در سال‌های اخیر، دانشمندان در تلاش بوده‌اند تا سلول‌های زنده را به رایانه‌ها تبدیل کنند. پتانسیل این مطالعه وجود دارد، چون سلول‌ها اطلاعات را در چیزی تقریبا شبیه به حافظه ذخیره می‌کنند و هم‌چنین در واکنش به محرک‌ها، بر اساس قوانینی صریح و از پیش برنامه‌ریزی شده پاسخ می‌دهند. افزون بر این، سلول‌ها قادر به انجام عملیات با سرعتی بالا هستند. هرسلول از نظر فیزیکی دارای پیچیدگی است و می‌توان آن را به خودی خود، واحد محاسباتی نسبتا قدرتمندی دانست. از طرف دیگر، هر سلول به اندازه کافی کوچک هست تا میلیون‌ها سلول بتوانند در فضاهای فیزیکی کوچک در کنار هم قرار بگیرند.
در حال حاضر، پژوهشگران MIT با تمرکز بر ماشینهای حالت زیستی، گامی به سوی آینده برداشته‌اند. این ماشینهای سلولی قادر به انجام عملیات محاسباتی ساده، ذخیره سازی و یادآوری اطلاعات هستند. در اصل، ماشینهای سلولی، مجموعه‌ای از کنترل‌هایی که برای طراحی و ساخت رایانه زیستی نیاز داریم، فراهم می‌کنند.
باکتری‌ها از ترانزیستورهای امروزی بزرگ‌تر هستند ولی برای در کنارهم قرارگرفتن در فضاهای کوچک بهتر عمل می‌کنند.
در سال ۲۰۱۳، تیم MIT که یکی از قدرتمندترین مراکز پژوهشی در این حوزه است، ماشین حالت زیستی را طراحی کرد. «ماشین حالت» شکل ساده‌ای از رایانه می‌باشد که می‌تواند در هرلحظه در یکی از تعداد متناهی حالتهای ممکن قرار داشته باشد و مطابق با ورودی بین این حالتها حرکت کند.
مثال کلاسیک ماشین حالت که نوعی رایانه زیستی است، دستگاه فروش خودکار کالا (ماشین وندینگ) است. در واقع شمارنده دستگاه، عملیات ریاضی انجام نمی‌دهد ولی وقتی یک سکه پنج سنتی داشته باشد و سکه ۵ سنتی دیگری دریافت کند، از حالت «من سکه ۵ سنتی دارم» به حالت «من سکه ۱۰ سنتی دارم» تغییر حالت میدهد. دستگاه مطابق با ورودی بین حالتهای ممکن مربوط به سکه بعدی تغییرحالت میدهد.
این سیستم پایه که با ترکیب ورودی سیستم با حالتهای درونی تعریف شده کار می‌کند، اساس الگوریتم‌های جدید تشخیص گفتار است. در یک گام جلوتر، «یادگیری ماشینی» فرآیند خودکار ساختن زنجیره‌ای از حالت‌هایی است که در نهایت این توانایی را به رایانه میدهد که با دقت و سرعت، ماهیت کلمه بیان‌شده را شناسایی کند. ماشینهای حالت قدیمی و ساده هستند ولی در صورتی که به درستی و استادانه طراحی شوند بسیار مفید خواهند بود.
ماشین حالت زیستی چگونه کار می‌کند؟
ایده ماشین حالت می‌تواند با استفاده از روش‌های کاملا نوظهور دستکاری ژنتیکی در سلول زنده اعمال شود. ژنوم DNA (ژنوم مجموعه کامل دستورالعمل‌های ژنتیکی هر موجود زنده است، هر ژنوم حاوی تمام اطلاعات لازم برای ساخته شدن، رشد و گسترش یافتن موجود زنده است)، تمام قابلیت‌های مورد نیاز برای ایجاد ماشین حالت را فراهم می‌کند. در نتیجه ما تنها باید از این قابلیت‌ها به‌درستی استفاده کنیم.
دستکاری DNA، هم در آزمایشگاه و هم در بدن، انقلابی در همه صنایع ایجاد کرد.
در این پژوهش جدید تیم MIT، باکتری‌های e.coli را با قراردادن دقیق توالی‌های هدف در ژنوم این باکتری‌ها طراحی کرده‌اند. هنگامی که دانشمندان ترکیب خاصی از علائم شیمیایی را به این باکتری ارسال می‌کنند، روش‌های قدیمی مهندسی ژنتیک باعث می‌شوند که سلول، نوعی آنزیم به نام ریکامبیناز «recombinase» را آزاد کند. ریکامبیناز می‌تواند جهت‌گیری یک رشته DNA از قبل برنامه‌ریزی‌شده را معکوس کند یا آن را حذف نماید. عمل این آنزیم‌های ریکامبیناز و تعامل آن‌ها با توالی‌های هدف همه توانایی‌های محاسبات سلولی را فراهم می‌کند.
alt=”رایانه زیستی جدید MIT چگونه عمل می‌کند و در آینده چه کاربردی دارد؟” width=”300″ height=”165″ />در پاسخ به هر متغیر ورودی که در اینجا یک عامل شیمیایی است، آنزیم ریکامبیناز بخش ژنوم مربوط به خود را معکوس یا حذف می‌کند. این بخش از ژنوم شامل توالی‌های هدفی است که اتصال ریکامبیناز بعدی را تعیین می‌کند. بنابراین عمل هر ریکامبیناز، محیطی را تغییر میدهد که ریکامبیناز بعدی برای فعالیت با آن مواجه می‌شود و درنتیجه نحوه واکنش ریکامبیناز بعدی با ژنوم را نیز تغییر میدهد.
این بدان معنی است که زنجیره پاسخ‌ها به هر متغیرجدید، باید در توالی DNA باکتریایی حفظ شود تا توسط توالی‌های ژنوم، قابل بازیابی باشد. دانشمندان با تولید پروتیئن فلورسنت رنگی به ازای هر حالت می‌توانند توالی حالتهای سلول را بلادرنگ و بدون ابهام آشکار کنند. برای مثال، با فراهم آوردن ورودی A به دنبال ورودی B، پروتیین‌های فلورسنت قرمز و سبز تولید می‌شود در حالی که اگر سلول‌ها دو ورودی را به طور عکس حالت بالا دریافت کنند فلورسنت قرمز و آبی تولید می‌شود.
نگهداری و کنترل‌کردن رایانه زیستی به آسانی رایانه‌های سیلیکونی نیست
به طور مستقیم، این راهکار باعث ردیابی آسان بیان ژن (فرایندی است که در آن اطلاعات درون ژن استفاده می‌شود تا یک محصول کاربردی از آن به‌دست آید) می‌شود. به طور خاص، الگوی بیان ژن برای توسعه سلول بنیادی ضروری است. ردیابی نورون سالم در قشر مغز بسیار سخت است. اگر الگویی که مشخص می‌کرد چگونه سلول‌ها این مسیر را به صورت طبیعی طی می‌کنند، معلوم بود؛ می‌توانستیم به صورت مصنوعی آن را بازسازی کنیم. اگر مدل پیچیده تر و در ابعاد بزرگ‌تر از این ماشین حالت زیستی تیم MIT اجرا شود ابزاری برای ثبت الگوهای بسیارسریع و پیچیده بیان ژن می‌شود و سابقه دایمی از فرآیندهای طبیعی مهم را ثبت می‌کند.
ماشین دو حالته آزمایشی تنها از سه رنگ فلورسنت (قرمز، سبز و آبی) استفاده می‌کند و با ترکیب این رنگ‌ها، تنها می‌تواند میان تعداد نسبتا کمی از ورودی‌ها به صورت بصری تمایز ایجاد کند و قطعا تمام مکمل‌های هورمون‌ها، پارامترهای رونویسی ودیگر مولکول‌های سیگنالینگ که نیاز به ردیابی دارند تا مسیر سلول به طور کامل ثبت شود، متمایز نخواهد شد. پژوهشگران این سامانه را به گونه ای طراحی کرده‌اند که می‌تواند ابزار قدرتمندی برای مطالعه توسعه سلولی و بیان ژن به‌حساب آید.
سلول‌ها ذاتا قابل برنامه‌ریزی هستند و زمانی که شما بتوانید به صورت مطمئن اطلاعات را در ژنوم ذخیره کنید، اجرای عملیات ورودی خروجی ساده با اطلاعات داخل ژنوم فقط نیاز به روش‌های قدیمی زیست‌شناسی دارد. پس این سوال پیش می‌آید:
چه کاری با سلول قابل برنامه‌ریزی یا گروهی از سلول‌های درارتباط می‌توان انجام داد؟
به عبارت دیگر: ما در حال حاضر رایانه داریم؛ چه نیازی به رایانه زیستی درون یک سلول زنده داریم؟ بیان ژن سریع است ولی پردازنده‌های جدید رایانه‌ها سریع‌تر هستند. حتی با گزارش‌های فلورسنت، خواندن اطلاعات خروجی سلول به اندازه پالس‌های الکتریکی داخل سیم کارآمد نیستند.
یکی از مهم‌ترین برتری‌های سیستم‌های زیستی نسبت به مهندسی مدرن، بهره‌وری توان است. اجرای الگوریتم‌های هوش مصنوعی در طول سال در مقیاس گیگاوات-ساعت توان الکتریکی مصرف می‌کند. در نتیجه با فناوری‌های زیستی، مسائل پیچیده و طولانی می‌تواند بسیار مقرون به صرفه حل شود. شاید سرعت مجموعه سلول‌های زیستی محاسباتی e.coli به یک هزارم سرعت مرکز داده گوگل نرسد ولی هزینه انرژی هر کدام از سوپررایانه‌ها میلیون‌ها دلار در سال است؛ در حالی که رایانه زیستی شما بر روی یک متابولیسم ارزان و ومتداول قابل اجراست.
سلول‌های زنده از اعماق اقیانوس تا جو زمین وجود دارند در دهانه آتشفشان فعال تا دریاچه‌های دیرینه زیر کیلومترها یخ. در اینجا یک آزمایش مطرح می‌کنیم: شما می‌خواهید واکنش دریاچه به باران اسیدی را بدانید. مجموعه‌ای از e.coli تحقیقاتی خود را رها می‌کنید و بعد از چند هفته، نمونه‌ای جمع‌آوری می‌کنید و میکروب خانگی خود را جدا می‌کنید و توالی DNA را به‌دست می‌آورید و هزاران ژنوم موجود در نمونه خود را تجزیه و تحلیل می‌کنید تا هر یک گزارش دقیقی از مقدار اسیدی بودن، از زمانی که سلول میزبان را آزاد کردید به شما گزارش دهند.
مهمتر از علم محیط، علم پزشکی است چون یک زندگی درون زندگی دیگر جریان دارد. روزی ممکن است با استفاده از باکتری قابل برنامه‌ریزی، جنبه‌های بیو‌شیمی افراد بیمار از جریان خون آن‌ها خوانده شود.
استفاده از سلول‌های زنده ، نسبت به استفاده از میکروروبات‌ها با هدف مشابه مسلماً مقاومت کمتری را ایجاد خواهد کرد.
به طور واضح، سلول‌ها با رایانه‌ها متفاوت هستند. هنوز مشخص نیست که یک رمزگذار ایده‌آل با الگوریتمی که از ابتدا طراحی شود و از میلیون‌ها یا حتی میلیاردها رایانه ساده به هم متصل استفاده کند چه کاری انجام میدهد. حتی اگر هر رایانه نسبتا کند یا محدود باشد، با این روش می‌توان راه‌های کارآمد را برای عبور از موانع سخت از جمله مسیریابی کارآمد میلیون‌ها بسته داده سرتاسر آمریکا تا رمزگذاری قوی حمله جستجوی فراگیر پیشنهاد کرد.
این یک راه طولانی است ولی پژوهشگران زیست فناوری گام‌های مهمی را در رسیدن به هدف برداشته‌اند. آن‌ها در حال ساخت نمونه رایانه زیستی اولیه هستند؛ مشخص نیست که آیا این ماشینهای زیستی ساده ادامه بیابند تا به اندازه رایانه‌های امروزی تاثیرگذار باشند ولی پتانسیل این کار بدون شک وجود دارد و نوید بخش آغاز عرصه جدیدی در فناوری خواهد بود.
منبع: www.extremetech.com
