تصحيح انحياز خطأ النموذج في تقديرات ديناميكيات الخلايا العصبية من ملاحظات السلاسل الزمنية

تعليم الحواسيب قراءة اللغة الخفيّة للخلايا العصبية

يعتمد دماغنا على نبضات كهربائية دقيقة تنتجها الخلايا العصبية، لكن العلماء يستطيعون قياس جزء صغير فقط من هذا النشاط بشكل مباشر. تُظهر هذه الدراسة كيف يمكن لتقنية الذكاء الاصطناعي أن تملأ القطع المفقودة، مصححةً أوجه القصور في نماذجنا الرياضية للخلايا العصبية بحيث نفهم بشكل أفضل كيف تتصرف خلايا الدماغ، حتى بطرق لا نستطيع رصدها في التجارب.

لماذا تحتاج نماذج الخلايا العصبية إلى مساعدة

يستخدم علماء الأعصاب معادلات لمحاكاة استجابة العصبون عند تعريضه لتيار كهربائي. تحاوِل هذه النماذج استنساخ جهد غشاء الخلية — الصعود والانخفاض السريع الذي يقوم عليه النبض العصبي أو «الشوكة». تحت تلك الشوكات تكمن عمليات خفية: بوابات بروتينية صغيرة تفتح وتغلق لسماح الأيونات بالتدفق. عادةً ما تسجل التجارب جهد الغشاء عند سطح الخلية فقط، لا حركة هذه البوابات. والأسوأ أن المعادلات التي يستخدمها العلماء تبقى تقريبية ومعلماتها غالبًا غير مؤكدة أو «مرنة». ونتيجة لذلك، يمكن لمجموعات معلمات مختلفة كثيرة أن تتوافق مع نفس البيانات لكنها تمثل بيولوجيا داخلية مختلفة تمامًا. يرى المؤلفون أنه لبناء نسخ رقمية موثوقة للخلايا العصبية — وفي النهاية للأدمغة الحقيقية — علينا تصحيح أخطاء النماذج واستعادة الديناميكيات الظاهرة والخفية من تسجيلات الجهد العادية.

هجين يجمع الفيزياء والتعلّم الآلي

يعتمد الباحثون على تقنية تسمى الحوسبة بالمستودع، شكل من شبكات العصب الاصطناعي المتكررة التي تتفوّق في التنبؤ بالسلاسل الزمنية المعقدة. بدلاً من تجاهل معادلات العصبون التقليدية، يدمجون نموذجًا من نوع هودجكين–هاكسلي داخل المستودع. يستقبل نموذج العصبون منبهًا كهربائيًا غنيًا مكوَّنًا من خطوات عشوائية وتيارات فوضوية، مصمماً لاستكشاف سلوكياته الداخلية على مقاييس زمنية متعددة. يُدخَل مخرج النموذج، إلى جانب التيار المحرّك، في شبكة ثابتة من العصبونات الاصطناعية — أي المستودع. تتم عملية التدريب على طبقة القراءة النهائية فقط، عن طريق تعديل أوزان خطية بحيث يُعيد النظام المدمج إنتاج الجهد المرجعي الناتج عن نموذج مثالي خالٍ من الخطأ. بعد التدريب، يأخذ الهجين الإدخال (التيار) فقط ويتنبأ بكيفية تطور جهد العصبون وبواباته الداخلية لمثيرات جديدة لم تُرَ سابقًا.

اختبار طرق مختلفة لدمج النماذج والشبكات

لفهم أفضل الطرق لتصحيح الأخطاء، يعرّض الفريق نموذج العصبون البديل المتوكل عليهم لأعطاب عمدية بتغيير معلمات رئيسية، مثل قوة قنوات الصوديوم أو الجهد الذي تنشط عنده. ثم يقارنون عدة تصاميم هجينة. في بعضها يرى المستودع جهد الغشاء فقط من النموذج؛ وفي أخرى يتلقى أيضًا متغيرات البوابات الخفية؛ وفي حالات أخرى تؤثر مخرجات النموذج ليس فقط على مداخل المستودع بل أيضًا على طبقة القراءة النهائية. التصميم الأكثر نجاحًا، المسمى «الهجين الكامل بكل متغيرات الحالة»، يُدخِل جميع متغيرات الحالة الأربع — الجهد وثلاثة متغيرات بوابة — إلى كل من طبقتي الإدخال والإخراج في المستودع. هذا التكوين يثبت التنبؤات عند تغيُّرات سريعة أو مفاجئة في التيار المحرّك، يتجنّب مشاكل التشبع التي تصيب المستودع وحده، ويقلّص الأخطاء بشدة في كل من تقلبات الجهد دون العتبة والنبضات العصبية الكاملة.

التطلع إلى القنوات الأيونية الخفية

نتاج لافت هو أن النظام الهجين لا يصلح أثر الجهد الظاهر فحسب؛ بل يعيد أيضًا بناء المسارات الزمنية لبوابات قنوات الأيونات الخفية. حتى عندما يكون النموذج البديل خاطئًا لدرجة أنه لم يعد يولّد إطلاقات صحيحة، يستطيع الهجين المدرب استعادة ديناميكيات البوابات المطابقة تقريبًا لمرجع مثالي. ذلك ممكن لأن معلومات عن البوابات مشفرة بطريقة غير مباشرة في قياسات متأخرة لجهد الغشاء. من خلال ضبط الاتصال الداخلي للمستودع بحيث يحتفظ بالمعلومات خلال نافذة زمنية مناسبة، يتذكر النظام بما يكفي من تاريخ الجهد الأخير لاستنتاج الحالة الداخلية المحتملة. عبر نطاق واسع من أخطاء المعلمات الخطية وغير الخطية، وحتى عندما تُعتدى على عدة معلمات بفوارق عدة أوامر من الحجم، يحسّن الهجين التنبؤات بشكل كبير حتى تصبح الأخطاء إما ضئيلة جدًا (حيث يصبح ضجيج الشبكة الداخلي هو المسيطر) أو كبيرة جدًا (حيث يعود النظام ليعمل كما لو كان مستودعًا خالصًا).

ما يعنيه هذا لفهم الأدمغة الحقيقية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن الجمع بين معادلات آلية للخلايا العصبية وشبكات تعلم آلي مرنة يمكن أن يؤدي إلى نماذج مؤسّسة في الفيزياء ودقيقة للغاية. يمكن لهذا النهج الهجين أن يصحح الانحيازات في نماذج الخلايا العصبية التقريبية، يثبت التنبؤات تحت تحفيز كهربائي معقد، ويستنتج عمليات داخلية لا تستطيع التجارب قياسها حاليًا في الزمن الحقيقي. ومع توسيع الطريقة لتشمل خلايا متعددة القنوات ومتعددة الحجرة والشبكات الخلوية، فإنها تقدم مسارًا قويًا نحو بناء نسخ رقمية موثوقة لنسيج الدماغ الحي اعتمادًا على بيانات تجريبية محدودة.

الاستشهاد: Williams, I., Taylor, J.D. & Nogaret, A. Correcting model error bias in estimations of neuronal dynamics from time series observations. Sci Rep 16, 13120 (2026). https://doi.org/10.1038/s41598-026-43346-6

الكلمات المفتاحية: ديناميكيات الخلايا العصبية, الحوسبة بالمستودع, نموذج هودجكين–هاكسلي, تصحيح خطأ النموذج, الخلايا العصبية التوأم الرقمي