پلاستیسیته عصبی
پلاستیسیته عصبی یا انعطاف‌پذیری عصبی به توانایی مغز برای تغییر و تطبیق خود در پاسخ به تجربیات، یادگیری و آسیب‌ها اشاره دارد. این ویژگی مهم مغز باعث می‌شود که ساختار و عملکرد آن در طول زمان و تحت تأثیر محرک‌های مختلف تغییر کند. پلاستیسیته عصبی به ویژه در دوران کودکی بسیار قوی است و به مغز این امکان را می‌دهد که توانایی‌های جدیدی یاد بگیرد و خود را با شرایط محیطی جدید سازگار کند. این تغییرات شامل تشکیل سیناپس‌های جدید، تقویت یا تضعیف سیناپس‌های موجود و حتی ایجاد سلول‌های عصبی جدید است.
پلاستیسیته عصبی همچنین نقش مهمی در بهبود عملکرد مغز پس از آسیب یا سکته دارد. مغز می‌تواند بخش‌های آسیب‌دیده را با استفاده از سایر قسمت‌های سالم جبران کند. این فرآیند به افراد کمک می‌کند تا پس از آسیب‌دیدگی‌های شدید، مانند ضربه مغزی یا از دست دادن عملکرد حسی و حرکتی، بازیابی کنند. افزون بر این، پلاستیسیته عصبی با یادگیری و تمرین مداوم تقویت می‌شود و به افراد این امکان را می‌دهد که مهارت‌ها و توانایی‌های جدیدی را به دست آورند.
مقالات مرتبط
1. Duguay, M., Bonizzato, M., Delivet-Mongrain, H., Fortier-Lebel, N., & Martinez, M. (2023). Uncovering and leveraging the return of voluntary motor programs after paralysis using a bi-cortical neuroprosthesis. Progress in Neurobiology, 228, 102492.
2. Xu, Y., Hou, Q. H., Russell, S. D., Bennett, B. C., Sellers, A. J., Lin, Q., & Huang, D. F. (2015). Neuroplasticity in post-stroke gait recovery and noninvasive brain stimulation. Neural Regeneration Research, 10(12), 2072-2080.
3. McGie, S. C., Zariffa, J., Popovic, M. R., & Nagai, M. K. (2015). Short-term neuroplastic effects of brain-controlled and muscle-controlled electrical stimulation. Neuromodulation: Technology at the Neural Interface, 18(3), 233-240.
4. Young, W. (2015). Electrical stimulation and motor recovery. Cell transplantation, 24(3), 429-446.
5. Villamar, M. F., Portilla, A. S., Fregni, F., & Zafonte, R. (2012). Noninvasive brain stimulation to modulate neuroplasticity in traumatic brain injury. Neuromodulation: Technology at the Neural Interface, 15(4), 326-338.
6. Duffell, L. D., & Donaldson, N. D. N. (2020). A comparison of FES and SCS for neuroplastic recovery after SCI: historical perspectives and future directions. Frontiers in neurology, 11, 607.
7. Khodaparast, N., Hays, S. A., Sloan, A. M., Hulsey, D. R., Ruiz, A., Pantoja, M., ... & Kilgard, M. P. (2013). Vagus nerve stimulation during rehabilitative training improves forelimb strength following ischemic stroke. Neurobiology of disease, 60, 80-88.
علوم اعصاب محاسباتی و هوش مصنوعی
هوش مصنوعی (AI) و نروساینس محاسباتی دو حوزه پویا و هم‌پوشان هستند که به طور متقابل از یکدیگر الهام می‌گیرند و به پیشرفت‌هایی در درک مغز و ایجاد سیستم‌های هوشمند منجر می‌شوند. نروساینس محاسباتی بر مطالعه عملکرد مغز از طریق مدل‌سازی ریاضی و شبیه‌سازی‌های رایانه‌ای متمرکز است. این حوزه به بررسی نحوه پردازش اطلاعات توسط شبکه‌های عصبی بیولوژیکی می‌پردازد و تلاش می‌کند تا با استفاده از ابزارهای محاسباتی، ساختارها و عملکردهای پیچیده مغز را مدل کند. از جمله کاربردهای این مدل‌ها، تحلیل یادگیری، حافظه، پردازش حسی و تصمیم‌گیری است. محققان در این حوزه تلاش می‌کنند تا با ساخت مدل‌های دقیق‌تر از فعالیت نورون‌ها و سیناپس‌ها، به درک عمیق‌تری از عملکرد شناختی و رفتاری انسان برسند.از سوی دیگر، هوش مصنوعی با بهره‌گیری از شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری، به تقلید از برخی توانایی‌های مغز انسان پرداخته و تلاش می‌کند سیستم‌هایی را ایجاد کند که بتوانند از داده‌ها بیاموزند و به صورت خودکار تصمیم‌گیری کنند. مدل‌های هوش مصنوعی مانند یادگیری عمیق (Deep Learning) مستقیماً از ساختارهای عصبی مغز الهام گرفته شده‌اند. این ارتباط بین هوش مصنوعی و نروساینس محاسباتی نه تنها به طراحی سیستم‌های هوشمندتر کمک می‌کند، بلکه به محققان نروساینس ابزارهایی ارائه می‌دهد که بتوانند داده‌های پیچیده عصبی را تحلیل کرده و بینش‌های جدیدی درباره نحوه عملکرد مغز به دست آورند. در نهایت، این تعامل باعث ارتقای فهم ما از هر دو زمینه می‌شود و به توسعه تکنولوژی‌های پیشرفته و درمان‌های جدید برای اختلالات عصبی کمک می‌کند.
مقالات مرتبط
1. Kriegeskorte, N., & Douglas, P. K. (2018). Cognitive computational neuroscience. Nature neuroscience, 21(9), 1148-1160.
2. Ullman, S. (2019). Using neuroscience to develop artificial intelligence. Science, 363(6428), 692-693.
3. Sarishma, D., Sangwan, S., Tomar, R., & Srivastava, R. (2022). A review on cognitive computational neuroscience: overview, models, and applications. Innovative Trends in Computational Intelligence, 217-234.
4. Kringelbach, M. L., & Deco, G. (2020). Brain states and transitions: insights from computational neuroscience. Cell Reports, 32(10).
ثبت سیگنال داخل قشری از مغز
ثبت سیگنال داخل قشری یک روش پیشرفته در علوم اعصاب است که برای مطالعه و تحلیل فعالیت‌های الکتریکی نورون‌های قشر مغز، به‌ویژه در نواحی مرتبط با کنترل حرکت اندام‌ها (Motor Cortex)، به‌کار می‌رود. این روش به‌ویژه برای درک بهتر ارتباطات عصبی و مکانیزم‌های کنترل حرکت در مغز حیوانات و انسان‌ها استفاده می‌شود.در تحقیقات حیوانی، مانند مطالعات انجام‌شده بر روی میمون‌ها یا موش‌های آزمایشگاهی، آرایه‌های الکترودی سوزنی به‌طور مستقیم در قشر حرکتی مغز (Motor Cortex) قرار داده می‌شوند. این الکترودها قادر به ثبت فعالیت نورونی از یک یا چند نورون به‌صورت جداگانه هستند. این روش به محققان اجازه می‌دهد تا الگوهای فعالیت نورونی که در حین انجام حرکات خاص یا برنامه‌ریزی برای حرکات مختلف در مغز رخ می‌دهد، شناسایی و تحلیل کنند. این داده‌ها می‌توانند در توسعه تکنولوژی‌های عصبی مانند رابط‌های مغز و کامپیوتر (Brain-Computer Interfaces) استفاده شوند، که هدف آنها ایجاد ارتباط مستقیم بین مغز و دستگاه‌های خارجی برای کنترل پروتزهای حرکتی یا روبات‌ها است.در انسان‌ها، این تکنیک برای مقاصد درمانی و تحقیقاتی به‌کار می‌رود. به‌عنوان مثال، در بیماران مبتلا به فلج حرکتی که توانایی کنترل اندام‌های خود را از دست داده‌اند، ثبت سیگنال داخل قشری می‌تواند به آنها کمک کند تا از طریق فکر کردن به حرکت، پروتزها یا دستگاه‌های کمکی را کنترل کنند. الکترودها در قشر حرکتی مغز کاشته می‌شوند و سیگنال‌های الکتریکی که نشان‌دهنده قصد حرکت هستند، ثبت می‌شوند. این سیگنال‌ها سپس به الگوریتم‌هایی فرستاده می‌شوند که آنها را به دستورات حرکتی برای دستگاه‌های پروتزی یا کامپیوترها تبدیل می‌کنند. این فناوری به بیماران اجازه می‌دهد تا با استفاده از فکر خود، کارهایی مانند حرکت دادن یک بازوی رباتیک یا کنترل نشانگر یک کامپیوتر را انجام دهند.
مقالات مرتبط
1. Gunasekera, B., Saxena, T., Bellamkonda, R., & Karumbaiah, L. (2015). Intracortical recording interfaces: current challenges to chronic recording function. ACS chemical neuroscience, 6(1), 68-83.
2. Maynard, E. M., Nordhausen, C. T., & Normann, R. A. (1997). The Utah intracortical electrode array: a recording structure for potential brain-computer interfaces. Electroencephalography and clinical neurophysiology, 102(3), 228-239.
3. Waziri, A., Claassen, J., Stuart, R. M., Arif, H., Schmidt, J. M., Mayer, S. A., ... & Hirsch, L. J. (2009). Intracortical electroencephalography in acute brain injury. Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society, 66(3), 366-377.
4. Michaels, J. A., & Scherberger, H. (2018). Population coding of grasp and laterality-related information in the macaque fronto-parietal network. Scientific reports, 8(1), 1710.
5. Michaels, J. A., Dann, B., Intveld, R. W., & Scherberger, H. (2018). Neural dynamics of variable grasp-movement preparation in the macaque frontoparietal network. Journal of Neuroscience, 38(25), 5759-5773.
6. Handelman, D. A., Osborn, L. E., Thomas, T. M., Badger, A. R., Thompson, M., Nickl, R. W., ... & Tenore, F. V. (2022). Shared control of bimanual robotic limbs with a brain-machine interface for self-feeding. Frontiers in Neurorobotics, 16, 918001.