مغز چگونه با «گفت‌وگو با خودش» یاد می‌گیرد؟ راز یادگیری و انعطاف‌پذیری مغز

مغز چگونه با «گفت‌وگو با خودش» یاد می‌گیرد؟؛ رمزگشایی از نقش بازخوردهای تالاموکورتیکال و بازداری‌زدایی در انعطاف‌پذیری سیناپسی

مغز برای یادگیری صرفاً منتظر دریافت اطلاعات تازه از جهان بیرون نمی‌ماند؛ بلکه یکی از شگفت‌انگیزترین ویژگی‌های آن این است که فعالیت خودش را نیز در شکل‌دهی به یادگیری دخالت می‌دهد. هر تجربه حسی، از لمس یک سطح گرفته تا شنیدن یک صدا یا دیدن یک شیء، وارد شبکه‌ای می‌شود که در آن اطلاعات نه‌فقط به سمت جلو، بلکه در قالب حلقه‌های پیچیده‌ای به نواحی قبلی نیز بازمی‌گردند. به بیان ساده، مغز تا حدی از طریق «گفت‌وگو با خودش» یاد می‌گیرد؛ البته این عبارت یک استعاره است و منظور از آن، تعامل رفت‌وبرگشتی میان جمعیت‌های نورونی در مدارهای مغزی است، نه گفت‌وگوی آگاهانه یا کلامی.

یکی از یافته‌های مهم علوم اعصاب در این زمینه نشان داده است که بازخوردهای تالاموکورتیکال مرتبه بالاتر (Higher-order thalamocortical feedback) می‌توانند مانند یک «دروازه» برای تغییر قدرت سیناپس‌ها عمل کنند و از طریق سازوکاری موسوم به بازداری‌زدایی (Disinhibition)، زمینه را برای تقویت بلندمدت سیناپسی (Long-term potentiation; LTP) فراهم آورند. مطالعه‌ای از Leena E. Williams و Anthony Holtmaat در Neuron نشان داد که ورودی‌های تالاموسی مرتبه بالاتر، به‌ویژه از کمپلکس تالاموسی خلفی-میانی یا POm، برای القای LTP وابسته به گیرنده‌های NMDA در سیناپس‌های داخل‌قشری در قشر حسی‌پیکری موش اهمیت دارند.

یادگیری در مغز فقط دریافت اطلاعات نیست

قشر مخ (Cerebral cortex) بزرگ‌ترین و پیچیده‌ترین بخش مغز است و در ادراک، برنامه‌ریزی، تصمیم‌گیری، رفتار و بسیاری از فرایندهای شناختی نقش دارد. اما قشر مغز را نمی‌توان یک گیرنده منفعل اطلاعات دانست.

هنگامی که یک محرک حسی وارد دستگاه عصبی می‌شود، اطلاعات از مسیرهای صعودی به شبکه‌های قشری منتقل می‌شود. در سیستم حسی‌پیکری، برای مثال، اطلاعات مربوط به تماس، فشار و حرکت در نهایت به قشر حسی‌پیکری اولیه (Primary somatosensory cortex; S1) می‌رسند. در موش، سبیل‌های اطراف پوزه که به آن‌ها vibrissae گفته می‌شود، یکی از مهم‌ترین سامانه‌های اکتشافی حیوان برای دریافت اطلاعات لمسی از محیط هستند.

اما آنچه مغز از این اطلاعات می‌آموزد، صرفاً به شدت محرک وابسته نیست. مغز باید تشخیص دهد کدام اطلاعات مهم‌اند، کدام الگوها تکرار می‌شوند و کدام ارتباطات عصبی باید در مواجهه با تجربه‌های بعدی تقویت یا تضعیف شوند.

اینجاست که مفهوم پلاستیسیته عصبی (Neural plasticity) وارد می‌شود.

پلاستیسیته به توانایی دستگاه عصبی برای تغییر در پاسخ به تجربه، یادگیری، محیط و حتی آسیب گفته می‌شود. در سطح سلولی، یکی از مهم‌ترین جلوه‌های آن تغییر در قدرت ارتباط میان نورون‌ها در محل سیناپس (Synapse) است. در برخی شرایط، فعال‌شدن هم‌زمان مسیرهای مناسب می‌تواند قدرت انتقال سیناپسی را افزایش دهد؛ پدیده‌ای که LTP یکی از مهم‌ترین نمونه‌های آن است.

اما سؤال بنیادین این است:

چه چیزی به مغز می‌گوید که اکنون زمان مناسبی برای تغییر دادن سیناپس‌هاست؟

مغز چگونه اهمیت یک محرک را تشخیص می‌دهد؟

یک تصور ساده این است که اگر محرکی بارها به مغز برسد، سیناپس‌های مربوط به آن به‌تدریج تقویت می‌شوند. اما مغز نمی‌تواند هر ورودی را صرفاً به دلیل تکرارشدن، به یک خاطره یا مهارت پایدار تبدیل کند. اگر چنین بود، تقریباً هر صدای پس‌زمینه، هر تماس پوستی و هر تصویر تکراری می‌توانست مدارهای مغزی را به شکل گسترده‌ای بازآرایی کند.

مغز باید میان ثبات شبکه و قابلیت تغییر شبکه تعادل برقرار کند.

از یک سو، شبکه‌های عصبی باید به اندازه کافی پایدار باشند تا سازمان عملکردی خود را حفظ کنند؛ از سوی دیگر، باید بتوانند هنگام مواجهه با تجربه‌ای مهم، خود را تغییر دهند.

یکی از راه‌های رسیدن به این تعادل، استفاده از مدارهای مهاری (Inhibitory circuits) است.

در قشر مغز، بسیاری از نورون‌های مهاری از نوع اینترنورون‌های گابائرژیک (GABAergic interneurons) هستند. این سلول‌ها با آزادسازی ناقل عصبی GABA فعالیت نورون‌های دیگر را تنظیم می‌کنند. در نگاه نخست ممکن است تصور کنیم مهار عصبی صرفاً مانعی بر سر راه فعالیت مغز است؛ اما واقعیت بسیار ظریف‌تر است.

مهار، یکی از ابزارهای اصلی مغز برای کنترل زمان و مکان یادگیری است.

پارادوکس شگفت‌انگیز «مهارِ مهار»

یکی از مفاهیم بسیار مهم در این زمینه، بازداری‌زدایی یا Disinhibition است.

بازداری‌زدایی یعنی یک نورون مهاری، نورون مهاری دیگری را مهار کند و در نتیجه فعالیت نورون هدف افزایش یابد.

به زبان ساده:

مهارِ نورون مهاری ← کاهش مهار نورون هدف ← افزایش امکان فعالیت نورون هدف

این مدار ظاهراً ساده می‌تواند مانند یک کلید بسیار دقیق برای بازکردن «پنجره پلاستیسیته» عمل کند.

در مطالعه Williams و Holtmaat، فعال‌شدن هم‌زمان ورودی‌های قشری و ورودی‌های تالاموسی مرتبه بالاتر موجب تغییر در فعالیت چند گروه از اینترنورون‌ها شد؛ از جمله افزایش فعالیت نورون‌های VIP و PV و کاهش فعالیت نورون‌های SST. نتیجه نهایی این تعامل، بازداری‌زدایی نورون‌های هرمی (Pyramidal neurons) بود؛ فرایندی که برای ایجاد LTP در این مدار ضروری به نظر می‌رسید. 

این یافته اهمیت زیادی دارد، زیرا نشان می‌دهد بازخورد مغزی الزاماً برای انتقال «اطلاعات بیشتر» به قشر ایجاد نشده است؛ بلکه ممکن است به قشر بگوید:

«این ورودی مهم است؛ اکنون زمان تغییر دادن مدار است.»

تالاموس فقط یک ایستگاه انتقال اطلاعات نیست

در مدل‌های قدیمی‌تر، تالاموس گاهی مانند یک ایستگاه نسبتاً ساده برای انتقال اطلاعات حسی به قشر مغز تصور می‌شد. اما امروزه مشخص شده است که این دیدگاه بیش از حد ساده‌انگارانه است.

تالاموس و قشر مغز در ارتباطی دوسویه و پویا قرار دارند. برخی مسیرهای تالاموکورتیکال اطلاعات حسی را به قشر می‌رسانند، در حالی که مسیرهای مرتبه بالاتر می‌توانند اطلاعاتی درباره زمینه (Context)، وضعیت شبکه و اهمیت محرک در اختیار مدارهای قشری قرار دهند.

در سامانه حسی‌پیکری موش، هسته خلفی-میانی تالاموس (Posteromedial nucleus; POm) یکی از اجزای مهم این مدار است. پژوهش‌ها نشان داده‌اند که ورودی POm می‌تواند در شرایط مناسب، پلاستیسیته سیناپسی در لایه‌های سطحی قشر حسی‌پیکری را تسهیل کند.

بنابراین، قشر و تالاموس را بهتر است نه به‌عنوان «فرستنده و گیرنده»، بلکه به‌عنوان اجزای یک شبکه حلقه‌بسته (Closed-loop network) در نظر بگیریم.

قشر اطلاعات را پردازش می‌کند؛ تالاموس و سایر ساختارها وضعیت و زمینه را به قشر بازمی‌گردانند؛ و این بازخورد می‌تواند تعیین کند که کدام ارتباطات سیناپسی مستعد تغییر باشند.

سبیل‌های موش؛ پنجره‌ای برای مشاهده یادگیری حسی

یکی از زیباترین مدل‌های مطالعه این فرایند، بررسی سیستم سبیل‌های موش است.

موش از سبیل‌های خود برای کاوش محیط استفاده می‌کند. هر حرکت سبیل می‌تواند اطلاعات دقیقی درباره شکل، بافت، فاصله و ویژگی‌های اشیای اطراف ایجاد کند. این اطلاعات در نهایت به مدارهای حسی‌پیکری منتقل می‌شوند.

قشر حسی‌پیکری نیز یک نقشه نسبتاً دقیق از اطلاعات مربوط به بخش‌های مختلف بدن ایجاد می‌کند. بنابراین، پژوهشگر می‌تواند با مطالعه مدارهای مرتبط با سبیل‌ها، ارتباط میان ورودی حسی، بازخورد تالاموسی، فعالیت اینترنورون‌ها و پلاستیسیته سیناپسی را با دقت بیشتری بررسی کند.

این مدل به دانشمندان اجازه می‌دهد بفهمند چگونه تجربه حسی می‌تواند به تغییر پایدار در مدارهای عصبی تبدیل شود.

از یک محرک تا یک تغییر پایدار در مغز

فرایند را می‌توان به‌صورت یک زنجیره مفهومی تصور کرد:

محرک حسی ← فعال‌شدن مدارهای قشری ← دریافت بازخورد مرتبه بالاتر ← تغییر فعالیت اینترنورون‌های مهاری ← بازداری‌زدایی نورون‌های هرمی ← فعال‌شدن سازوکارهای وابسته به NMDA ← تقویت سیناپسی ← تغییر پاسخ شبکه به تجربه‌های آینده

این زنجیره البته ساده‌سازی یک سامانه بسیار پیچیده است و در مغز واقعی، عوامل متعددی مانند نورومدولاسیون، توجه، استیل‌کولین، دوپامین، وضعیت رفتاری و فعالیت سایر نواحی مغز نیز می‌توانند بر پلاستیسیته اثر بگذارند.

پژوهش‌های گسترده‌تر در زمینه پلاستیسیته قشری نیز نشان داده‌اند که بازداری‌زدایی می‌تواند یکی از سازوکارهای مهم برای آغاز پلاستیسیته در قشرهای حسی باشد؛ به‌ویژه زمانی که توجه و اهمیت رفتاری یک تجربه افزایش می‌یابد.

مغز برای یادگیری، ابتدا باید «درِ تغییر» را باز کند

شاید یکی از عمیق‌ترین برداشت‌ها از این یافته‌ها این باشد که یادگیری صرفاً به معنای «فعال‌تر شدن نورون‌ها» نیست.

گاهی یادگیری ابتدا با تنظیم مهار آغاز می‌شود.

این نکته از نظر علوم اعصاب اهمیت بنیادینی دارد. مغز برای جلوگیری از تغییرات بی‌هدف، بسیاری از مدارهای خود را در وضعیتی نسبتاً پایدار نگه می‌دارد. اما هنگامی که محرک از نظر شبکه معنادار می‌شود، مجموعه‌ای از مکانیسم‌های مهاری می‌توانند موقتاً تنظیم شوند تا امکان تغییر ارتباطات سیناپسی فراهم شود.

به همین دلیل، Disinhibition را می‌توان نه صرفاً کاهش مهار، بلکه نوعی مکانیسم دروازه‌ای برای پلاستیسیته (Plasticity gating mechanism) دانست.

در این نگاه، سیستم مهاری مانند ترمز ساده نیست؛ بلکه مانند سامانه‌ای هوشمند عمل می‌کند که تعیین می‌کند چه زمانی، کجا و تا چه اندازه امکان یادگیری فراهم شود.

آیا مغز واقعاً «خودش را آموزش می‌دهد»؟

عبارت «مغز با خواندن فعالیت خودش آموزش می‌بیند» جذاب است، اما باید با دقت علمی تفسیر شود.

مغز خودآموزی را به معنای یک سیستم آگاه که فعالیت خودش را مشاهده می‌کند انجام نمی‌دهد. آنچه رخ می‌دهد، حاصل تعامل بازگشتی میان شبکه‌های عصبی است.

یک بخش از مغز فعالیت بخش دیگر را تغییر می‌دهد؛ آن بخش دوباره بر بخش نخست اثر می‌گذارد؛ و در این حلقه، وزن و قدرت ارتباطات سیناپسی تغییر می‌کند.

بنابراین، مغز در معنای محاسباتی، دارای ویژگی‌هایی شبیه یک سامانه بازخوردی و خودسازمان‌ده (Self-organizing) است.

این ویژگی دقیقاً همان چیزی است که برای علوم محاسباتی و هوش مصنوعی نیز جذابیت دارد.

پیوندی میان علوم اعصاب و هوش مصنوعی

یادگیری ماشین سال‌هاست تلاش می‌کند از اصول محاسباتی مغز الهام بگیرد. در شبکه‌های عصبی مصنوعی، سیستم باید بتواند بر اساس اطلاعات دریافتی، وزن ارتباطات خود را تغییر دهد.

اما مغز مسئله‌ای پیچیده‌تر دارد: باید همزمان یاد بگیرد و پایدار بماند.

اگر هر ورودی موجب تغییر گسترده شبکه شود، سیستم دچار بی‌ثباتی می‌شود. اگر هیچ ورودی نتواند شبکه را تغییر دهد، یادگیری متوقف خواهد شد.

از این منظر، مدارهای مهاری و بازخوردی مغز می‌توانند الهام‌بخش معماری‌هایی باشند که در آن‌ها یک شبکه نه‌تنها «چه چیزی را یاد بگیرد»، بلکه چه زمانی اجازه تغییر به خودش بدهد را نیز تنظیم کند.

البته نباید از این یافته‌ها نتیجه گرفت که یک مدار مغزی مستقیماً به یک الگوریتم هوش مصنوعی تبدیل شده است. فاصله میان سازوکارهای زیستی و مدل‌های محاسباتی همچنان بسیار زیاد است. بااین‌حال، اصولی مانند بازخورد، تنظیم مهار، دروازه‌بندی پلاستیسیته، خودسازمان‌دهی و یادگیری وابسته به زمینه می‌توانند برای طراحی نسل‌های آینده سامانه‌های یادگیری الهام‌بخش باشند.

مغز؛ شبکه‌ای که هم یاد می‌گیرد و هم شرایط یادگیری را تنظیم می‌کند

شاید زیباترین نتیجه این پژوهش آن باشد که مغز فقط یک ماشین پردازش اطلاعات نیست؛ بلکه ماشینی است که شرایط تغییر خودش را نیز تنظیم می‌کند.

محرک حسی وارد می‌شود، اما این محرک به‌تنهایی برای ایجاد یادگیری کافی نیست. شبکه باید اهمیت آن را در متن فعالیت سایر مدارها ارزیابی کند. بازخوردهای تالاموکورتیکال می‌توانند این ارزیابی را به مدارهای قشری منتقل کنند و از طریق تعامل پیچیده میان نورون‌های مهاری و نورون‌های هرمی، پنجره‌ای برای پلاستیسیته بگشایند.

در نهایت، سیناپس‌ها تغییر می‌کنند و مغز دیگر دقیقاً همان مغز قبل از تجربه نیست.

این همان معنای عمیق پلاستیسیته سیناپسی است:

تجربه، فعالیت شبکه را تغییر می‌دهد؛ فعالیت شبکه، قدرت سیناپس‌ها را تغییر می‌دهد؛ و تغییر سیناپس‌ها، نحوه پاسخ مغز به تجربه بعدی را دگرگون می‌کند.

به این معنا، مغز در یک چرخه دائمی میان ادراک، بازخورد، مهار، بازداری‌زدایی، پلاستیسیته و یادگیری قرار دارد.

پس اگر بخواهیم استعاره «گفت‌وگوی مغز با خودش» را به زبان دقیق علوم اعصاب ترجمه کنیم، شاید بتوان گفت:

مغز با بازخوانی مداوم فعالیت شبکه‌های خودش، مقایسه ورودی‌های جدید با وضعیت درونی مدارها و تنظیم دقیق تعادل میان تحریک و مهار، شرایطی را ایجاد می‌کند که در آن سیناپس‌های مناسب بتوانند تغییر کنند.

و شاید راز یکی از شگفت‌انگیزترین توانایی‌های مغز دقیقاً همین باشد:
مغز فقط اطلاعات را یاد نمی‌گیرد؛ بلکه می‌آموزد که چگونه خودش را برای یادگیری بعدی تغییر دهد.