حلقة مغلقة العصبية الروبوتية تجارب لاختبار خصائص الحاسوبية من الشبكات العصبية
مارس 2, 2015
في هذه الورقة ، يتم تقديم إطار تجريبي لإجراء تجارب الحلقة المغلقة ، حيث تتم دراسة معالجة المعلومات (أي الترميز وفك التشفير) وتعلم التجمعات العصبية أثناء التفاعل المستمر مع الجسم الآلي.
الهدف العام من التجربة التالية هو التحقيق في التفاعل ثنائي الاتجاه بين شبكة بيولوجية من الخلايا العصبية المنفصلة وروبوت صغير. يمكن للحوار المستمر تعديل الخصائص الحسابية للنظام العصبي ، مما يؤدي إلى نوع من التعلم. يتم تحقيق ذلك من خلال إعداد ثقافة عصبية عبر مصفوفة أقطاب كهربائية صغيرة من أجل السماح بجلسة تجريبية لعدة ساعات دون المساس بنشاط الخلية.
كخطوة ثانية ، يتم حساب خريطة استجابة للثقافة ، والتي تسمح باختيار الأقطاب الكهربائية المحفزة لتجربة الحلقة المغلقة الفعلية. بعد ذلك ، يتم تحديد معلمات التشفير وفك التشفير للسماح بتبادل المعلومات بين الأنظمة البيولوجية والإلكترونية. تظهر النتائج زيادة كبيرة في القدرات الملاحية للعامل الآلي بناء على مقارنة متوسط المسافة المقطوعة بين الضربات في ظل ظروف تحكم مختلفة.
يمكن أن تساعدنا هذه الطريقة في الإجابة على الأسئلة الرئيسية في مجالنا الهندسي ، مثل ، هل يمكننا الوصول إلى قاموس لترجمة لغة الخلايا العصبية إلى لغة الآلات والعكس صحيح؟ بشكل عام ، سيكافح الأفراد الجدد في هذه الطريقة بسبب التعقيد التكنولوجي للإعداد التجريبي وبنية البرامج. ستظهر الإجراء مارثا بيزو ، طالبة دكتوراه في مختبري.
تتمثل الخطوة الأولى في إعداد مصفوفة أقطاب كهربائية صغيرة أو شريحة MEA مع 60 قطبا كهربائيا يمكن استخدامها لتحفيز أو تسجيل الشبكة العصبية. بعد طلاء الثقافات العصبية على الشرق الأوسط ، تنتظر رقائق A حوالي ثلاثة أسابيع حتى تنضج الشبكة العصبية. في يوم التجربة ، قم بتسخين نظام التسخين في منطقة الشرق الأوسط وإفريقيا لمدة خمس إلى 10 دقائق عن طريق ضبط جهاز التحكم في درجة الحرارة على 37 درجة مئوية وتشغيل لوحة التسخين أسفل منطقة الشرق الأوسط وإفريقيا نفسها.
استخدم أيضا غطاءا ساخنا لتقليل التبخر باستخدام أغطية نفاذية للغاز المعقم بالأوتوكلاف تغطي الثقافات بغطاء للحد من التبخر ومنع التغيرات في الأسمولية أثناء التسجيل. الآن قم بتدوير دب السيارة على المزرعة للحفاظ على مستويات مستقرة من الأكسجين ودرجة الحموضة. اترك المزرعة ترتاح لمدة 30 دقيقة بعد فترة الراحة ، سجل النشاط التلقائي للخلايا العصبية لمدة 30 دقيقة.
ثم احفظ البيانات في ملف بالنقر فوق زر التسجيل في مربع المسامير في نموذج تسجيل البيانات. في نموذج عرض البيانات الأولية، حدد القنوات ال 10 ذات أعلى عدد من الارتفاعات. ثم حدد هذه القنوات في أي من تخطيطات الشرق الأوسط وأفريقيا.
يتم عرض نموذج الترميز هنا عن طريق سحب مؤشر الماوس فوق المناطق المطلوبة. بمجرد تحديد القنوات ، انقر بزر الماوس الأيمن في أي مكان على تخطيط MEA وحدد إضافة إلى المنطقة الحسية اليسرى في القائمة المنبثقة. سيتم استخدام هذه الأقطاب الكهربائية لتقديم التحفيز الكهربائي في خطوة لاحقة.
بعد ذلك ، تحقق من توصيل المحفز ومضخم MEA بشكل صحيح. تتطلب جميع التكوينات سلكين لكل قناة تحفيز مطلوبة ، بينما يلزم وجود كبل متحد المحور إضافي لحمل إشارة التزامن. عندما تصبح جاهزا ، قم بتشغيل المحفز.
الخطوة التالية هي تحديد معلمات التحفيز في نموذج خريطة الاتصال. جميع المحفزات التي يتم توصيلها إلى الثقافة هي عن طريق موجات الجهد المربع الطوري. اضبط نصف المدة على 300 ميكروثانية واضبط السعة على 1.5 ذروة جهد تولب.
ابدأ في تسجيل الاستجابة للتحفيز بالضغط على زر البدء. في شكل خريطة الاتصال ، يتم تسليم سلسلة من 30 محفزا عند 0.2 هرتز تلقائيا من أحد أقطاب التحفيز المحددة مسبقا. بينما يعمل هذا القطب الكهربائي ، يتم تسجيل استجابات قطب التحفيز من 59 قطبا كهربائيا متبقية على شريحة MEA.
ثم مع تأخير خمس ثوان بين السلسلة ، تتكرر سلسلة 30 محفزا بدورها على كل من أقطاب التحفيز التسعة المتبقية المحددة بينما يتم جمع التسجيلات من الأقطاب الكهربائية ال 59 المتبقية. خريطة اتصال الكمبيوتر التالية لكل قناة محفزة باستخدام كود التجسس ، وهو تطبيق يقوم بإجراء حسابات على البيانات العصبية. من خرائط الاتصال ، تخلص من مزيد من التحليل من جميع الأقطاب الكهربائية المحفزة التي لم تثير استجابات.
ثم من بين الأقطاب الكهربائية المتبقية ، حدد الزوج الذي يحتوي على أقل تداخل في الاستجابات كما هو موضح في بروتوكول النص ، وحدد أحد هذه الأقطاب الكهربائية لترميز المعلومات الحسية من الجانب الأيسر من الروبوت والآخر لترميز قراءات من الجانب الأيمن. للقيام بذلك ، اسحب مؤشر الماوس فوق قطب كهربائي واحد انقر بزر الماوس الأيمن على تخطيط MEA ، ثم حدد إضافة إلى المنطقة الحسية اليسرى. ثم اسحب المؤشر فوق القطب الآخر.
انقر بزر الماوس الأيمن وحدد إضافة إلى المنطقة الحسية اليمنى. بعد ذلك في نموذج الترميز، حدد مخطط الترميز عن طريق تعيين نوع الترميز إلى خطي. ثم حدد الحد الأدنى والحد الأقصى لمعدلات التحفيز باستخدام النطاق الافتراضي من 0.5 إلى اثنين هرتز وقم بتعيين معلمة الارتعاش على الصفر.
ثم في نموذج فك التشفير ، قم بتعيين معلمات خوارزمية فك التشفير. هذا هو تغير السرعة وثابت الوقت لمعلمات الاضمحلال إلى واحد للثقافة النشطة بشكل معتدل مع ارتفاع واحد تقريبا في الثانية لكل قناة. بعد ذلك ، قم بتعيين معلمات انفجار خوارزمية فك التشفير في نموذج فك التشفير على الصفر.
وقت الاضمحلال غير ذي صلة إذا كان تغيير السرعة صفرا. في نموذج مدير التجربة، حدد البيانات المراد تسجيلها بالنقر فوق خانات الاختيار حفظ بيانات الارتفاع وبيانات الروبوت وبيانات المحفزات. الآن قم بتشغيل روبوت ما قبل التعلم عن طريق تحديد زر بدء التجربة في نموذج مدير التجربة.
عند المطالبة، حدد أسماء ملفات جديدة لملفات البيانات. اترك التجربة تعمل لمدة 30 دقيقة. ثم انقر فوق الزر "إيقاف التجربة" لإيقاف تشغيل الروبوت.
بعد ذلك ، قم بتشغيل بروتوكول التعلم عن طريق وضع علامة على التسليم إلى 10 تحفيز بعد ذلك. اضغط على خانة الاختيار في نموذج مدير التجربة. ثم انقر فوق الزر "بدء التجربة" مرة أخرى لإجراء تشغيل روبوت التدريب مرة أخرى لمدة 30 دقيقة.
خلال هذا المسار التعليمي ، يتغير التحفيز من الروبوت من التحفيز غير المنتظم إلى الحافز العملاق. عندما يصطدم الروبوت بعقبة ، يتم استخدام حافز تيتانيك لتدريب الشبكة العصبية. بعد حفظ البيانات ، قم بإيقاف تشغيل بروتوكول التعلم مرة أخرى عن طريق إلغاء تحديد التسليم إلى تحفيز التانيك.
بعد الضغط على مربع الاختيار ، ثم انقر فوق بدء التجربة لإجراء تشغيل روبوت بعد التعلم لمدة 30 دقيقة. كما كان من قبل ، تذكر تغيير أسماء الملفات لمنع التجاوز. بالإضافة إلى الروبوت الافتراضي الموضح سابقا ، يمكن استخدام هذه المجموعة نفسها من عمليات التدريب مع شبكة عصبية وروبوت مادي.
يظهر هنا المسار الذي يتبعه روبوت افتراضي خلال تجربة MEA فارغة لمدة 20 دقيقة. لم تكن هناك خلايا مطلية في MEA لتجربة التحكم هذه. المناطق الخضراء الفاتحة مجانية للروبوت للتحرك فيها ، وتمثل الدوائر الخضراء الداكنة عوائق غير سالكة يمكن للروبوت إدراكها من خلال مستشعرات المسافة الخاصة به.
في كل تجربة ، يبدأ الروبوت في الجزء العلوي الأيسر من الساحة ويسافر إلى موضعه النهائي الذي يصور على أنه نقطة وردية كبيرة. تمثل النقاط السوداء الأصغر ضربات ضد عقبة. تشير المسارات المشفرة بالألوان إلى الوقت المنقضي.
في هذه التجربة مع عدم وجود شبكة عصبية ، تم إيقاف الروبوت بسبب العقبة الأولى التي واجهها. يظهر هنا مسار الروبوت الافتراضي أثناء تجربة الحلقة المفتوحة التي يتم فيها تعمية الروبوت بشكل فعال. بدلا من ترميز المعلومات الحسية ، فإن قطارات التحفيز التي يتم تسليمها إلى الشبكة العصبية هي مجرد تسلسلات منتظمة.
يظهر هنا المسار الذي يتبعه روبوت افتراضي خلال تجربة حلقة مغلقة مدتها 20 دقيقة تلقت فيها الشبكة العصبية ردود فعل شيطانية بعد أن اصطدم الروبوت بعقبة. لاحظ أنه على عكس تجربة الحلقة المفتوحة ، نجح هذا الروبوت في التنقل حول العديد من العقبات. يشير هذا إلى أن التفاعل ثنائي الاتجاه بين العناصر العصبية والاصطناعية ضروري من أجل الحصول على أداء تنقل جيد للروبوت.
يوضح هذا الرسم البياني أداء التنقل للروبوت معبرا عنه كوحدات بكسل تم نقلها بين الضربات اللاحقة. يعرض العمودان الأولان توزيع المسافات المقطوعة ، وتجربتي تحكم ، ومتوسط الأطرافا الفارغة وتكوينات الحلقة المفتوحة. يعرض العمودان الثالث والرابع الأداء دون ومع تسليم تحفيز تيتانيك.
بعد كل ضربة ضد عقبة ، يتحسن إدخال تحفيز تيتانيك بشكل كبير. المسافة المقطوعة بين ضربتين متتاليتين ، وبالتالي تحسين أداء الملاحة للروبوت. يمثل هذا الرسم البياني احتمال أن تتنقل خوارزمية فك تشفير معينة للروبوت بنجاح عبر مسار قصير في فترة زمنية محدودة.
تختلف نماذج فك التشفير عن بعضها البعض بسبب الأوزان النسبية للرشقات النارية والمسامير المعزولة بعد تطورها. مهدت هذه التقنية الطريق ل URGs في مجال الروبوتات العصبية والأطراف الاصطناعية العصبية لاستكشاف كيفية توصيل الأدمغة والآلات من أجل تحسين أداء الواجهات العصبية الحديثة. بعد مشاهدة هذا الفيديو ، يجب أن يكون لديك فهم جيد لكيفية تخطيط وتنفيذ تجربة هجينة للتحقيق في الخصائص الحسابية للشبكة العصبية البيولوجية المجسدة.
نظرة عامة
تقدم هذه الدراسة إطارًا لتجارب الحلقة المغلقة للتحقيق في التفاعل بين التجميعات العصبية والجسم الآلي. تركز البحوث على عمليات الترميز، فك الترميز، والتعلم في الشبكات العصبية أثناء التفاعل المستمر.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- الروبوتات
- الهندسة العصبية
الخلفية
- تهدف التجربة إلى استكشاف الاتصال ثنائي الاتجاه بين الخلايا العصبية البيولوجية والأنظمة الروبوتية.
- يتم تحضير الثقافات العصبية على مصفوفات الأقطاب الدقيقة لجلسات تجريبية ممتدة.
- فهم كيفية قدرة الأنظمة العصبية على التعلم من التفاعلات الروبوتية أمر بالغ الأهمية للتقدم في الهندسة العصبية.
- تشكل التعقيد التكنولوجي تحديات للباحثين الجدد في هذا المجال.
غرض الدراسة
- للتحقيق في كيفية قدرة الثقافات العصبية على تعديل خصائصها الحسابية من خلال التفاعل مع روبوت.
- لتأسيس طريقة لترجمة الإشارات العصبية إلى أوامر روبوتية والعكس.
- لتعزيز قدرات التنقل للوكلاء الروبوتيين باستخدام المدخلات البيولوجية.
الأساليب المستخدمة
- إعداد مصفوفات الأقطاب الدقيقة (MEAs) للثقافة العصبية.
- تسجيل النشاط العصبي العفوي وتحديد معلمات الترميز/فك الترميز.
- إجراء تجارب الحلقة المغلقة مع التحفيز وتسجيل الاستجابات.
- استخدام البرمجيات لتحليل البيانات ورسم الخرائط للاتصال بين الأقطاب.
النتائج الرئيسية
- تم ملاحظة تحسينات كبيرة في قدرات التنقل للوكيل الروبوت.
- التأسيس الناجح لبروتوكول اتصال بين الخلايا العصبية والأنظمة الروبوتية.
- تحديد أقطاب التحفيز الفعالة لتبادل المعلومات.
- تبرهن على قدرات التعلم في الثقافات العصبية من خلال التفاعل الروبوت.
الاستنتاجات
- يفتح هذا الإطار طرقًا جديدة لفهم التعلم العصبي استجابةً للمنبهات الروبوتية.
- يسلط الضوء على إمكانية تطوير أجهزة صناعية عصبية متقدمة.
- يمكن للبحوث المستقبلية البناء على هذه النتائج لتعزيز واجهات الإنسان والآلة.
الأسئلة الشائعة
Executive Industry Relevance
This closed-loop neuro-robotic platform enables bidirectional communication between neuronal networks and artificial systems, offering a mechanistic approach to de-risk target validation in neurotherapeutic discovery. By quantifying how neuronal activity modulates robotic behavior and vice versa, the method supports predictive confidence in assessing neural circuit function and information processing. It provides a disease-relevant system for probing computational properties of neuronal networks, informing early-stage hypothesis testing in CNS drug discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing how neuronal networks encode and decode sensory-motor information in a closed-loop context.
- Operational Value: Enables functional validation of neuronal targets through real-time interaction with a robotic effector, clarifying pathway involvement in information processing.
- Predictive Value: Supports portfolio triage by measuring learning-induced changes in navigational performance as a proxy for synaptic plasticity and network adaptability.
Screening & Assay Development
- Scientific Value: Prepares validated neuronal cultures on microelectrode arrays for reproducible, long-term recording and stimulation, enabling standardized assay formats.
- Operational Value: Defines coding and decoding parameters that allow quantitative exchange of information between biological and electronic systems, supporting assay readiness.
- Scalability: Facilitates rapid selection of diverse encoding, decoding, and learning algorithms to test computational hypotheses across multiple conditions.
Translational & Preclinical Research
- Translational Value: Uses embryonic mammalian hippocampal networks as a disease-relevant model to study information coding mechanisms relevant to cognitive disorders.
- Preclinical Continuity: Demonstrates how bidirectional brain-body interactions can be leveraged to enhance robotic navigation, informing neuroprosthetic design.
- Mechanistic De-risking: Identifies effective stimulation electrodes and stimulation paradigms (e.g., Titanic stimulation post-obstacle hit) that significantly improve behavioral output, reducing ambiguity in mechanism-of-action studies.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from early target validation through preclinical assessment, particularly for neurotherapeutics targeting synaptic plasticity, network excitability, or sensory processing.
- Discovery Biology: Supports hypothesis testing by allowing researchers to manipulate contextual feedback and observe changes in neuronal computational properties over extended sessions.
- Screening: Enables assay standardization through response mapping and selection of non-overlapping stimulation electrodes for left/right sensory coding, ensuring reliable signal routing.
- Analytics: Generates quantitative dependent variable measurements (e.g., average distance traveled between hits) that allow comparison of navigational performance across control, open-loop, and closed-loop conditions.
- Translational Research: Connects discovery-phase findings to preclinical continuity by demonstrating how learning protocols (e.g., delivery of Titanic stimulation after obstacle hits) induce measurable improvements in robotic behavior.
- Enterprise Reuse: Establishes a reusable platform for testing diverse algorithms and stimulation paradigms, reducing redundant setup efforts across projects.
Operational & Enterprise Impact
- Scientific Value: Provides mechanistic insight into how bidirectional interactions modify neuronal computational properties, reducing ambiguity in target engagement and pathway modulation.
- Operational Value: Standardizes neuronal culture preparation, MEA-based recording/stimulation, and closed-loop control software for reproducible experimental sessions.
- Strategic Value: Improves go/no-go decisions by linking neuronal activity to functional outputs (robotic navigation), enabling risk-adjusted advancement of neurotherapeutic candidates.
- Portfolio Impact: Supports prioritization of compounds or genetic interventions that enhance learning-dependent plasticity in neuronal networks, based on measurable improvements in closed-loop performance.
Implementation Considerations
- Requires expertise in neuronal culture maintenance, microelectrode array handling, and electrophysiological recording techniques.
- Dependent on specialized instrumentation including MEAs, stimulators, amplifiers, temperature control systems, and robotic interfaces (virtual or physical).
- Necessitates cross-team standardization of stimulation parameters (e.g., phasic square waves at 300 μs half-duration, 1.5 V peak-to-peak amplitude) and decoding algorithms (linear coding, speed change and decay time constants set to 1).
- Involves adaptation considerations when transferring protocols from virtual to physical robotic systems, particularly regarding sensor feedback and environmental interaction.
- Practical limitations include the technological complexity of setup and software architecture, which may pose barriers for new users without dedicated training.
Biopharma FAQs
Chapters in this video
0:05
Title
1:33
Preparation of Neuronal Culture Over an MEA
2:38
Selection of MEA Electrodes to Stimulate the Neuronal Culture and Response Map Computation
5:42
Interfacing the Neuronal Curlture with the Robot: Selection of Coding and Decoding Schemes
6:31
Performing a Neuro-robotic Experiment
8:03
Results: Closed-loop Feedback Improves Control of Robots by Neuronal Networks
10:33
Conclusion
