ავტორი: ნინო ხურცილავა
რედაქტორი: ბექა იობიძე
კორექტორი: თიკო იობიძე
მდევარი, 2026
წინათქმა
ნეირომეცნიერებისთვის აქამდე ტვინი კვლევის საგანს წარმოადგენდა, ხოლო ბოლო ათწლეულის განმავლობაში ნეიროინჟინერიამ ის გამოთვლით სისტემად აქცია. ხელოვნური ინტელექტის მრავალ სისტემაში გამოიყენება ხელოვნური ნერვული ქსელები (ANN), რომელთა არქიტექტურაც ბიოლოგიური ნერვული ქსელებითაა (BNN) შთაგონებული. შთაგონების წყაროდ ტვინი იქცა, ვინაიდან დედამიწაზე არ არსებობს სისტემა, რომელსაც უკეთ შეუძლია ,,დასწავლა“. შესაბამისად, მეცნიერები დაფიქრდნენ, შეიძლებოდა თუ არა ხელოვნური ნერვული ქსელის ბიოლოგიური, ცოცხალი სისტემით ჩანაცვლება – სწორედ აქ დაიბადა ორგანოიდული ინტელექტი (OI). ცნობისმოყვარეობასთან ერთად ორგანოიდული ინტელექტის შექმნის იდეას საფუძვლად დაედო ხელოვნური ინტელექტის შეზღუდვები. ხელოვნური ინტელექტის ფიზიკურ აპარატურას (hardware) სილიციუმის მიკროჩიპები წარმოადგენს, რომლებზედაც განთავსებულია მილიარდობით ტრანზისტორი (ასევე სილიციუმის). ტრანზისტორები მონაცემთა გადამუშავებისა და დასწავლის დროს ხურდება და, ამასთანავე, იყენებს ძალიან დიდი რაოდენობის ენერგიას. ზემოხსენებული მიკროჩიპების ზომის შემცირებით შესაძლებელი გახდა ენერგიის დაზოგვა. მოცემული გამოსავლის აღმოჩენიდან ათწლეულების განმავლობაში კომპიუტერული ტექნოლოგიების განვითარებას მართავდა ე.წ. მურის კანონი (Moore’s Law), რომლის მიხედვითაც, მიკროჩიპებზე ტრანზისტორების რაოდენობა ყოველ ორ წელიწადში ორმაგდებოდა; ტრანზისტორების ზომის შემცირება კი ზრდიდა როგორც გამოთვლით სიმძლავრეს, ისე – ენერგოეფექტურობას. დღეს ტრანზისტორების კიდევ უფრო დაპატარავება მზარდი ფიზიკური და ტექნოლოგიური დაბრკოლებებით ხასიათდება, რადგან უკიდურესად მცირე ზომებზე გაჟონვის, სითბოს მართვისა და წარმოების სირთულის პრობლემებს ვაწყდებით. მოცემული შეზღუდვის გადასაჭრელად, სილიციუმის აპარატურის შემცვლელად გვევლინება 3D ორგანოიდი. ორგანოიდის ნეირონული ქსოვილი ინფორმაციის ათვისებისა და დამახსოვრებისთვის ნეიროპლასტიკურობას იყენებს და დასწავლისათვის დიდი AI მოდელებისგან განსხვავებით მეგავატობით ენერგია არ სჭირდება; OI სისტემაში გარე პროცესორები და ალგორითმები სიგნალების ჩაწერას, ანალიზსა და უკუკავშირის მართვას უზრუნველყოფენ.
შესაბამისად, OI არის მეცნიერების ახალი სფერო, რომელიც მიზნად ისახავს ლაბორატორიაში კულტივირებული 3D ორგანოიდის აპარატურად გამოყენებას. მოცემულ სტატიაში ვისაუბრებ ორგანოიდული ინტელექტის შექმნის ბიოლოგიურ, ფიზიკურ და საინჟინრო საფუძვლებზე, ასევე, მის შესაძლებლობებსა და გამოყენების გზებზე (მედიცინა). წინამდებარე სტატიის მიზანი არ არის OI-ს წარმოჩენა, როგორც AI-ს კონკურენტისა; ეს უბრალოდ დიდი ტექნიკური შეცდომა იქნებოდა, რადგან ორგანოიდული ინტელექტი დასწავლისთვის მნიშვნელოვნად იყენებს ხელოვნურ ინტელექტს. ზემოხსენებული სხვაობის ჩვენების მიზეზია ხელოვნური ინტელექტის ფიზიკური აპარატურის (hardware) 3D ორგანოიდით ჩანაცვლების უპირატესობის ჩვენება. შედეგად, სტატიის საბოლოო მიზანია ორგანოიდული ინტელექტის წარმოჩენა გამოთვლის ჰიბრიდულ სისტემად.
ბიოინჟინრული საფუძვლები
OI არის ბიოინჟინერიის მულტიდისციპლინური დარგი, რომელიც მოიცავს სამგანზომილებიან ბიოლოგიურ სისტემას (ჩვენ შემთხვევაში ტვინის ორგანოიდს), როგორც ფუნქციონალურ გამოთვლით სუბსტრატს. OI-ს არსებობა უზრუნველყოფილია ზემოხსენებული 3D სტრუქტურების დახურულ ელექტროფიზიოლგიურ ინტერფეისებში (CLEIs) ჩართვით, მიკროფლუიდური ჩიპებითა და მანქანური სწავლების ალგორითმებით. ამ თავში ვისაუბრებ ყველა ზემოხსენებულ ბიოინჟინრულ საკითხზე და შევეცდები ავხსნა, თუ როგორ ერთვებიანისინი ერთიან გამოთვლით სისტემაში.
უჯრედი ცოცხალი ორგანიზმის შემადგენელი უმარტივესი ერთეულია, რომელსაც გააჩნია გარკვეული სტრუქტურა და დანიშნულება. საინტერესო კი ისაა, რომ ცოცხალ ორგანიზმებში შეგვიძლია წავაწყდეთ უჯრედებს, რომლებსაც განსაზღვრული დანიშნულება არ აქვთ. მიუხედავად ამისა, ისინი ფლობენ უნარს გარდაიქმნან ნებისმიერი სახის უჯრედად, ესე იგი, შეიძინონ ახალი ფუნქციები. სწორედ ასეთ უჯრედებს ვუწოდებთ პლურიპოტენტურებს. ამის მაგალითია ღეროვანი უჯრედი, რომლისგანაც ვიღებთ ორგანოიდებს. დღევანდელი მონაცემებით, ღეროვანი უჯრედების მოსაპოვებლად იყენებენ სისხლისა და კანის უჯრედებს, ეს უკანასკნელნი გენეტიკური ცვლილების გზით მეცნიერებს გადაჰყავთ პლურიპოტენტურ მდგომარეობაში. თავისთავადად პლურიპოტენტურ უჯრედებს, რომლებსაც გენეტიკური მოდიფიცირება არ სჭირდება, იღებდნენ განვითარების ადრეულ ფაზაში მყოფი ემბრიონებიდან, თუმცა ეთიკური შეზღუდვების გამო ეს მიდგომა გამოიცვალა. ღეროვანი უჯრედიდან ორგანოიდამდე მისვლა საკმაოდ გრძელი და რთული გზაა.
თავდაპირველად, ღეროვან უჯრედებს ათავსებენ ცილოვან გელისმაგვარ მატრიქსში, რომელიც ითავსებს უჯრედგარე მატრიქსის (ECM) დანიშნულებას, უზრუნველყოფს სტრუქტურულ მხარდაჭერასა და სივრცეს, რომელშიც უჯრედები თავისუფლად შეძლებენ ყველა მიმართულებით გადაადგილებას. შემდეგ, მოცემულ სითხეს ემატება განსაკუთრებული ცილები, რომლებიც ააქტიურებენ ნეირონების ჩამოყალიბებისთვის საჭირო გენებს. საბოლოოდ, ხელოვნურად შექმნილი გარემო ღეროვან უჯრედს ნერვულ უჯრედად გარდაქმნის.
გარდა ზემოხსენებული მოვლენებისა, ღეროვანი უჯრედების სამგანზომილებიან მინი-ორგანოდ გარდაქმნა, ასევე, დაფუძნებულია ბიოლოგიურ თავისებურებაზე, თვითორგანიზაციაზე, რასაც დიფერენციალური ადჰეზიური ჰიპოტეზა (DAH) ხსნის. DAH-ის მიხედვით უჯრედები ეკვრიან ერთმანეთსა და უჯრედგარე მატრიქსს (ECM) მემბრანებზე განთავსებული ადჰეზიური ცილების (ე.წ. “მოლეკულური წებოს”) წყალობით. სწორედ ადჰეზიური ცილის რაობა განაპირობებს განსხვავებული სახის ნეირონული უჯრედების განაწილებას სივრცეში. მაღალი ადჰეზიურობის მქონე ნეირონული წინამორბედი უჯრედები (NPCs) ნერვული ღეროვანი უჯრედებია, რომელთაც თვითგანახლებისა და ნეირონებად, ასტროციტებად ან ოლიგოდენდროციტებად დაყოფის უნარი აქვთ. ისინი შიდა სივრცეში თავსდებიან; ხოლო როცა NPCs გარდაიქმნება ნეირონად, მისი ადჰეზიური თავისებურებები იცვლება და უჯრედი გადაინაცვლებს გარეთა პერიმეტრისკენ. სწორედ ეს მოვლენა განაპირობებს უჯრედების სამგანზომილებიანი სრულყოფილი არქიტექტურის ჩამოყალიბებას. უჯრედთა ადჰეზიური ჰიპოთეზის საფუძველზე გადანაწილების შემდეგ ნეირონებს შორის მყარდება კავშირები და ვხედავთ სრულიად დამოუკიდებელ ელექტრულ ქმედებას.
საბოლოოდ, ვიღებთ ორგანოიდს, რომელსაც ახასიათებს მრავალფენიანი სივრცითი თვითორგანიზაცია, უჯრედული მრავალფეროვნება (ნეირონული წინამორბედი უჯრედები, სენსორული, მამოძრავებელი, მოტორული, იმუნური), ელექტროფიზიოლოგიური აქტიურობა და სხვა. მიუხედავად იმისა, რომ 2D მოდელში შეინიშნება ,,ორგანოიდობის’’ ზემოხსენებული ზოგიერთი მახასიათებელი, ეს უკანასკნელი გვხვდება მხოლოდ პრიმიტიულ დონეზე. 3D სტრუქტურები OI-ს სფეროსთვის გახდა უმთავრესი სწორედ იმ მიზეზებით, რომლებიც განაპირობებენ კულტურის ორგანოიდობას.
2D კულტურაში უჯრედები ერთ სიბრტყეზე ნაწილდება, ხოლო 3D ორგანოიდში – მაღალი სიმჭიდროვით სამგანზომილებიან მოცულობაში. შესაბამისად, 3D სტრუქტურა ნეირონებს შორის მეტი სივრცითი კავშირის ჩამოყალიბების საშუალებას გვაძლევს. ზემოხსენებული უპირატესობა ესაფუძვლება ნეირონული კავშირების თავისებურებებს.
ორგანზომილებიან სისტემაში სიგნალი გადაიცემა ზემოთ, ქვემოთ და გვერდით; ხოლო სამგანზომილებიან კულტურაში ნეირონული გაცილებით მეტი რაოდენობის კავშირის დამყარებაა შესაძლებელი, რაც პირდაპირ ებმის დასწავლებისა და ინფორმაციის შენახვის ხარისხს.
ვახსენეთ, რომ სამგანზომილებიან სტრუქტურაში ვხვდებით უფრო მეტი სახის უჯრედებს, ვიდრე ორგანზომილებიანში. რატომაა ეს მნიშვნელოვანი? სინამდვილეში, აქაც პასუხი შეგვიძლია დავიყვანოთ დასწავლამდე, ენერგიისა და დროის დაზოგვამდე. ტვინის ორგანოიდში ჩვენ ვხვდებით ისეთ უჯრედს, როგორიცაა ოლიგოდენდროციტი. იგი ნეირონის აქსონს შემოეხვევა და იწყებს მის მიელინიზაციას (ანუ ,,შეფუთვას”) საკუთარი პლაზმური მემბრანით. მიელინის ფენა კი განაპირობებს სიგნალის დაახლოებით ასჯერ უფრო სწრაფად გადაცემას, რაც არსებითია სწავლებისთვის, ასევე, მომგებიანია დროსა და ენერგიაში.
იმისათვის, რომ აღვიქვათ, თუ როგორ ხდება ამ ელექტრული სიგნალების წაკითხვა და ნეირონების „გაწვრთნა“, აჯობებს ქრონოლოგიურად მივყვეთ. რაკი რამდენიმე ათეული წლის წინ ნეიროინჟინერიაში პირველად ორგანზომილებიან სტრუქტურებს იყენებდნენ, განხილვას სწორედ მათი მუშაობის პრინციპით დავიწყებ. როდესაც ნეირონი მოსვენებულ მდგომარეობაშია, იგი ინარჩუნებს უარყოფით მუხტს უჯრედის შიგნით, რასაც ,,მოსვენების პოტენციალი’’ ეწოდება. ამ მდგომარეობას უჯრედი ინახავს სპეციალური ტუმბოებით (მაგალითად, ნატრიუმ-კალიუმის ტუმბო). ტუმბოები დამუხტულ ნაწილაკებს უჯრედის შიგნით უშვებენ ან დევნიან. როდესაც ნეირონი აქტიურდება სხვა უჯრედთან კავშირისათვის, იონთა კონცენტრაცია მის შიგნით და გარეთ იცვლება (ხდება დეპოლარიზაცია). როდესაც დეპოლარიზაცია შესაბამის ზღვარს აღწევს, ნეირონში წარმოიქმნება მოქმედების პოტენციალი (action potential), რომელიც სწრაფ დეპოლარიზაციასა და შემდგომ რეპოლარიზაციას მოიცავს.
მიკროსკოპული ელექტროდები (HD-MEA), რომლებიც ორგანზომილებიანი კულტურების ქვეშაა მოთავსებული, ამჩნევს ძაბვის ზემოხსენებულ რყევებს, ანუ კითხულობს ნეირონების მიერ გაგზავნილ ელექტრულ სიგნალს. იქიდან გამომდინარე, რომ არსებული ელექტრული სიგნალი არის ძალიან სუსტი, საჭიროა გამაძლიერებელი, რომელიც გაზრდის მას. გაძლიერების შემდეგ იგი გარდაიქმნება ციფრულ სიგნალად, ანუ მანქანურად წასაკითხ ფორმატში, ორობით სისტემაში. შემდეგ ორობითი კოდი კომპიუტერული ალგორითმის მიერ მუშავდება, რათა ციფრული ხმაურისგან გამოიყოს ნამდვილი კანონზომიერებები. ყოველივეს საფუძველზე ხელოვნური ინტელექტი გზავნის საპასუხო სტიმულს და MEA ინტერფეისის გავლით უკანვე აწვდის 2D სტრუქტურას (ან ორგანოიდს), რითაც იკვრება სწავლებისთვის აუცილებელი დახურული უკუკავშირის სისტემა (closed-loop feedback).
ისევე, როგორც 2D სტრუქტურას, არც ორგანოიდს გააჩნია ცნობიერება. DishBrain-ის ექსპერიმენტში ნეირონული კულტურის დასწავლისთვის გამოიყენეს არაგანჭვრეტადი და განჭვრეტადი ელექტრული სტიმულები, რომლებიც, შესაბამისად, დასჯისა და დაჯილდოების ფუნქციას ასრულებდა. ,,DishBrain”-ის ფარგლებშიც ნეირონებს ასწავლეს მაგიდის ჩოგბურთის თამაში. ამ თამაშში ორგანზომილებიან კულტურას ევალება ბურთის მოგერიება. თავდაპირველად ნეირონებს შორის არის ქაოსური კავშირები და წარმოიქმნება შემთხვევითი საპასუხო იმპულსები. იმ შემთხვევაში, თუ ჩოგანმა ბურთი მოიგერია, ნეირონებს კომპიუტერი უგზავნის სტრუქტურირებულ იმპულსებს (ჯილდოს). ნეირონებს ამდაგვარი სიგნალები ,,მოსწონთ”, რადგან გარემო ხდება განსაზღვრადი. უჯრედები შედეგად იმეორებენ იმ კავშირებს, რომლებმაც დაიმსახურა ჯილდო. როდესაც ნეირონები ვერ მოიგერიებენ ბურთს, კომპიუტერი უშვებს ქაოსურ იმპულსს (დასჯას). ამ დროს უჯრედები ,,ხვდებიან’’, რომ კონკრეტული მარშრუტი არასწორია, და იწყება კავშირების შესუსტება. კომპიუტერული პასუხების შედეგად ნეირონებში აქტიურდება სიგნალის გადაცემის ის გზები, რომლებიც განაპირობებს ბურთის მოგერიებას – შესაბამისად, სტაბილურ უკუკავშირს (ჯილდოს). ჰების წესის თანახმად, ვინაიდან ეს კონკრეტული ნეირონები ერთდროულად აქტიურდებიან, მათ შორის კავშირი ძლიერდება. ნეიროპლასტიკურობის საშუალებით, ათასობით ასეთი ციკლის შედეგად, ნეირონებს შორის კავშირები ფიზიკურად გადაეწყობა ისეთ მარშრუტზე, რომელიც ქმნის სტრუქტურულ ,,მეხსიერებას’’, თუ როგორ უნდა ითამაშოს კულტურამ მაგიდის ჩოგბურთი.
3D ორგანოიდის შემთხვევაში დახურული უკუკავშირის პრინციპი იგივეა, თუმცა მიკროსკოპული ელექტროდების (MEA) არქიტექტურა და ელექტრული სიგნალების გასაშიფრი ალგორითმების გამოთვლითი სირთულე იზრდება. ბრტყელი, სტანდარტული MEA ორგანოიდის ზედაპირთან შეხებაში მყოფ აქტივობას აღიქვამს, თუმცა მისი სამგანზომილებიანი მოცულობის სრულად დაფარვა არ შეუძლია. სფერული ორგანოიდი ბრტყელ MEA-ზე ნიშნავს, რომ ელექტროდებს მხოლოდ ორგანოიდის ზედაპირთან ექნება შეხება; იმისათვის, რომ სტიმული მიიღოს და გადაიცეს, აუცილებელია MEA-ს გადაკეთებული სახე, რომელიც სამგანზომილებიან სტრუქტურას მოერგება. დღეს OI სფეროსთვის გამოიყენება MEA-ს სამი სახე: 1) CMOS-ზე დაფუძნებული მაღალი სიმჭიდროვის 3D MEA-ები, რომელთაც ათასობით 40–90 მიკრომეტრის სიმაღლის მიკრონემსი აქვს. ორგანოიდი თავსდება მათზე, რის შედეგადაც ელექტროდები სიგნალებს მისი ზედაპირისა და შიდა ფენების ნაწილიდან იღებენ; 2) Mesh MEAs – ერთგვარი ბიოშეთავსებადი პოლიიმიდური ბადე, რომელიც შეიცავს ჩაშენებულ ელექტროდებს. ორგანოიდის განვითარება მოცემულ ბადეზევე არის შესაძლებელი. ღეროვანი უჯრედები გარდაქმნისას, თვითორგანიზაციისა და გაფართოებისას ფორებში გადადის – ვიღებთ ელექტროდებისა და ორგანოიდის შერწყმულ სტრუქტურას; 3) EEG Cap model – შთაგონებულია ადამიანის ენცეფალოგრამის ქუდით; იგი შედგება პოლიმერული (სილიკონური) სტრუქტურებისგან, რომლებიც ამოფენილია ელექტროდებით. მიკროფლუიდური შერწყმა გამოიყენება როგორც 2D, ისე 3D კულტურებში, თუმცა 3D ორგანოიდებში მისი მნიშვნელობა განსაკუთრებით იზრდება საკვები ნივთიერებებისა და ჟანგბადის მიწოდების სირთულის გამო. 2D კულტურის საკვებითა და ჟანგბადით უზრუნველყოფა გეომეტრიული სიმარტივის გამო შედარებით იოლია, ხოლო სამგანზომილებიან სტრუქტურებში ყველა უჯრედის საჭირო ნივთიერებებით უზრუნველყოფა რთულია. ამ პრობლემის გადასაჭრელად შექმნეს მიკროფლუიდური ჩიპები (Microfluidic chips). ჩიპების წყალობით შესაძლებელია სისხლძარღვოვანი სისტემის ჩანაცვლება, უჯრედისთვის საჭირო ნივთიერებების მიწოდება, ესე იგი, ჰომეოსტაზის შენარჩუნება. მიუხედავად ამისა, მიკროფლუიდური ინტეგრაცია 3D-ში დიდი საინჟინრო თავსატეხია, რადგან ყველა განსხვავებული ტიპის MEA-ს ინდივიდუალური მიდგომა სჭირდება.
საინჟინრო წინაღობები ამით არ სრულდება. ბიოლოგიური სისტემის გართულებასთან ერთად (2D-დან 3D-ში გადასვლა), ექსპონენციურად იზრდება მიღებული ინფორმაციის მასშტაბიც. შესაბამისად, სამგანზომილებიანი სისტემების სიგნალების დეკოდირებისთვის ალგორითმებს გაცილებით დიდი გამოთვლითი დატვირთვით უწევთ მუშაობა. ზოგადად, ალგორითმების საშუალებით შესაძლებელია ორგანოიდისგან მიღებული მონაცემების ანალიზი, რაც შეგვიძლია დავიყვანოთ მარტივ (ჩაკეტილ) პრინციპამდე: მონაცემთა გამარტივება, უკუკავშირი და ნეირონებს შორის კავშირების შემოწმება. ორგანოიდი, რომელშიც ათეულობით ათასი ნეირონია, წამში იძლევა ასეულობით ათას სიგნალს. ამ რაოდენობის მონაცემის გადამუშავება სისტემისთვის რთულია, ამიტომ საჭიროა ოპტიმალური შინაარსი. ამისათვის კი მიმართავენ მათემატიკურ ალგორითმსა და მონაცემთა დამუშავების მეთოდს,- ,,ძირითადი კომპონენტის ანალიზს’’ (PCA), რასაც სხვაგვარად უწოდებენ განზომილების შემცირების ტექნიკას. თითოეული ნეირონი შეიძლება შეიცავდეს ათეულობით პარამეტრს (განზომილებას). PCA ამ პარამეტრების უმეტესობას არჩევს და ტოვებს მხოლოდ ,,მთავარ კომპონენტებს’’. ნაკლები განზომილება ნიშნავს, რომ კომპიუტერულ ალგორითმებს სჭირდებათ ბევრად ნაკლები მეხსიერება და დრო გამოთვლებისთვის. PCA არ არის მხოლოდ ,,შემკუმშველი’’ მექანიზმი, იგი ასევე, მიჯნავს ე.წ. ,,თეთრ ხმაურს” – შემთხვევით ელექტრულ სიგნალებს, რომლებიც ინფორმაციას არ შეიცავს. 3D ორგანოიდში ეს ხმაური გაცილებით მაღალია, რადგან უჯრედები ერთმანეთზეა გადაჯაჭვული (უფრო დიდია ნეირონების შეკუმშვა) და ელექტროდები მეზობელი ქსოვილების ფონურ ქმედებებსაც იჭერენ. მას შემდეგ, რაც PCA გაამარტივებს მონაცემებს, კლასტერიზაციის ალგორითმები (მაგ. გაუსის ნარევის მოდელი), მათემატიკური მსგავსებების მიხედვით, სიგნალებს მიუსადაგებენ შესაბამის ნეირონებს.
სიგნალის მიღების შემდეგ პროგრამამ უნდა დააბრუნოს პასუხი. სიგნალის დაბრუნებით, როგორც ზემოთ ვახსენე, იქმნება დახურული უკუკავშირის სისტემა, რომელიც უმნიშვნელოვანესია დასწავლისთვის. დამსჯელობითი ან დამაჯილდოებელი უკუკავშირის მართვის ერთ-ერთი შესაძლო გზაა გაძლიერებითი სწავლების ალგორითმი (RL). ალგორითმი განსაზღვრავს საპასუხო სტიმულაციას, ხოლო ნეირონული კავშირების ცვლილებას ბიოლოგიური პლასტიკურობა განაპირობებს.
სიგნალის გაგზავნის შემდეგ აუცილებელია შემოწმდეს შედგა თუ არა დასწავლა. უჯრედი A-სა და უჯრედი B-ს ერთდროული ელექტრული აქტივობა სულაც არ ნიშნავს იმას, რომ მათ შორის კავშირია. შესაბამისად, წარმოიშობა აუცილებლობა პროგრამის მიერ ფუნქციური მონახაზის შექმნისა. თუ უჯრედი A-ს ქმედებას რეგულარულად მოსდევს უჯრედი B-ს ჩართულობა, ალგორითმი მათ შორის სავარაუდო ფუნქციურ კავშირს გამოყოფს. დასწავლას კი ასეთი კავშირების დინამიკისა და დავალების შესრულების ცვლილების ერთობლივი ანალიზით აფასებენ. საბოლოოდ, მიუხედავად ინჟინრული და სისტემური სირთულეებისა, 3D სტრუქტურა უპირატესია 2D-ზე, რადგან სწორედ თავისი სირთულითა და მასშტაბით გაცილებით მეტად ემსგავსება ნამდვილ ტვინს.
AI და OI: სილიციუმიდან ბიოლოგიურ სუბსტრატამდე
ხელოვნური და ორგანოიდული ინტელექტის შედარება სამეცნიერო საზოგადოებაში მუდმივი განჯის საგანია, რადგან ორივე წარმოადგენს სისტემას, რომელიც ინფორმაციას სწავლობს და ინახავს; თუმცა ორივე სახის ინტელექტს ინფორმაციის დასწავლის განსხვავებული გზა აქვს. ამ სხვაობის მთავარი მიზეზია განსხვავებული აპარატურა (Hardware), რომლიდანაც გამომდინარეობს პროგრამული უზრუნველყოფის (software) თავისებურებები.
ხელოვნური ინტელექტი იყენებს სისტემურ უზრუნველყოფას იმისათვის, რომ მიბაძოს ნერვულ ქსელებს, როდესაც OI იყენებს ნამდვილ ნეირონებს. შესაბამისად, ის, რასაც AI ცდილობს მიაღწიოს, OI-ს ბუნებრივად აქვს.
ხელოვნურ ქსელებში ოპერაციები ელექტროქიმიური სიგნალების მაგივრად სრულდება მათემატიკური გარდაქმნებით. ეს უკანასკნელნი ხორციელდება სილიციუმის ჩიპზე არსებული ტრანზისტორების საშუალებით. სწორედ ეს ტრანზისტორები წარმოადგენენ იმ ფიზიკურ „მუშახელს“, რომელიც მიკროსკოპულ მასშტაბზე ასრულებს საჭირო მათემატიკურ მოქმედებებს. თუმცა, პროგრამული თვალსაზრისით ეს გამოთვლები ცალკეული ტრანზისტორებით კი არ აღიწერება, არამედ გაერთიანებულია უფრო დიდ ვირტუალურ ბლოკებად. ამგვარად, ხელოვნური ნეირონული ქსელის საფუძვლია გამოთვლითი ერთეული, რომელიც „ნოდების“ (nodes) სახელითაა ცნობილი. თითოეული ასეთი ერთეული იღებს რიცხვებით აღწერილ ინფორმაციას, ამუშავებს და აგზავნის შემდეგ ერთეულებამდე. შესაბამისად, ნოდი შეგვიძლია მივიჩნიოთ ნეირონის არაფიზიკურ ანალოგიად. ზემოთ აღწერილი მოვლენის მრავალჯერადი გამეორება ქმნის კომპლექსურ სტრუქტურას, რომელსაც შეუძლია მონაცემებში არსებული კანონზომიერების ამოცნობა (მაგალითად, ფოტოზე ამოიცნოს კატა). აქედან გამომდინარე, ხელოვნურ ნერვულ ქსელებში ფუნქციები გაყოფილია აპარატულ (ტრანზისტორი) და პროგრამულ დონეებზე (ნოდი). ბიოლოგიურ ნერვულ ქსელებში ზემოხსენებული ორი დანიშნულება გაერთიანებულია ცოცხალ უჯრედში, რომელიც ასრულებს ფიზიკურ და ლოგიკურ სამუშაოებს. მოცემული ფუნქციური გადანაწილების განსხვავება პირდაპირ უკავშირდება იმას, თუ როგორ სწავლობს თითოეული სისტემა.
დასწავლა ხელოვნური ინტელექტის შემთხვევაში მათემატიკური კორექტირებაა. ხელოვნური ნეირონული ქსელი სწავლისას თავიდან ბოლომდე ეყრდნობა მათემატიკურ ალგორითმებს, მაგალითად, ,,უკუგავრცელების მეთოდს’’ (Backpropagation). როდესაც AI უშვებს შეცდომას (მაგალითად, კატის ფოტოს აღიქვამს ძაღლად), კომპიუტერი ითვლის შეცდომის კოეფიციენტს და უკან აგზავნის სიგნალს. ამ დროს პროცესორში არსებული მილიარდობით ტრანზისტორი ასრულებს უსწრაფეს მათემატიკურ გამოთვლებს, რათა ხელახლა განისაზღვროს და შეიცვალოს ნოდებს შორის კავშირის წონა (მნიშვნელობა). ღრმა ნეირონული ქსელის დასასწავლად საჭირო მაგალითების რაოდენობა მოდელსა და ამოცანაზეა დამოკიდებული. შესაბამისად, წონების შეცვლით AI სწავლობს, თუ რომელ დეტალს მიაქციოს ყურადღება და რომელი უგულებელყოს. მრავალჯერადი შესწორების შედეგად, სისტემა ამცირებს დახარისხების შეცდომას და უკეთ არჩევს იმ ნიშნებს, რომლებიც კატას ძაღლისგან განასხვავებს. ბიოლოგიურ ნეირონულ ქსელში დასწავლისთვის მათემატიკური ფორმულა და პროგრამული კოდი არ არის საჭირო. აქ მოქმედებს ნეიროპლასტიკურობა. როდესაც ცოცხალი ორგანიზმი შეიმეცნებს რაღაც ახალს, ნეირონები ფიზიკურად პასუხობენ (წარმოქმნიან/ აძლიერებენ კავშირებს). სწორედ ამ ფიზიკური შეგუების უნარის (ნეიროპლასტიკურობის) გამო ცოცხალ სისტემას არ სჭირდება მილიონობით კატის ფოტოს ნახვა, რათა იგი გაარჩიოს ძაღლისგან.
მოვალეობების ამდაგვარი გადანაწილება (აპარატულ და პროგრამულ დონეებად) აისახება კიდევ ერთ უმნიშვნელოვანეს საკითხზე – ენერგოეფექტურობაზე. როდესაც ხელოვნური ინტელექტი სწავლობს, ამუშავებს ინფორმაციას, პროცესორში მილიარდობით ტრანზისტორი ხურდება, რადგან მათემატიკური ოპერაციების შესრულება მოითხოვს ენერგიას. დიდი AI მოდელების გასაწვრთნელად საჭიროა გიგანტური მონაცემთა ცენტრები, რომლებიც მეგავატობით ელექტროენერგიას მოიხმარს და ამასთანავე იმდენ სითბოს გამოყოფს, რომ განსაკუთრებული წყლის გამაგრილებელ სისტემებს საჭიროებენ. ბიოლოგიური სისტემა კი საპირისპირო სურათს გვაძლევს. მიუხედავად იმისა, რომ ადამიანის ტვინი შეიცავს 86 მილიარდ ნეირონს და ტრილიონობით ნეირონულ კავშირებს, იგი მუშაობს 20 ვატის სიმძლავრით – ეს არის იმაზე ნაკლები ენერგია, რაც სუსტი ნათურის ანთებას დასჭირდებოდა.
ხელოვნური ინტელექტის აპარატურა შედგება სილიციუმის მიკროჩიპისა და მილიარდობით სილიციუმის ტრანზისტორისგან. სილიციუმის გამოყენება უკავშირდება მრავალ მიზეზს. მაგალითად, სილიციუმი არც სუფთა გამტარია (როგორც სპილენძი) და არც სუფთა იზოლატორი (როგორც შუშა); შესაბამისად, ქიმიური მინარევების დამატებით ჩვენ შეგვიძლია ვმართოთ მისი ელექტროგამტარობა. ეს თვისება საშუალებას გვაძლევს შევქმნათ ტრანზისტორები, რომლებიც მუშაობენ როგორც მიკროსკოპული ჩამრთველები. ასევე, AI მოდელების მუშაობისას ჩიპები ხურდება, ხოლო სილიციუმი უძლებს მაღალ ტემპერატურას და არ კარგავს მარტივად თავის ელექტრულ თვისებებს. ცალკე, სილიციუმი დედამიწის ქერქში ერთ-ერთი ყველაზე გავრცელებული ელემენტია (ჟანგბადის შემდეგ). ათწლეულების განმავლობაში, სილიციუმის ჩიპების ზომები მცირდებოდა, რაც მათ უფრო სწრაფსა და იაფს ხდიდა. ორიათასიანი წლების დასაწყისში ტრანზისტორები იმდენად მცირე ზომამდე დაიყვანეს, რომ ფიზიკურ ზღვრამდე მივიდნენ. ტრანზისტორები იმდენად პატარა და წვრილი გახდა, რომ დენმა გაჟონვა დაიწყო. მაინც რა ზომის უნდა იყოს ტრანზისტორი, რომ კვანტური ფიზიკის კანონები ამოქმედდეს?
სილიციუმის არქიტექტურის ამ შეზღუდვების საპასუხოდ განიხილება 3D სისტემის ე.წ. Wetware-ის – ბიოლოგიური აპარატურის – გამოყენება, რომელიც გამოთვლით სისტემას ადაპტაციურ ბიოლოგიურ სუბსტრატს მატებს. 3D ორგანოიდი ინფორმაციას ფიზიკური ადაპტაციის უნარით ამუშავებს, სწავლობს და ინახავს, თანაც ამისთვის დიდი AI მოდელების დასწავლისთვის დამახასიათებელი მეგავატური ენერგომოხმარება არ სჭირდება; მიკროპროცესორები და ალგორითმები ორგანოიდთან ინფორმაციის მიმოცვლასა და დახურული უკუკავშირის მუშაობას უზრუნველყოფენ. მიუხედავად ყოველივე ზემოხსენებულისა, OI არ არის დამოუკიდებელი სისტემა. ორგანოიდი საჭიროებს დასასწავლად უკუკავშირის სისტემას (closed-loop feedback) გარე სამყაროდან. სწორედ AI ასრულებს ამ როლს: იგი მეყსეულად იღებს (ელექტროფიზიოლოგიური ინტერფეისის (MEAs) საშუალებით) ორგანოიდიდან წამოსულ სიგნალებს, აანალიზებს და აწვდის საპასუხო სტიმულაციას ბიოლოგიურ სუბსტრატს.
შესაძლოა გაჩნდეს კითხვა, თუ მაინც ვიყენებთ AI-ს, რა საჭირო იყო ბიოლოგიური სისტემის დამატება? პასუხი მარტივია: ხელოვნური ინტელექტის მთავარი პრობლემა უზარმაზარი ენერგიის ხარჯვაა ინფორმაციის ათვისების (სწავლის) დროს; ხოლო მონაცემების წაკითხვა და ზედაპირული ანალიზი ჩიპებისთვის ძალიან მარტივი და ენერგიულად იაფია. ჰიბრიდულ სისტემაში ორგანოიდი დასწავლისა და ადაპტაციური დამუშავების ბიოლოგიურ ნაწილს ასრულებს და ამ მხრივ სილიციუმურ სისტემებთან შედარებით მაღალი ენერგოეფექტურობის შესაძლებლობა აქვს; სილიციუმური ნაწილები კი სიგნალების ჩაწერას, ანალიზსა და უკუკავშირის მართვას უზრუნველყოფენ.
საბოლოოდ, OI გვევლინება, როგორც ჰიბრიდული პროდუქტი ხელოვნური ინტელექტისა და ბიოლოგიური სისტემისა. OI არ არის ხელოვნური ინტელექტის ჩამნაცვლებელი, არამედ ბიოლოგიური სუბსტრატისა (Wetware) და სილიციუმის AI-ს ევოლუციური სიმბიოზია.
ორგანოიდული ინტელექტის ალტერნატიული გამოყენება: ნეირომედიცინის სამომავლო პოტენციალი
ორგანოიდული ინტელექტს, რთული გამოთვლების გარდა, აქვს უნარი, რომ გამოიყენებოდეს ნეიროდეგენერაციული დაავადებების შესასწავლად.
დღეს თანამედროვე კვლევებში 3D ორგანოიდების მოდელებს ხშირად იყენებენ ხელოვნურ ინტელექტთან ერთად მონაცემთა ანალიზისა და დაავადებების მოდელირებისათვის, თუმცა ეს თავისთავად არ წარმოადგენს ორგანოიდულ ინტელექტს (OI). ასეთ სისტემებში ორგანოიდები ძირითადად ასრულებენ ბიოლოგიური მოდელის როლს, რომელიც ასახავს ადამიანის ქსოვილებისა და დაავადებების გარკვეულ მახასიათებლებს; ხოლო ხელოვნური ინტელექტის ალგორითმები, ტრადიციულ უჯრედულ კულტურებსა ან ცხოველებზე ტესტირებაზე დაყრდნობის ნაცვლად, აანალიზებს ორგანოიდებში ელექტრულ აქტივობასა და სტრუქტურულ ცვლილებებს. ეს საშუალებას აძლევს მეცნიერებს შეაფასონ პრეპარატების შედეგიანობა და მომწამვლელობა ადამიანის ქსოვილთან მეტად მიახლოებულ მოდელში და შეისწავლონ პაციენტზე მორგებული მკურნალობის შესაძლო პასუხები. მსგავს კვლევებს შორის ერთ-ერთ ყველაზე თვალსაჩინო და წარმატებულ მაგალითს ალცჰაიმერის დაავადების შესწავლა წარმოადგენს.
ალცჰაიმერის შესასწავლად ისტორიულად იყენებდნენ პოსტმორტემ ქსოვილს, ცხოველურ მოდელებსა და სხვადასხვა სახის უჯრედულ კულტურებს. ამ მოდელებში ადამიანის ასაკთან დაკავშირებული პათოლოგიური მოვლენების სრულად გამეორება რთული იყო.
ყველაფერი კი პლურიპოტენტური უჯრედების მიღებით შეიცვალა. ალცჰაიმერით დაავადებული ადამიანისგან იღებდნენ კანის ან სისხლის უჯრედებს, რომლებსაც გენეტიკურად მოდიფიცირების შედეგად გარდაქმნიდნენ პლურიპოტენტურ ღეროვან უჯრედებად (iPSCs). პაციენტის iPSC-დან მიღებულ 3D ორგანოიდებში შესაძლებელია მისი გენეტიკური ფონის შენარჩუნება და ალცჰაიმერის გარკვეული მახასიათებლების – მათ შორის ამილოიდური და ტაუ-პათოლოგიის – მოდელირება.
თავად ალცჰაიმერის დაავადებას განაპირობებს რამდენიმე მიზეზი, მაგალითად ამილოიდ ბეტა აგრეგაცია. ამილოიდური ცილა (APP) ტრანსმემბრანული ცილაა, რომლის დანიშნულება ნეიროპლასტიკურობის მოწესრიგება და სინაფსური კავშირების დამყარებაა. მოცემული ცილა ალფა სეკრეტაზას მეშვეობით, საჭიროების მიხედვით, იჭრება ნაწილებად; ხოლო ბეტა და გამა სეკრეტაზები APP-ს ჭრიან ამილოიდ-ბეტა პეპტიდებად, რომლებიც შეიძლება გაერთიანდნენ ოლიგომერებად, ფიბრილებად და უჯრედგარე ამილოიდურ ბალთებად. ეს უკანასკნელნი გროვდებიან ნეირონებს შორის და ხელს უშლიან უჯრედულ კავშირს, რაც საბოლოოდ იწვევს ტვინის ატროფიას.
ასევე, ზემოხსენებული ამილოიდური ბალთები აღიზიანებენ მეზობელ ნეირონებს და იწვევენ ანთებით პასუხს. ამ დროს აქტიურდება ენზიმები – კინაზები, რომლებიც იწვევენ ტაუ ცილის ჰიპერფოსფორილირებას. ტაუ არის ცილა, რომელიც მიკროტუბულებს (სტრუქტურული ერთეული) აწესრიგებს ნეირონის შიგნით. ჰიპერფოსფორილირებული ტაუ კი შორდება მიკროტუბულებს, არასწორად იკეცება და იგორგლება (NFTs). NFT, თავის მხრივ, აზიანებს მეზობელ უჯრედებს და იწვევს მათ სიკვდილს. მეცნიერებმა მოცემული პათოლოგიების აღმოსაფხვრელად ტვინის ორგანოიდზე ორი სახის პრეპარატი გამოცადეს, ბეტა და გამა სეკრეტაზათა ინჰიბიტორები. ამ მოდელებში ბეტა და გამა-სეკრეტაზების ინჰიბიტორების გამოყენებამ შეამცირა როგორც ამილოიდ-ბეტას დაგროვება, ისე ტაუ-პათოლოგია, რაც ამილოიდურ და ტაუ პროცესებს შორის კავშირზე მიუთითებს. ამასთან, ტაუ-პათოლოგია სხვა პირობებში ამილოიდ-ბეტასგან დამოუკიდებლადაც შეიძლება განვითარდეს.
3D ტვინის ორგანოიდებს იყენებენ, დეგენერაციული დაავადებების გარდა, ნეიროგანვითარების აშლილობის (აუტიზმი), სიმსივნის, ევოლუციური მოვლენებისა და ადამიანის კოგნიტური შესაძლებლობების შესასწავლად.
ტრადიციული 3D მოდელებისგან განსხვავებით, რომლებიც პოსტ-ჰოკ ანალიზს ეყრდნობა, ორგანოიდული ინტელექტის (OI) ცნება მიზნად ისახავს დახურული უკუკავშირის სისტემის შექმნას. ეს მიდგომა რევოლუციური იქნება ნეიროდეგენერაციული დაავადებების შესასწავლად, ვინაიდან შესაძლებელს გახდის, ისეთი განვითარებადი მოვლენები, როგორებიცაა ამილოიდ-ბეტა აგრეგაცია და ტაუ ცილის დისრეგულაცია, არა მხოლოდ შევნიშნოთ, არამედ ნამდვილ დროში ვმართოთ კიდეც. ნაცვლად იმისა, რომ ველოდოთ უჯრედების სტრუქტურულ სიკვდილს, OI-ს შეეძლება მყისიერად აღიქვას ფუნქციური ხარვეზები – სიგნალის გადაცემის სიჩქარისა და სინაფსური პლასტიკურობის ვარდნა – როგორც კი ტოქსიკური ბალთების წარმოქმნა დაიწყება. უფრო მეტიც, დახურული უკუკავშირის წყალობით, სისტემა შეძლებს საპასუხო ელექტრული ან ოპტოგენეტიკური (ცოცხალ ორგანიზმებში ნეირონების აქტივობის სინათლით სამართავად) სტიმულაციით თავად „გამოცადოს“ ნეირონული ქსელი. OI წამლის (მაგალითად, სეკრეტაზას ინჰიბიტორის) შეყვანისას შეძლებს, უმოკლეს დროში გაზომოს აღდგება თუ არა ბიოკომპიუტერის გამოთვლითი და სიგნალის გატარების უნარი.
შედეგად, OI შეიძლება იქცეს ერთიან, მორგებად სისტემად, რომელიც მომავალში გააერთიანებს დაავადების მოდელირებას, წამლის შემოწმებასა და ბიოლოგიურ გამოთვლით მოვლენებს.
ბოლოთქმა
ორგანოიდული ინტელექტი (OI) ხელოვნური ინტელექტის ჩამნაცვლებელი ან საწინააღმდეგო კი არაა, არამედ მისი ინოვაციური გაგრძელებაა. წინამდებარე სტატიაში განხილული ხელოვნური ინტელექტის სილიციუმის არქიტექტურულმა შეზღუდვებმა ადამიანები აიძულა, არა უბრალოდ ეპოვათ ჩამნაცვლებელი ელემენტი ან მოწყობილობა, არამედ შეექმნათ ახალი ჰიბრიდული სისტემა, რომელიც გააერთიანებდა თანამედროვე ხელოვნურ ინტელექტსა და ბიოლოგიურ, ცოცხალ სტრუქტურას. სტატიაში განხილული ფიზიკური, ბიოლოგიური და ინჟინრული საფუძვლები ცხადყოფს, რომ OI-ს ნამდვილი ძალა არა ხელოვნურ ინტელექტთან წინააღმდეგობაში, არამედ მათ სიმბიოზურ კავშირშია. მოცემული ჰიბრიდული სისტემა ენერგოეფექტურობის გაუმჯობესების შესაძლებლობას ქმნის და კვლევის ორ მიმართულებას აერთიანებს: ერთი მხრივ, ბიოლოგიური გამოთვლის განვითარებას, ხოლო, მეორე მხრივ, ნეიროდეგენერაციული დაავადებების მოდელირებისა და ზუსტი მედიცინის კვლევას. საბოლოო ჯამში, ცოცხალი უჯრედების ჩართვამ თანამედროვე ხელოვნური ინტელექტის არქიტექტურაში მიგვიყვანა ტვინის საკვლევი ობიექტიდან გამოთვლით სისტემამდე.
ბიბლიოგრაფია
Zhao, Y., T. Wang, J. Liu, Z. Wang, and Y. Lu. “Emerging Brain Organoids: 3D Models to Decipher, Identify, and Revolutionize Brain.” Bioactive Materials 47 (2025): 378–402. https://doi.org/10.1016/j.bioactmat.2025.01.025
Zhang, Shun, et al. “Vascularized Organoids on a Chip: Strategies for Engineering Organoids with Functional Vasculature.” Lab on a Chip 21, no. 3 (2021): 473–488. https://pmc.ncbi.nlm.nih.gov/articles/PMC8283929/
Wang, Lihong, et al. “From Cells to Organoids: Approaches, Regulatory Mechanisms, Applications, and Challenges of Organoids.” Cells 14, no. 23 (2025): 1898. https://www.mdpi.com/2073-4409/14/23/1898
Qian, Shutong, et al. “Stem Cells for Organoids.” Smart Medicine 1, no. 1 (2022): e20220007. https://onlinelibrary.wiley.com/doi/10.1002/SMMD.20220007
Kang, R., et al. “Electrophysiological Insights with Brain Organoid Models: A Brief Review.” BMB Reports 57, no. 7 (2024): 311–317. https://www.bmbreports.org/journal/view.html?doi=10.5483/BMBRep.2024-0077
Balkhair, Omar, and Halima Albalushi. “Artificial Intelligence in Organoid-Based Disease Modeling: A New Frontier in Precision Medicine.” Biomimetics 10, no. 12 (2025): 845. https://pmc.ncbi.nlm.nih.gov/articles/PMC12730694/
Smirnova, Lena, and Thomas Hartung. “The Promise and Potential of Brain Organoids.” Advanced Healthcare Materials 13, no. 21 (2024): e2302745. https://doi.org/10.1002/adhm.202302745
Hartung, Thomas, Itzy E. Morales Pantoja, and Lena Smirnova. “Brain Organoids and Organoid Intelligence from Ethical, Legal, and Social Points of View.” Frontiers in Artificial Intelligence 6 (2024): 1307613. https://www.frontiersin.org/articles/10.3389/frai.2023.1307613/full
Shi, Huaiyu, et al. “Organoid Intelligence: Integration of Organoid Technology and Artificial Intelligence in the New Era of In Vitro Models.” Medicine in Novel Technology and Devices 21 (2024): 100276. https://doi.org/10.1016/j.medntd.2023.100276.
Choi, J. S., et al. “Recent Advances in Three-Dimensional Microelectrode Array Technologies for In Vitro and In Vivo Cardiac and Neuronal Interfaces.” Biosensors and Bioelectronics 171 (2021): 112687. https://doi.org/10.1016/j.bios.2020.112687.
Han, S. H., et al. “Artificial Neural Network: Understanding the Basic Concepts without Mathematics.” Dementia and Neurocognitive Disorders 17, no. 3 (2018): 83–89. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6144865/
Souza, Bryan C., Vítor Lopes-dos-Santos, João Bacelo, and Adriano B. L. Tort. “Spike Sorting with Gaussian Mixture Models.” Scientific Reports 9 (2019): 3627. https://www.nature.com/articles/s41598-019-39986-6.
Hua, Sihan, et al. “Microelectrode Arrays Cultured with In Vitro Neural Networks for Motion Control Tasks: Encoding and Decoding Progress and Advances.” Microsystems & Nanoengineering 11 (2025): 233. https://www.nature.com/articles/s41378-025-01046-7.
Morales Pantoja, Itzy E., et al. “First Organoid Intelligence (OI) Workshop to Form an OI Community.” Frontiers in Artificial Intelligence 6 (2023): 1116870. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2023.1116870/full.