علوم زیستیپیش‌چاپشبیه‌سازی۴ دقیقه مطالعه

آیا دیوارهٔ یک باکتری می‌تواند یاد بگیرد که آن را هدایت کند؟

باکتری شناگری مانند E. coli راهش را عمدتاً از راه شیمی پیدا می‌کند: زنجیره‌ای از مولکول‌ها درون یاخته تغییرات محیط پیرامون را حس می‌کند و به موتورهای تاژکی می‌گوید کی جهت چرخش را عوض کنند. در این تصویر، دیوارهٔ یاخته‌ای — توری از رشته‌های قندی که با پیوندهای عرضی کوتاه پپتیدی به هم وصل شده‌اند و پپتیدوگلیکان نام دارد — تنها یک سازه است. یاخته را یکپارچه نگه می‌دارد و موتورها را در جای خود مهار می‌کند، اما در تصمیم‌گیری دربارهٔ مسیر نقشی ندارد.

ندا المِلیجی (Nada Elmeligy)، نو چن (No Chen) و جی. ام. شوارتز (J. M. Schwarz)، فیزیک‌دانانی در دانشگاه سیراکیوز در ایالات متحده، از خود پرسیدند که آیا دیواره می‌تواند کاری بیش از این بکند. حوزهٔ کار آن‌ها، یادگیری فیزیکی (physical learning)، خود مواد را برای انجام کارها آموزش می‌دهد. برای نمونه، یک شبکهٔ بی‌نظم از فنرها را می‌توان با قاعده‌هایی ساده و موضعی چنان آموزش داد که فشار دادن یک نقطه، پاسخی برگزیده را در نقطه‌ای دیگر، دور از آن، پدید آورد. دیوارهٔ باکتری بی‌نظم و رشته‌ای است و آنزیم‌ها پیوسته آن را بازسازی می‌کنند: در اصل، آموزش‌پذیر است.

برخوردی که به آن سوی یاخته رسانده می‌شود

تیم یک مدل دوبعدی ساخت: شناگری میله‌ای با چهار موتور تاژکی، و دیواره‌ای که به صورت شبکه‌ای از 512 گره و 1,497 فنر نمایش داده می‌شود و هر موتور به آن لنگر انداخته است. شناگر، مانند E. coli، پیش می‌دود و حدود یک بار در ثانیه می‌غلتد (run and tumble)، در کانالی بی‌هیچ نشانهٔ شیمیایی، و تمایل دارد نزدیک دیواره‌های کانال به دام بیفتد.

ایده چنین است. وقتی یک تاژک به دیوارهٔ کانال می‌خورد، لنگرگاهش را در دیوارهٔ یاخته‌ای می‌کشد. یک شبکهٔ آموزش‌دیده باید این کشش را به فشردگی در لنگرگاه‌های موتورهای سمت مقابل تبدیل کند. به پیشنهاد نویسندگان، فشردگی در آنجا باعث می‌شود واحدهای نیروساز موتورها، یعنی استاتورها (stators)، گرفت خود را رها کنند. تاژک‌های ضعیف‌شده در آن سمت درست همان‌هایی‌اند که یاخته را به سوی مانع بازمی‌رانند؛ خاموش‌کردن آن‌ها به بقیه امکان می‌دهد یاخته را به سوی فضای باز بچرخانند.

اندازهٔ سیگنال آموزشی آزادانه انتخاب نشد: این سیگنال بزرگ‌ترین نیروی تماسی است که خود شناگر می‌تواند پدید آورد، حدود 0.3 پیکونیوتن، یعنی رانش یک تاژک تنها.

آموزش‌دیده همچون یک ماده

آموزش از یک قاعدهٔ موضعی بهره می‌گیرد: سفتی هر فنر بر پایهٔ نیروهایی که در دو حالت شبکه حس می‌کند تنظیم می‌شود، یکی حالتی که ورودی آن را می‌راند و دیگری حالتی که روی خروجی مطلوب مهار شده (clamped) است. پس از 3,000 چرخهٔ آموزش روی هشت جفت ورودی–خروجی، زنجیره‌هایی از فنرهای سفت‌شده هر موتور را به موتورهای روبه‌رویش پیوند می‌دهند. سهمی از بار تماسی که به سمت دور می‌رسد از 0.0056 به 0.905 جهش می‌کند.

دو نتیجه برجسته است:

  • صلبیت مهم است. وقتی شبکه به‌طور میانگین کمتر از حدود چهار اتصال برای هر گره داشته باشد — آستانه‌ای که از آن به بعد چنین شبکه‌ای دیگر شل و وارفته نیست — هیچ مسیری شکل نمی‌گیرد. همان اتصال‌پذیری‌ای که دیواره را جامد می‌کند، آن را آموزش‌پذیر هم می‌کند.
  • زمان‌بندی مهم است. سیگنال رسانده‌شده باید باعث شود استاتورها در حین برخورد رها شوند. اگر نرخ رهاشدن آن‌ها کمتر از حدود 100 بار در ثانیه بود، دیواره، هرقدر هم خوب آموزش دیده بود، نمی‌توانست یاخته را هدایت کند.

گریز از دیواره

در 100 آزمایش برای هر نسخه، در نخستین غلت پس از به دام افتادن، یاخته با دیوارهٔ آموزش‌دیده در 62% موارد گریخت، در برابر 43% با دیوارهٔ آموزش‌ندیده یا بدون هیچ شبکه‌ای. یک کنترل‌گر ایدئال که به‌سادگی می‌دانست کدام سمت ضربه خورده به 65% رسید: نویسندگان محاسبه می‌کنند که دیوارهٔ آموزش‌دیده 89% از این برتری را بازمی‌یابد (حدود 86% بر پایهٔ نرخ‌های گردشده‌ای که اینجا آمده است). یاخته حتی وقتی نتوانست بگریزد، تماس بعدی‌اش با سطح را به تأخیر انداخت.

دیواره به آموزش بی‌نقص نیاز ندارد. پس از 300 چرخه، یاخته از همان هنگام 84% از برتری ایدئال را به دست می‌آورد، در حالی که ناهمخوانی میان نیروهایی که شبکه وارد می‌کند و نیروهای هدف همچنان به اندازهٔ بیش از دو مرتبهٔ بزرگی کاهش می‌یابد. این نکته مهم است، زیرا یک دیوارهٔ واقعی پیوسته از نو ساخته می‌شود. نویسندگان برآورد می‌کنند که یاخته‌ای که پیوسته با مانع‌ها در تماس است حدود 400 برخورد در یک نسل 30 دقیقه‌ای را از سر می‌گذراند. وقتی پیوندهای عرضی در حین آموزش به‌طور تصادفی جایگزین شدند، مسیر از دست رفت؛ وقتی آن نیمه از پیوندها که زیر کشش بودند از جایگزینی محافظت شدند، مسیر بر جا ماند.

فرضیه‌ای در انتظار آزمون

نویسندگان محدودیت‌ها را آشکارا برمی‌شمارند. شبکهٔ آن‌ها بسیار کوچک‌تر از یک دیوارهٔ واقعی باکتری است، فشار درونی یاخته را نادیده می‌گیرد، و آموزش همچنان با هدفی تحمیلی هدایت می‌شود، نه با موفقیت خود باکتری. مهم‌تر از همه، گام کلیدی — اینکه فشردگی استاتورها را به رهاشدن وادارد — هرگز به‌طور تجربی آزموده نشده است. آن‌ها می‌نویسند که ادعا نمی‌کنند این مدل نوعی شناخت (cognition) در مقیاس یاخته را نشان می‌دهد.

با این حال، پیشنهاد می‌کنند که چگونه می‌توان آن را وارسی کرد. باکتری‌هایی که بارها به مانع‌ها برخورد کرده‌اند، مثلاً پس از عبور جریان‌وار از میدانی از ستون‌های کوچک، باید سپس سریع‌تر از یاخته‌های بی‌تجربه در یک محفظهٔ تازه از سطحی که به دامشان می‌اندازد بگریزند. در خاک، مخاط یا بیوفیلم‌ها، جایی که برخوردها مکررند، چنین میان‌بُر مکانیکی‌ای می‌تواند در کنار شیمی کار کند و به یاخته‌ها در یافتن راهشان کمک کند.