنند با دقت بیشتری تنظیم کنند تا اطلاعات جدید را در مغز به طور مناسب بازنمایی کنند.
به عبارت دیگر، با پیروی از قوانین مختلف در فرآیند یادگیری، نورون‌ها می‌توانند چندوظیفگی انجام دهند و چندین عملکرد را به صورت موازی انجام دهند.
کاربردهای آینده
این کشف درک واضح‌تری از چگونگی تغییر ارتباطات بین نورون‌ها در طول یادگیری ارائه می‌دهد. با توجه به اینکه بیشتر اختلالات مغزی، از جمله شرایط تخریب‌کننده و روانپزشکی، شامل نوعی عملکرد نادرست سیناپس‌ها هستند، این یافته‌ها پیامدهای بالقوه مهمی برای سلامت انسان و جامعه دارد.
برای مثال، افسردگی ممکن است از تضعیف بیش از حد ارتباطات سیناپسی در برخی مناطق مغز که تجربه لذت را دشوار می‌کند، ناشی شود. با درک چگونگی عملکرد طبیعی انعطاف‌پذیری سیناپسی، دانشمندان ممکن است بتوانند بهتر درک کنند که در افسردگی چه اشتباهی رخ می‌دهد و سپس درمان‌هایی را برای درمان مؤثرتر آن توسعه دهند.
تصویر میکروسکوپی: تغییرات در ارتباطات در آمیگدال - که به رنگ سبز نشان داده شده است - در افسردگی نقش دارند.
این یافته‌ها ممکن است پیامدهایی نیز برای هوش مصنوعی داشته باشد. شبکه‌های عصبی مصنوعی که اساس هوش مصنوعی هستند، عمدتاً از نحوه عملکرد مغز الهام گرفته‌اند. با این حال، قوانین یادگیری که محققان برای به‌روزرسانی ارتباطات درون شبکه‌ها و آموزش مدل‌ها استفاده می‌کنند، معمولاً یکنواخت هستند و از نظر زیستی نیز قابل قبول نیستند. تحقیق ما ممکن است بینش‌هایی در مورد چگونگی توسعه مدل‌های هوش مصنوعی با واقع‌گرایی زیستی بیشتر ارائه دهد که کارآمدتر هستند، عملکرد بهتری دارند یا هر دو.
هنوز راه درازی در پیش است تا بتوانیم از این اطلاعات برای توسعه درمان‌های جدید برای اختلالات مغزی انسان استفاده کنیم. در حالی که ما دریافتیم که ارتباطات سیناپسی در گروه‌های مختلف دندریت‌ها از قوانین یادگیری مختلفی استفاده می‌کنند، دقیقاً نمی‌دانیم چرا یا چگونه. علاوه بر این، در حالی که توانایی نورون‌ها برای استفاده همزمان از چندین روش یادگیری، ظرفیت آنها برای رمزگذاری اطلاعات را افزایش می‌دهد، هنوز مشخص نیست که این ویژگی چه خصوصیات دیگری به آنها می‌دهد.
پژوهش‌های آینده امیدوارانه به این سوالات پاسخ خواهند داد و درک ما از چگونگی یادگیری مغز را افزایش خواهند داد.
رفرنس:
