DOI: https://doi.org/10.3389/frai.2024.1376042
PMID: https://pubmed.ncbi.nlm.nih.gov/38756757
تاريخ النشر: 2024-05-02
المؤلف: Fred D. Jordan وآخرون
الموضوع الرئيسي: علوم الأعصاب والهندسة العصبية
نظرة عامة
يقدم القسم نظرة عامة على Neuroplatform، وهو نظام جديد من الأجهزة والبرمجيات مصمم لتسهيل التجارب الكهربية الفيزيائية على نطاق واسع باستخدام الخلايا العصبية الحية، وبشكل خاص الأعضاء العصبية. يسعى هذا المجال الناشئ، المعروف باسم الحوسبة الرطبة وذكاء الأعضاء، إلى الاستفادة من الخلايا العصبية البيولوجية لأداء مهام حسابية مشابهة لتلك التي تقوم بها الشبكات العصبية الاصطناعية (ANNs). على عكس الشبكات العصبية التقليدية، التي يمكن تعديلها من خلال تحديثات الموترات الرقمية، يتناول Neuroplatform التحديات الفريدة للعمل مع الأنظمة البيولوجية من خلال تمكين التجارب الواسعة على مدى فترات طويلة، مع إمكانية بقاء الأعضاء لأكثر من 100 يوم.
يعمل Neuroplatform على تبسيط سير العمل التجريبي من خلال أتمتة إنتاج الأعضاء، والمراقبة المستمرة للإمكانات الفعلية، وتوفير التحفيزات الكهربائية. يتضمن نظامًا ميكروفلويديًا لتدفق الوسط بشكل آلي، مما يقلل من الاضطرابات الفيزيائية ويحافظ على ظروف بيئية مستقرة. على مدى ثلاث سنوات، دعم النظام تجارب مع أكثر من 1,000 عضو دماغي، مما أدى إلى توليد أكثر من 18 تيرابايت من البيانات. يسمح واجهة برمجة التطبيقات (API) المخصصة للباحثين بإجراء تجارب عن بُعد، والتحكم في أجهزة متنوعة، وتنفيذ تصاميم تجريبية معقدة، بما في ذلك استراتيجيات الحلقة المغلقة، باستخدام تقنيات التعلم العميق المتقدمة والتعلم المعزز. اعتبارًا من عام 2024، فإن Neuroplatform متاح مجانًا للبحث، مع استخدام مجموعات بحثية متعددة له بنشاط في دراساتهم. يتناول المقال أيضًا تفاصيل بنية النظام ويعرض نتائج تجريبية محددة.
مقدمة
تناقش المقدمة الأهمية المتزايدة للشبكات العصبية البيولوجية (BNNs) في سياق تقدم الشبكات العصبية الاصطناعية (ANNs)، وخاصة نماذج اللغة الكبيرة (LLMs) مثل GPT-4. تبرز الاستهلاك الكبير للطاقة المرتبط بتدريب وتشغيل هذه النماذج، مشيرة إلى أن تدريب LLM واحد يمكن أن يتطلب حوالي 10 جيجاوات ساعة، مما يتجاوز بكثير الاستهلاك السنوي للطاقة لمواطن أوروبي متوسط. يثير هذا الطلب على الطاقة مخاوف بشأن استدامة النماذج الحسابية الحالية، خاصة مع منصات مثل ChatGPT من OpenAI التي تولد أكثر من 100 مليار كلمة يوميًا، مما يؤدي إلى نفقات طاقة تقدر بين 450 إلى 600 مليار جول لتوليد الكلمات وحدها.
كما يبرز النص إمكانيات BNNs كبديل أكثر كفاءة في استخدام الطاقة، نظرًا لكفاءة الدماغ البشري الملحوظة في معالجة المعلومات. بينما ركزت الأبحاث الحالية بشكل أساسي على التطبيقات الطبية الحيوية لـ BNNs، هناك فجوة ملحوظة في الأدبيات بشأن برمجتها لمهام حسابية. يقترح المؤلفون أن برمجة BNNs تتضمن العثور على معلمات الشبكة التي تقلل من الفرق بين المخرجات المتوقعة والفعلية، على غرار ANNs، ولكن مع تحديات فريدة بسبب الطبيعة غير المعروفة وغير الثابتة لدوال نقل BNN. لمعالجة هذه التحديات، يقدم المؤلفون منصة ابتكار مفتوحة مصممة للتجارب عن بُعد، مما يسهل التعاون بين الباحثين ويعزز اكتشاف استراتيجيات التحفيز الفعالة لـ BNNs. تشمل هذه المنصة أنظمة للحفاظ على التوازن الداخلي، ومراقبة المعلمات البيئية، وإجراء التجارب الكهربية الفيزيائية، جميعها متاحة من خلال واجهة مستخدم رسومية مخصصة أو نصوص بايثون.
الطرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المشاركين، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان الاتساق والموثوقية في جمع البيانات. تم إجراء تحليلات إحصائية لتقييم دلالة النتائج، باستخدام تقنيات مثل تحليل الانحدار واختبار الفرضيات.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية المستخدمة لتفسير البيانات، بما في ذلك أي معادلات أو خوارزميات ذات صلة. تؤكد المنهجية على أهمية القابلية للتكرار والشفافية، حيث توفر تفاصيل كافية للباحثين الآخرين لإعادة إنتاج الدراسة. بشكل عام، فإن الطرق المستخدمة قوية ومصممة لمعالجة أسئلة البحث بفعالية، مما يساهم في صحة النتائج.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير ووظائف Neuroplatform المصمم لدراسة الكريات الدماغية، أو الأعضاء العصبية الأمامية (FOs)، المستمدة من خلايا جذعية عصبية (NSCs) مستمدة من خلايا جذعية متعددة القدرات مستحثة (iPSC). يستخدم النظام مجموعة متعددة من الأقطاب الكهربائية (MEA) التي تسمح بالتحفيز وتسجيل النشاط الكهربائي من FOs، التي تظهر تغييرات كبيرة في النضج وتعبير الجينات تشير إلى خصائص عصبية، وخلايا الدبق، والخلايا النجمية. يمكن الحفاظ على FOs في بيئة مستقرة لفترات طويلة، مما يسهل التجارب الكهربية الفيزيائية على المدى الطويل. يبرز المؤلفون فعالية إعدادهم، الذي يتضمن نظامًا ميكروفلويديًا لتوفير الوسط بشكل مستمر، ومراقبة بيئية في الوقت الحقيقي، وعمليات آلية لاستبدال الوسط وتسجيل البيانات.
يدعم تصميم Neuroplatform التجارب عالية الإنتاجية، مع قدرات للتحفيز الدقيق وتسجيل النشاط العصبي. يوضح المؤلفون مكونات البرمجيات والأجهزة، بما في ذلك نظام الحلقة المغلقة للتعديلات في الوقت الحقيقي بناءً على استجابات الخلايا العصبية، واستخدام الضوء فوق البنفسجي لتحرير الجزيئات النشطة عصبيًا. كما يقدمون أمثلة على التجارب التي تظهر مرونة المنصة، مثل تحسين معلمات التحفيز لتعظيم الإمكانات الفعلية واستخدام استراتيجيات الحلقة المغلقة لتعزيز النشاط العصبي من خلال تحرير الدوبامين. المنصة متاحة للباحثين الخارجيين، مما يعزز التعاون وقابلية التكرار في أبحاث علم الأعصاب.
DOI: https://doi.org/10.3389/frai.2024.1376042
PMID: https://pubmed.ncbi.nlm.nih.gov/38756757
Publication Date: 2024-05-02
Author(s): Fred D. Jordan et al.
Primary Topic: Neuroscience and Neural Engineering
Overview
The section presents an overview of the Neuroplatform, a novel hardware and software system designed to facilitate large-scale electrophysiological experiments using living neurons, specifically neural organoids. This emerging field, known as wetware computing and organoid intelligence, seeks to leverage biological neurons for computational tasks akin to those performed by Artificial Neural Networks (ANNs). Unlike traditional ANNs, which can be modified through digital tensor updates, the Neuroplatform addresses the unique challenges of working with biological systems by enabling extensive experimentation over prolonged periods, with organoids capable of lasting over 100 days.
The Neuroplatform streamlines the experimental workflow by automating the production of organoids, continuous monitoring of action potentials, and the provision of electrical stimulations. It incorporates a microfluidic system for automated medium flow, minimizing physical disruptions and maintaining stable environmental conditions. Over three years, the platform has supported experiments with over 1,000 brain organoids, generating more than 18 terabytes of data. A dedicated Application Programming Interface (API) allows researchers to conduct remote experiments, control various devices, and implement complex experimental designs, including closed-loop strategies, utilizing advanced deep learning and reinforcement learning techniques. As of 2024, the Neuroplatform is freely accessible for research, with multiple research groups actively utilizing it for their studies. The article further details the system’s architecture and showcases specific experimental outcomes.
Introduction
The introduction discusses the growing significance of biological neural networks (BNNs) in the context of advancing artificial neural networks (ANNs), particularly large language models (LLMs) like GPT-4. It highlights the substantial energy consumption associated with training and operating these models, noting that training a single LLM can require around 10 GWh, vastly exceeding the annual energy consumption of an average European citizen. This energy demand raises concerns about the sustainability of current computational paradigms, especially as platforms like OpenAI’s ChatGPT generate over 100 billion words daily, leading to energy expenditures estimated between 450 to 600 billion Joules for word generation alone.
The text also emphasizes the potential of BNNs as a more energy-efficient alternative, given the human brain’s remarkable efficiency in processing information. While existing research has focused primarily on biomedical applications of BNNs, there is a notable gap in literature regarding their programming for computational tasks. The authors propose that programming BNNs involves finding network parameters that minimize the difference between expected and actual outputs, akin to ANNs, but with unique challenges due to the unknown and non-stationary nature of BNN transfer functions. To address these challenges, the authors introduce an open innovation platform designed for remote experimentation, facilitating collaboration among researchers and enhancing the discovery of effective stimulation heuristics for BNNs. This platform includes systems for maintaining homeostasis, monitoring environmental parameters, and conducting electrophysiological experiments, all accessible through a custom graphical user interface or Python scripts.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of participants, materials used, and the specific procedures followed to ensure consistency and reliability in data collection. Statistical analyses were conducted to evaluate the significance of the results, employing techniques such as regression analysis and hypothesis testing.
Additionally, the section describes the mathematical models utilized to interpret the data, including any relevant equations or algorithms. The methodology emphasizes the importance of replicability and transparency, providing sufficient detail for other researchers to reproduce the study. Overall, the methods employed are robust and tailored to address the research questions effectively, contributing to the validity of the findings.
Discussion
In this section, the authors discuss the development and functionality of a Neuroplatform designed for studying brain spheroids, or forebrain organoids (FOs), derived from human induced pluripotent stem cell (iPSC)-derived neural stem cells (NSCs). The platform utilizes a multi-electrode array (MEA) system that allows for both stimulation and recording of electrical activity from the FOs, which exhibit significant maturation and gene expression changes indicative of neuronal, oligodendrocyte, and astrocyte characteristics. The FOs can be maintained in a stable environment for extended periods, facilitating long-term electrophysiological experiments. The authors highlight the effectiveness of their setup, which includes a microfluidic system for continuous medium supply, real-time environmental monitoring, and automated processes for medium replacement and data recording.
The Neuroplatform’s architecture supports high-throughput experimentation, with capabilities for precise stimulation and recording of neuronal activity. The authors detail the software and hardware components, including a closed-loop system for real-time adjustments based on neuronal responses, and the use of UV light for uncaging neuroactive molecules. They also provide examples of experiments demonstrating the platform’s versatility, such as optimizing stimulation parameters to maximize action potentials and employing closed-loop strategies to enhance neuronal activity through dopamine uncaging. The platform is accessible to external researchers, promoting collaboration and reproducibility in neuroscience research.