Grafen kan holde nøglen til at forbinde vores hjerner til maskiner

Din hjerne er en bikube af elektrisk aktivitet - signaler skyder, data streaming. Det er også en sort boks med totalt kaos. Indtil nu har de bedste måder at koble dine neuroner til enheder og computere kun været i stand til at undersøge brede skår af neuroner og tage en bred enighed om, hvad de kører på. Men et tilsyneladende gennembrud i grafenteknologi giver håb om, at vi måske kan klare os individuelle neurale signaler i en eksisterende biologisk indstilling med store forgreninger for prosteser, læring og bevarelse af mental sundhed.

Et team af forskere fra Spanien, Italien og Det Forenede Kongerige har vist, at grafen med succes kan interfere med neuroner og bære et elektrisk signal fra dem. Dette arbejde bygger på tidligere bestræbelser, hvor grafen blev overtrukket med peptider for at fremme neuronal adhæsion, og viste at sådan belægning er unødvendig. I modsætning til tidligere forsøg og andre teknologier udløste dette arbejde ikke arvæv, som med tiden har gjort andre implantater ubrugelige. Også denne version ved hjælp af ubehandlet grafen har et højt signal-støjforhold, der gør det mere praktisk til biologiske applikationer.

De første mål for dette arbejde er som behandling for Parkinsons. Eksisterende neurale grænsefladeteknologier læser output fra en neuron og oversætter det til noget andet. Ved direkte sammenkobling med neuroner, er det håbet, at dette arbejde kan bruges til at forstyrre signalet. Da Parkinsons er en manglende inhibering af neurale signaler, kan en teknologi, som kunstigt kan blokere fremmede signaler, løse dette problem. Det antages, at det her er, hvordan eksisterende implanterbare elektroder virker: ved ikke-specifikt udsendelse af elektriske impulser, der forstyrrer disse uhensigtsmæssige signaler. Individuel neuronopløsning kan give langt mere kontrol.

Graphene er et ideelt materiale til biologisk interface: Det er fleksibelt, stabilt og biokompatibelt. Fordi det også er i stand til at bære en elektrisk ladning, har det pikeret interesse for undersøgelser til brug i neurale applikationer.

Graphene er stærk, men er det svært? http://t.co/uUfeb1h0oN @ENERGY #MaterialsScience pic.twitter.com/BippvPpK7C

- Berkeley Lab (@BerkeleyLab) 22. februar 2016

Eksisterende neurale grænsefladeteknologi har tendens til at evaluere et helt område af neuroner ved hjælp af en række elektroder (såsom det nylige eksempel, der blev brugt til at styre individuelle fingre). Selv om dette kan være nyttigt i nogle indstillinger, kan det være vanskeligt at sejle gennem output fra mange, mange neuroner for at finde det signal, du ønsker. Men kom ned til opløsningen af ​​grænseflader med individuelle neuroner, og potentialet er hidtil uset kontrol - med alle mulige potentialer for neurale protese.

Du har stadig brug for en sofistikeret mekanisme for at sikre, at kun de relevante neuroner kontaktes; du må desentangle hvilket signal der kommer fra hvor; og du skal oversætte denne cacophony af signaler.

Implantering af elektroderne kan også være vanskelig. Eksisterende teknologier springer elektroder ind i hjernevæv og ødelægger næsten visse forbindelser undervejs. Fordi denne teknologi kun vedrører feltoptagelser, er skaden af ​​nogle få neuroner ikke problematisk. Hvis målet er at interfere med individuelle neuroner, kan dette være et væsentligt problem.

Endvidere må systemet muligvis "kalibreres". Timing og styrke af neurale signaler er kritisk vigtige. Normalt kalibrerer din hjerne sig selv. Når du praktiserer at svinge en baseballbat, sender du f.eks. Feedback, positivt eller negativt, for at styrke forbindelserne og bruge kun den rigtige mængde kraft og retning. Hvis du skulle manuelt justere disse ting i et system, der ikke er selvkorrekt, kan det gøre tingene mere udfordrende. (Det er værd at bemærke, at hjernen er meget god til at være "plastisk" og tilpasse sig selv, så det kan løse sit eget problem ved blot at modulere sin egen produktion baseret på dine reaktioner.)

Disse typer problemer er imidlertid tekniske problemer, og ikke umuligt at løse. Når disse udfordringer er løst, kan evnen til at interfere med individuelle neuroner være dybtgående. For eksempel "Påfaldsdetektorer" i din hjerne detekterer indkommende neurale impulser fra mere end et neuron. Hvis timingen af ​​input fra begge er tæt nok, vil den udløse en impuls i tilfældighedsdetektoren selv. Denne mekanisme anvendes er flere sammenhænge, ​​hvoraf den ene er ved at lære.

Fordi denne mekanisme er god til at forbinde forskellige neurale hændelser, kan de bruges til at opbygge koncepter, som broerer fjerne dele af hjernen sammen, og derfor lærer en ny ide. Hvis denne proces kunne styres manuelt, kan man forestille sig en Matrix-esque lærestilstand, hvor tilfældighedsdetektorer manuelt udløses for at forbinde forskellige begreber og at bygge en tanke uden nogen sinde at sætte fod i et klasseværelse. På kort sigt vil det dog være langt mindre vanskeligt at blokere uhensigtsmæssig signalering i Parkinson. Se efter grafen for at bevare glatte bevægelser først - før måske gør minder mere nemmere at erhverve senere.