آریاسان | طراح سایت و پورتال | هاست و دامین

مدل کامپیوتری برای پیش بینی نتایج بیماری‌های چشمی

با پیشرفت در زمینه هوش مصنوعی و یادگیری ماشین بیماری‌های چشمی از لحاظ اختلالات محاسباتی که توسط شبکیه انجام می‌شود، قابل توصیف خواهند شد.

چشم‌های ما میزبان یک کامپیوتر زیستی قدرتمند یعنی شبکیه است. درک اینکه چگونه شبکیه تصاویر دنیای بیرون را تبدیل به سیگنال‌هایی می‌کند که مغز قادر به تفسیر آنها است، نه‌تنها موجب افزایش دانش در زمینه‌ی محاسبات مغز می‌شود، بلکه از نظر پزشکی نیز سودمند است. اما آیا ما دانش کافی در زمینه‌ی مدارهای عصبی شبکیه داریم که بفهمیم چگونه یک اختلال، محاسبات شبکیه را تحت تاثیر قرار می‌دهد؟

یک گروه بین‌المللی از پژوهشگران با انجام مجموعه‌ای از آزمایش‌ها ترکیبی متشکل از ابزارهای ژنتیکی، ویروسی و ملکولی، آرایه‌های میکروالکترود با چگالی بالا و مدل‌های کامپیوتری، به این سوال پرداخته‌اند. نتیجه‌ی این مطالعات نشان داد که مدل جدید شبکیه می‌تواند با دقت بالایی نتایج یک اختلال تعریف‌شده را پیش‌بینی کند. این کار قدم مهمی به سوی ایجاد یک مدل کامپیوتری از شبکیه است که می‌تواند نتیجه‌ی بیماری‌های شبکیه را پیش‌بینی کند.

فرایند دیدن در شبکیه آغاز می‌شود؛ جایی که سلول‌های گیرنده‌ی نور، تابش نوری رسیده به چشم را گرفته و آن را به فعالیت عصبی تبدیل می‌کنند. سپس سلول‌های گانگلیون سیگنال‌های بصری را به مغز ارسال می‌کنند. شبکیه چیزی فراتر از یک دوربین و یک کابل است: شبکیه بین گیرنده‌های نوری و سلول‌های گانگلیونی، مدارهای پیچیده‌ی عصبی دارد که از انواع بسیار مختلفی از سلول‌های عصبی تشکیل شده‌اند. این مدارها سیگنال‌های ورودی را به روشی پیچیده پردازش می‌کنند و ويژگی‌های مهم صحنه‌ی بصری را استخراج می‌کنند.

در سطح خروجی شبکیه، محاسبات مدارهای شبکیه، چیزی حدود سی بازنمایی عصبی از صحنه‌ی بصری ایجاد می‌کنند که به موازات به مغز منتقل می‌شوند. بنابراین شبکیه همچون دستگاه محاسباتی قوی عمل کرده و بازنمایی‌های بصری را به شیوه‌ی عمیقی شکل می‌دهد. برای درک مکانیسم دیدن و پیش‌بینی نتایج بیماری‌های بصری، لازم است که بفهمیم چگونه این سی کانال خروجی شبکیه دنیای بصری را نشان می‌دهند و چگونه ویژگی‌های عملکردی متفاوت آن‌ها در نتیجه‌ی معماری مدارهای شبکیه حاصل می‌شود.

پژوهشگران برای پاسخ به این سوال، در یک عنصر خاص مدار شبکیه اختلال ایجاد کردند و در همان زمان بررسی کردند که این آشفتگی چگونه ویژگی‌های عملکردی کانال‌های خروجی مختلف شبکیه را تغییر می‌دهد. آنتونیا دریننبرگ نویسنده‌ی اصلی مقاله‌ی پژوهشی مربوطه، روشی را برای کنترل فعالیت سلول‌های افقی توسعه داد. سلول‌های افقی مولفه‌ای از مدار شبکیه هستند که مهار بازخورد را در اولین سیناپس بصری بین گیرنده‌های نوری و سلول‌های دو قطبی ایجاد می‌کنند. او با این روش که شامل اجزای ویروس‌ها، موش ترانسژنیک و کانال‌های یونی دریچه لیگاندی مهندسی‌شده بود، توانست بازخورد را در نخستین سیناپس بصری خاموش و روشن کند. او برای اندازه‌گیری اثرات این آشفتگی در خروجی شبکیه، از آرایه‌های میکروالکترودی با چگالی بالا استفاده کرد و سیگنال‌های الکتریکی صدها سلول گانگلیون را به‌طور همزمان ثبت کرد.

ایجاد یک آشفتگی موجب ایجاد مجموعه‌ای بزرگ از تغییرات مختلف در خروجی شبکیه شد. دریننبرگ می‌گوید: ما از طیف گسترده اثراتی که در نتیجه‌ی ایجاد اختلال در یک عنصر به‌خوبی تعریف‌شده‌ی شبکیه، ایجاد شد، تعجب کردیم. در ابتدا مردد بودیم که مشکلات فنی ممکن است موجب این تنوع شده باشد. اگرچه بعد از اندازه‌گیری سیگنال‌ها در هزاران سلول گانگلیون و در کانال‌های خروجی تعریف‌شده‌ی شبکیه، معلوم شد که تنوع مشاهده‌شده در مشارکت سلول‌های افقی باید حاصل معماری خاص مدارهای شبکیه باشد.

چگونه یک مولفه‌ی مدار شبکیه می‌تواند منجر به چنین اثرات مختلفی شود؟ برای بررسی این موضوع، فلیکس فرانک و راوا دا-سیلوریا یک مدل کامپیوتری از شبکیه ساختند. در این مدل مسیرهای مختلف عبور سیگنال از شبکیه شبیه‌سازی شد و تیم علمی به‌دنبال این موضوع بود که آیا دانش کنونی آن‌ها از مدار عصبی شبکیه می‌تواند توجیه‌گر اثرات مشاهده‌شده در آزمایش باشد یا نه. در حین مطالعه‌ی رفتار مدل، پژوهشگران دریافتند که مدل می‌تواند کل تغییرات اندازه‌گیری شده در آزمایش را دوباره تکرار کند؛ یعنی پژوهشگران توانسته بودند به‌درستی مدل را تعریف کنند. علاوه بر این مدل، پنج بیش‌بینی دیگر در مورد نقش سلول‌های افقی ارائه کرد که در داده‌های قبلی به دست نیامده بود. فرانک می‌گوید: ما وقتی دیدیم مدل از چیزی که هنگام ساخت آن در ذهن داشتیم، جلوتر رفته است، شگفت‌زده شدیم. تمام پیش‌بینی‌های اضافه، وقتی مورد آزمون قرار گرفتند، تایید شدند.

دا-سیلوریا توضیح می‌دهد که یک راه برای آزمایش درستی درک ما از شبکیه این است که یکی از عناصر آن را دچار اختلال کنیم و تمام خروجی‌ها را اندازه‌گیری کنیم و ببینیم که آیا دانش ما که به صورت یک مدل تعریف شده است، می‌تواند تغییرات مشاهده شده را پیش‌بینی کند یا نه. روسکا نیز گفت: مرحله بعدی استفاده از این مدل برای پیش‌بینی نتایج بیماری‌های چشمی است.

تهيه و تنظيم: هيئت تحريريه آرياسان

منابع:

www.zoomit.ir