Graphen kann den Schlüssel zum Verbinden unserer Gehirne mit Maschinen enthalten

Ihr Gehirn ist ein Schwarm elektrischer Aktivität - Signale werden ausgelöst, Datenströme. Es ist auch eine schwarze Kiste voller Chaos. Die besten Möglichkeiten, Ihre Neuronen an Geräte und Computer anzuschließen, waren bisher nur in der Lage, große Bereiche von Neuronen zu überblicken und einen breiten Konsens darüber zu erzielen, was sie antreiben. Ein offensichtlicher Durchbruch in der Graphen-Technologie bietet jedoch die Hoffnung, dass wir uns vielleicht daran beteiligen könnten einzelne neuronale Signale in einer bestehenden biologischen Umgebung mit großen Auswirkungen auf Prothesen, Lernen und die Erhaltung der psychischen Gesundheit.

Ein Forscherteam aus Spanien, Italien und Großbritannien hat gezeigt, dass Graphen erfolgreich mit Neuronen in Kontakt treten kann und ein elektrisches Signal von ihnen übertragen kann. Diese Arbeit baut auf früheren Bemühungen auf, bei denen Graphen mit Peptiden beschichtet wurde, um die neuronale Adhäsion zu fördern, und zeigte, dass eine solche Beschichtung nicht erforderlich ist. Im Gegensatz zu früheren Versuchen und anderen Technologien löste diese Arbeit kein Narbengewebe aus, was im Laufe der Zeit andere Implantate unbrauchbar machte. Auch diese Version mit unbehandeltem Graphen weist ein hohes Signal-Rausch-Verhältnis auf, wodurch sie für biologische Anwendungen praktischer wird.

Die ersten Ziele dieser Arbeit sind die Behandlung von Parkinson. Vorhandene neuronale Schnittstellentechnologien lesen die Ausgabe eines Neurons und übersetzen sie in etwas anderes. Es ist zu hoffen, dass durch die direkte Schnittstelle mit Neuronen diese Arbeit verwendet werden kann, um das Signal zu stören. Da es bei Parkinson nicht möglich ist, neuronale Signale zu unterbinden, könnte eine Technologie, die fremde Signale künstlich blockieren kann, dieses Problem lösen. Es wird davon ausgegangen, dass bestehende implantierbare Elektroden auf diese Weise funktionieren: durch unspezifische Aussendung elektrischer Impulse, die diese unangemessenen Signale stören. Die Auflösung einzelner Neuronen könnte weitaus mehr Kontrolle bieten.

Graphen ist ein ideales Material für die biologische Schnittstelle: Es ist flexibel, stabil und biokompatibel. Da es auch in der Lage ist, elektrische Ladung zu transportieren, hat es das Interesse von Forschern an neuronalen Anwendungen geweckt.

Graphen ist stark, aber ist es hart? http://t.co/uUfeb1h0oN @ENERGY #MaterialsScience pic.twitter.com/BippvPpK7C

- Berkeley Lab (@BerkeleyLab) 22. Februar 2016

Die vorhandene neuronale Schnittstellentechnologie neigt dazu, ein gesamtes Neuronenfeld unter Verwendung einer Anordnung von Elektroden auszuwerten (wie beispielsweise das jüngste Beispiel, das zur Steuerung einzelner Finger verwendet wurde). Obwohl dies bei manchen Einstellungen nützlich sein kann, kann es schwierig sein, die Ausgabe vieler, vieler Neuronen zu durchlaufen, um das gewünschte Signal zu finden. Aber gehen Sie auf die Auflösung der Schnittstelle mit einzelnen Neuronen über, und das Potenzial ist eine beispiellose Kontrolle - mit allen möglichen Möglichkeiten für neurale Prothese.

Sie benötigen immer noch einen ausgeklügelten Mechanismus, um sicherzustellen, dass nur die entsprechenden Neuronen kontaktiert werden. Sie müssen herausfinden, welches Signal von woher kommt. und Sie müssen diese Kakophonie von Signalen übersetzen.

Das Implantieren der Elektroden kann auch schwierig sein. Bestehende Technologien tauchen Elektroden in das Hirngewebe ein und beschädigen dabei gewissermaßen gewisse Verbindungen. Da es sich bei dieser Technologie nur um Feldaufnahmen handelt, ist der Schaden einiger Neuronen nicht problematisch. Wenn das Ziel darin besteht, mit einzelnen Neuronen in Kontakt zu treten, könnte dies ein erhebliches Problem darstellen.

Außerdem muss das System möglicherweise kalibriert werden. Das Timing und die Stärke neuronaler Signale sind von entscheidender Bedeutung. Normalerweise kalibriert sich Ihr Gehirn. Wenn Sie beispielsweise einen Baseballschläger schwingen, senden Sie positives oder negatives Feedback, um die Verbindungen zu verstärken und genau die richtige Kraft und Richtung zu verwenden. Wenn Sie diese Dinge manuell in einem System korrigieren müssten, das sich nicht selbst korrigiert, kann dies zu einer Herausforderung werden. (Es ist erwähnenswert, dass das Gehirn sehr gut darin ist, „plastisch“ zu sein und sich anzupassen, so dass es möglicherweise sein eigenes Problem löst, indem es einfach seine eigene Leistung aufgrund Ihrer Reaktionen moduliert.)

Diese Arten von Problemen sind jedoch technische Probleme und nicht unmöglich zu lösen. Sobald diese Herausforderungen gelöst sind, könnte die Fähigkeit, mit einzelnen Neuronen zu interagieren, sehr groß sein. Beispielsweise erkennen „Zufallsdetektoren“ in Ihrem Gehirn ankommende neuronale Impulse von mehr als einem Neuron. Wenn das Timing der Eingabe von beiden nahe genug ist, wird im Koinzidenzdetektor selbst ein Impuls ausgelöst. Dieser Mechanismus wird in mehreren Kontexten verwendet, von denen einer das Lernen ist.

Da dieser Mechanismus bei der Verknüpfung verschiedener neuronaler Ereignisse hervorragend ist, können sie dazu verwendet werden, Konzepte zu entwickeln, die entfernte Teile des Gehirns miteinander verbinden, und so eine neue Idee zu erlernen. Wenn dieser Prozess manuell gesteuert werden könnte, kann man sich einen Matrix-artigen Lernstil vorstellen, bei dem die Koinzidenzdetektoren manuell ausgelöst werden, um verschiedene Konzepte zu verknüpfen und einen Gedanken zu erstellen, ohne jemals einen Klassenraum betreten zu müssen. Kurzfristig wird das Blockieren unangemessener Signale in Parkinsons jedoch weitaus weniger schwierig sein. Suchen Sie nach Graphen, um glatte Bewegungen zu bewahren - bevor Sie Erinnerungen später leichter aufzeichnen können.