سلول‌ های ستاره‌ ای مغز کلید کشف رازهای حافظه انسان هستند

مغز انسان میزبان حدود ۸۶ میلیارد نورون است. نورون‌ها سلول‌هایی هستند که با سیگنال‌های الکتریکی، اطلاعات را در سراسر بدن منتقل می‌کنند و حافظه، یادگیری و تفکر را ممکن می‌سازند.

اما نورون‌ها تنها بازیگران این نمایش نیستند. مغز میلیاردها آستروسیت نیز دارد که سلول‌هایی ستاره‌ای شکل با شاخه‌هایی بلند هستند که می‌توانند با میلیون‌ها نورون تعامل داشته باشند. مدت‌ها تصور می‌شد این سلول‌ها فقط نقش پشتیبان دارند. اما پژوهش‌های تازه نشان می‌دهد که آن‌ها ممکن است نقش کلیدی در ذخیره و بازیابی حافظه داشته باشند.

فرضیه‌ای تازه درباره ذخیره‌سازی حافظه

تیمی از محققان MIT، از جمله دیمیتری کروتوف (از آزمایشگاه MIT-IBM Watson AI) و ژان-ژاک سلوتین (استاد مهندسی مکانیک و علوم شناختی)، با الهام از الگوریتم‌های ریاضی، این فرضیه را ارائه داده‌اند که شاید آستروسیت‌ها پایه‌ای پنهان برای ظرفیت شگفت‌انگیز مغز در ذخیره‌ی اطلاعات باشند.

در گذشته تصور می‌شد که آستروسیت‌ها فقط وظیفه پاک‌سازی و حمایت از نورون‌ها را دارند. اما از نظر تکامل، وقتی یک سلول می‌تواند با صدها هزار اتصال عصبی (سیناپس) ارتباط داشته باشد، منطقی است که نقشی در پردازش اطلاعات هم داشته باشد.

چگونه آستروسیت‌ها در حافظه نقش دارند؟

آستروسیت‌ها نقش‌های مهمی در مغز دارند، مثل پاک‌سازی مواد زائد، کمک به تغذیه نورون‌ها و تنظیم جریان خون. اما ویژگی جالب آن‌ها شاخه‌های نازکی به نام پروسس است که به سیناپس‌ها، یعنی محل ارتباط دو نورون، متصل می‌شود.

در این حالت، یک ارتباط سه‌طرفه در مغز شکل می‌گیرد که به آن «سیناپس سه‌گانه» می‌گویند. در این ارتباط، یک نورون پیام را ارسال می‌کند، نورون دیگر آن را دریافت می‌کند، و آستروسیت هم به هر دو متصل است و در تنظیم این ارتباط نقش دارد.

در سال‌های اخیر، شواهدی به‌دست آمده که اگر این ارتباط آستروسیت‌ها با نورون‌ها (مخصوصاً در هیپوکامپ) مختل شود، توانایی ذخیره یا بازیابی حافظه هم دچار مشکل می‌شود.

سیگنال‌های کلسیمی: زبان پنهان آستروسیت‌ها

برخلاف نورون‌ها، آستروسیت‌ها قادر به ارسال پتانسیل عمل نیستند، اما می‌توانند با نوسانات سطح کلسیم، پیام‌هایی را به نورون‌ها یا آستروسیت‌های دیگر منتقل کنند. این سیگنال‌های کلسیمی می‌توانند باعث آزادسازی مولکول‌هایی شوند که نقشی مشابه ناقل‌های عصبی دارند.

لئو کُزاشکوف، از پژوهشگران این تحقیق می‌گوید: یک چرخه‌ی بسته میان سیگنال‌دهی نورون‌ها و پاسخ آستروسیت‌ها وجود دارد. آنچه هنوز نمی‌دانیم، دقیقاً نوع محاسباتی است که آستروسیت‌ها بر پایه‌ی این اطلاعات انجام می‌دهند.

الهام از مدل‌های هوش مصنوعی

پژوهشگران MIT رویکرد جدیدی ارائه داده‌اند که بر اساس شبکه‌های حافظه‌ی پیشرفته ساخته شده است. این سیستم نسخه‌ی ارتقاءیافته‌ای از مدل‌های قدیمی است که در دهه‌های ۱۹۷۰ و ۱۹۸۰ برای شبیه‌سازی حافظه مغز طراحی شده بودند.

در گذشته، شبکه‌های عصبی فقط مقدار محدودی اطلاعات را ذخیره می‌کردند، اما سیستم جدید می‌تواند با فعال‌سازی هم‌زمان چندین نورون، حافظه‌ای گسترده‌تر ایجاد کند. چالش اصلی این است که اغلب ارتباطات مغزی فقط بین دو نورون برقرار می‌شوند، پس چگونه ممکن است چنین شبکه پیچیده‌ای شکل بگیرد؟

اینجاست که آستروسیت‌ها نقش مهمی پیدا می‌کنند. این سلول‌ها می‌توانند هم‌زمان با هزاران اتصال عصبی ارتباط برقرار کرده و به‌عنوان پل‌هایی میان نورون‌های مختلف عمل کنند، که به انتقال اطلاعات در سراسر مغز کمک می‌کند.

اطلاعات از کجا می‌آید، چگونه ذخیره می‌شود؟

محققان معتقدند که حافظه در مغز ممکن است به شکل الگوهای خاصی از تغییرات کلسیمی در آستروسیت‌ها ذخیره شود. سپس این الگوها از طریق مواد شیمیایی خاصی به نورون‌ها منتقل می‌شوند و باعث فعال شدن شبکه‌های عصبی مرتبط با آن خاطره می‌شوند.

سلول‌هایی با ظرفیت بالا و مصرف انرژی پایین

ویژگی جالب رویکرد جدید این است که آستروسیت‌ها به‌جای یک سلول، مجموعه‌ای از واحدهای پردازشی در نظر گرفته می‌شوند. این یعنی هر پروسس می‌تواند نقش یک واحد حافظه را بازی کند و چون این واحدها زیادند، نسبت حافظه‌ی ذخیره‌شده به تعداد آن‌ها فوق‌العاده بالاست.

هر سیناپس سه‌گانه می‌تواند به‌اندازه‌ی تمام نورون‌های شبکه، الگو ذخیره کند. در نتیجه، یک شبکه نورونی-آستروسیتی می‌تواند از نظر تئوریک، حافظه‌ای تقریباً نامحدود داشته باشد.

پیامدهایی برای علوم اعصاب و هوش مصنوعی

اگر این رویکرد درست باشد، می‌توان با آزمایش‌های دقیق بررسی کرد که چگونه تغییر در اتصال‌های آستروسیت‌ها بر عملکرد حافظه تأثیر می‌گذارد. همچنین، این رویکرد می‌تواند الهام‌بخش توسعه الگوریتم‌های هوش مصنوعی آینده باشد.

طی ۵۰ سال گذشته، تحقیقات علوم اعصاب تأثیر اندکی بر هوش مصنوعی داشته‌اند. اما این پژوهش شاید نخستین گامی باشد که در آن، الگوریتم‌های هوش مصنوعی از یافته‌های جدید علوم اعصاب الهام می‌گیرند.