Model Otak Biomimetik: Belajar Mirip Hewan, Ungkap Misteri Baru

Memahami Otak: Model Komputasi Revolusioner untuk Penemuan Baru

Sebuah terobosan signifikan dalam bidang neurosains dan komputasi telah dicapai oleh tim ilmuwan dari Dartmouth College, MIT, dan State University of New York at Stony Brook. Mereka berhasil mengembangkan model komputasi otak yang sangat mirip dengan biologi dan fisiologi aslinya. Model inovatif ini tidak hanya mampu mempelajari tugas kategori visual sederhana dengan tingkat keberhasilan yang setara dengan hewan percobaan, tetapi juga membuka jalan bagi penemuan penting mengenai aktivitas sekelompok neuron yang sebelumnya luput dari perhatian para peneliti yang bekerja dengan hewan.

Yang menarik, model ini mencapai semua prestasi tersebut tanpa pernah dilatih menggunakan data dari eksperimen hewan. Sebaliknya, ia dirancang dari awal untuk secara akurat merepresentasikan bagaimana neuron saling terhubung dalam sirkuit dan kemudian berkomunikasi secara elektrik dan kimiawi di seluruh wilayah otak untuk menghasilkan kognisi dan perilaku. Ketika tim peneliti meminta model ini untuk melakukan tugas yang sama dengan yang mereka berikan kepada hewan (yaitu, melihat pola titik dan memutuskan masuk kategori mana dari dua kategori yang lebih besar), hasilnya sangat mengejutkan. Model tersebut menunjukkan aktivitas saraf dan perilaku yang sangat mirip, bahkan menguasai keterampilan tersebut dengan progres yang hampir sama erratiknya seperti yang ditunjukkan oleh hewan.

Richard Granger, seorang profesor psikologi dan ilmu otak di Dartmouth serta penulis senior studi baru di Nature Communications yang menjelaskan model ini, menyatakan, “Model ini menghasilkan plot simulasi aktivitas otak baru yang kemudian baru dibandingkan dengan hewan laboratorium. Fakta bahwa mereka cocok secara mencolok seperti itu sungguh mengejutkan.” Keberhasilan ini menunjukkan potensi besar model komputasi dalam mereplikasi kompleksitas otak biologis, membuka babak baru dalam penelitian neurosains di tingkat global, termasuk di Indonesia, di mana penelitian sejenis dapat diinspirasi.

Mengapa Model Ini Penting? Dari Penemuan hingga Pengobatan

Salah satu tujuan utama dalam menciptakan model ini, dan iterasi yang lebih baru yang telah dikembangkan sejak makalah ini ditulis, adalah tidak hanya untuk menawarkan wawasan tentang bagaimana otak bekerja, tetapi juga bagaimana ia mungkin bekerja secara berbeda dalam kondisi penyakit dan intervensi apa yang dapat memperbaiki aberasi tersebut. Demikian disampaikan oleh salah satu penulis, Earl K. Miller, Picower Professor di The Picower Institute for Learning and Memory di MIT. Miller, Granger, dan anggota tim peneliti lainnya telah mendirikan perusahaan Neuroblox.ai untuk mengembangkan aplikasi bioteknologi dari model-model ini.

Lilianne R. Mujica-Parodi, seorang profesor teknik biomedis di Stony Brook yang merupakan penyelidik utama proyek Neuroblox dan CEO perusahaan, menambahkan, “Idenya adalah untuk membuat platform pemodelan biomimetik otak sehingga Anda dapat memiliki cara yang lebih efisien untuk menemukan, mengembangkan, dan meningkatkan neuroterapi. Pengembangan dan pengujian efikasi obat, misalnya, dapat terjadi lebih awal dalam prosesnya, pada platform kami, sebelum risiko dan biaya uji klinis.” Implikasi dari inovasi ini sangat besar, terutama bagi negara-negara seperti Indonesia yang sedang giat mengembangkan sektor kesehatan dan teknologi. Dengan platform semacam ini, riset dan pengembangan obat-obatan untuk penyakit neurologis dapat dipercepat, potensi untuk membawa pengobatan yang lebih baik bagi masyarakat Indonesia menjadi lebih besar.

Membangun Model Biomimetik: Perpaduan Detail Kecil dan Arsitektur Besar

Model ini diciptakan oleh postdoc Dartmouth, Anand Pathak. Modelnya berbeda dari banyak model lainnya karena menggabungkan detail kecil, seperti bagaimana pasangan neuron individu saling terhubung, dan arsitektur skala besar, termasuk bagaimana pemrosesan informasi di seluruh wilayah dipengaruhi oleh bahan kimia neuromodulator seperti asetilkolin. Pathak dan timnya mengulang desain mereka untuk memastikan bahwa mereka mematuhi berbagai batasan yang diamati pada otak nyata, seperti bagaimana neuron menjadi tersinkronisasi oleh ritme yang lebih luas. Banyak model lain hanya berfokus pada skala kecil atau besar, tetapi tidak keduanya, katanya.

“Kami tidak ingin kehilangan pohon, dan kami tidak ingin kehilangan hutan,” kata Pathak. Metafora ini menekankan pendekatan komprehensif mereka dalam membangun model. “Pohon-pohon” metaforis, yang disebut “primitif” dalam studi, adalah sirkuit kecil yang terdiri dari beberapa neuron yang terhubung berdasarkan prinsip elektrik dan kimiawi sel nyata untuk melakukan fungsi komputasi fundamental. Sebagai contoh, dalam versi korteks otak model ini, satu desain primitif memiliki neuron eksitatori yang menerima input dari sistem visual melalui koneksi sinapsis yang dipengaruhi oleh neurotransmitter glutamat. Neuron eksitatori tersebut kemudian terhubung secara padat dengan neuron inhibitori dalam kompetisi untuk memberi sinyal agar mematikan neuron eksitatori lainnya – sebuah arsitektur “winner-take-all” yang ditemukan di otak nyata yang mengatur pemrosesan informasi.

Pada skala yang lebih besar, model ini mencakup empat wilayah otak yang diperlukan untuk tugas belajar dan memori dasar: korteks, batang otak, striatum, dan struktur neuron aktif tonik (TAN) yang dapat menyuntikkan sedikit “kebisingan” ke dalam sistem melalui ledakan asetilkolin. Misalnya, ketika model terlibat dalam tugas mengkategorikan pola titik yang disajikan, TAN pada awalnya memastikan beberapa variabilitas dalam bagaimana model bertindak atas input visual sehingga model dapat belajar dengan menjelajahi berbagai tindakan dan hasilnya. Seiring model terus belajar, sirkuit korteks dan striatum memperkuat koneksi yang menekan TAN, memungkinkan model untuk bertindak berdasarkan apa yang dipelajarinya dengan konsistensi yang meningkat.

Saat model terlibat dalam tugas pembelajaran, properti dunia nyata muncul, termasuk dinamika yang biasa diamati Miller dalam penelitiannya dengan hewan. Seiring pembelajaran berlangsung, korteks dan striatum menjadi lebih tersinkronisasi dalam pita frekuensi “beta” dari ritme otak, dan peningkatan sinkronisasi ini berkorelasi dengan saat-saat ketika model (dan hewan) membuat penilaian kategori yang benar tentang apa yang mereka lihat. Keselarasan yang mencengangkan ini menunjukkan validitas model dalam mereplikasi kompleksitas fungsi otak.

Mengungkap Neuron “Inkongruen”: Penemuan Tak Terduga

Namun, model ini juga menyajikan kepada para peneliti sekelompok neuron—sekitar 20 persen—yang aktivitasnya tampak sangat prediktif terhadap kesalahan. Ketika neuron yang disebut “inkongruen” ini memengaruhi sirkuit, model akan membuat penilaian kategori yang salah. Pada awalnya, Granger mengatakan, tim mengira itu adalah keanehan dari model. Tetapi kemudian mereka melihat data otak nyata yang dikumpulkan laboratorium Miller ketika hewan melakukan tugas yang sama.

“Baru kemudian kami kembali ke data yang sudah kami miliki, yakin bahwa ini tidak mungkin ada di sana karena seseorang pasti sudah membicarakannya, tetapi itu ada di sana, dan itu tidak pernah diperhatikan atau dianalisis,” katanya. Penemuan ini menunjukkan bahwa model komputasi dapat menjadi alat yang ampuh untuk mengeksplorasi kembali data lama dengan perspektif baru, membuka potensi penemuan tersembunyi yang mungkin terlewatkan oleh analisis konvensional.

Miller mengatakan sel-sel yang kontraintuitif ini mungkin memiliki tujuan: sangat baik untuk mempelajari aturan suatu tugas, tetapi bagaimana jika aturan berubah? Mencoba alternatif dari waktu ke waktu dapat memungkinkan otak untuk menemukan serangkaian kondisi baru yang muncul. Memang, laboratorium Picower Institute yang terpisah baru-baru ini menerbitkan bukti bahwa manusia dan hewan lain terkadang melakukan ini. Konsep fleksibilitas dan adaptasi ini sangat relevan dalam konteks perkembangan kognitif dan neurologis, memberikan wawasan baru tentang bagaimana otak menghadapi ketidakpastian.

Masa Depan Model Otak: Pengembangan dan Aplikasi Luas

Meskipun model yang dijelaskan dalam makalah baru ini berkinerja di luar ekspektasi tim, Granger mengatakan bahwa tim telah memperluasnya untuk membuatnya cukup canggih untuk menangani berbagai tugas dan keadaan yang lebih besar. Misalnya, mereka telah menambahkan lebih banyak wilayah dan bahan kimia neuromodulator baru. Mereka juga telah mulai menguji bagaimana intervensi seperti obat-obatan memengaruhi dinamikanya. Ini membuka peluang besar untuk pengembangan neuroterapi yang lebih tepat dan efektif, sebuah bidang yang sangat dibutuhkan di seluruh dunia, termasuk di Indonesia yang memiliki prevalensi penyakit neurologis yang cukup tinggi.

Selain Granger, Miller, Pathak, dan Mujica-Parodi, penulis lain dari makalah ini adalah Scott Brincat, Haris Organtzidis, Helmut Strey, Sageanne Senneff, dan Evan Antzoulatos. Penelitian ini didukung oleh Baszucki Brain Research Fund, Amerika Serikat, Office of Naval Research, dan Freedom Together Foundation. Dengan kemajuan teknologi ini, masa depan penelitian otak dan aplikasi medisnya tampak semakin cerah. Model ini tidak hanya menjanjikan pemahaman yang lebih dalam tentang misteri otak manusia, tetapi juga alat revolusioner dalam upaya menemukan pengobatan yang lebih baik untuk berbagai kondisi neurologis yang kompleks.