Дайджест новостей бионики

Как вырастить сапера Исследователи из Массачусетского технологического института (MIT) научили шпинат (Spinacia oleracea) искать взрывчатку. Для этого они закачивали в его листья раствор углеродных нанотрубок с намотанными на них молекулами белка бомболитина — эта смесь умеет распознавать нитроароматические соединения, основу многих взрывчатых веществ, за счет того, что в присутствии нитроароматики белок меняет свою пространственную структуру. По принципу домино эта трансформация белка приводит к небольшой перестройке электронных уровней связанных с ним нанотрубок, что меняет их спектр излучения. В экспериментах ученые добавляли в почву тринитрофенол — растение поглощало его вместе с водой через корни, и потом взрывчатка постепенно поднималась по стеблю к листьям. Там она взаимодействовала нанотрубками, а для считывания сигнала (тех характерных изменений спектра) ученые освещали шпинат лазером, что возбуждало флуоресценцию нанотрубок в ближнем ИК-свете (для регистрации спектра флуоресценции использовали небольшую инфракрасную камеру, управляемую микроэлектронной платой Raspberry Pi). Шпинат-ищейка находил тринитрофенол в среднем за восемь минут, и теперь исследователи мечтают использовать его или другие подобные нанобионические растения для постоянного мониторинга состояния почвы: их разветвленная корневая система может эффективно «собирать данные» по большой площади, а чуткие встроенные в листья сенсоры не пропустят никаких загрязнений. Правда, пока до конца непонятно, как сделать так, чтобы растения не только искали что-то кроме ниатроароматических соединений, но еще и умели отличать разные токсиканты. Вред курения оценили с помощью искусственного легкого У всех современных методов оценки вреда курения есть свои недостатки: тестирования клеточных моделей, выращенных на человеческих клетках, некорректны, поскольку эти модели не умеют сжиматься и расправляться, как делают это наши легкие; испытания на мышах, кроликах и других лабораторных животных сомнительны, потому что все эти зверушки дышат через свои носы, а не через нос человека; наконец, исследования на людях никогда не позволят нам сравнить состояние одного и того же человека в состояниях «заядлый курильщик» и «не выкурил ни одной сигареты за всю жизнь» (ученым приходится сравнивать разные группы людей и отлавливать изменения, связанные с курением на шумном фоне индивидуальных особенностей каждого человека). Поэтому ученые из Гарварда (Wyss Institute of Biologically inspired engineering) заставили курить свою новую, максимально реалистичную модель легкого, а сами параллельно фиксировали, к каким генетическим и физиологическим изменениями это приводит. Их искусственное легкое выглядит как пластиковый чип с полым каналом, засеянным клетками бронхиального эпителия, для жизни которых созданы условия, почти идентичные физиологическим, — то же давление, температура, влажность и периодические механические напряжения, что и в легком. С одной стороны этот канал соприкасается с воздухом, а с другой — с пористой мембраной, которая отделяет его от потока эпителиальных клеток, постоянно обновляющих ткань модели. Для имитации курения американцы тоже сделали отдельный аппарат, смолящий сигареты и выпускающий дым не абы как, а максимально реалистично — затяжками. В первом эксперименте ученые посмотрели, какие гены активировались или, наоборот, дезактивиовались в клетках эпителия после курения (то есть после того, как по каналу вместо воздуха пропускали дым искусственного курильщика), и обнаружили изменения в 335 генах, в общей сложности вовлеченных в 23 разных биологических процесса (например, воспалительные процессы или клеточную адгезию). При этом больше всего увеличилась экспрессия актиоксидантного гена HMOX1 — она выросла более, чем в 15 раз, и поэтому в следующем эксперименте ученые решили посмотреть, повторится ли такой эффект для дыма электронных сигарет, но ничего подобного не увидели — экспрессия HMOX1 достоверно не изменилась и ожидаемого вреда от вейпинга (во всяком случае, по этим данным) исследователи не разглядели. Наконец, еще в двух экспериментах сравнивали, как курение влияет на экспрессию генов в здоровых клетках и клетках страдающих хронической обструктивной болезнью легких ХОБЛ (у искусственных легких больных ХОБЛ нашлось 147 специфически активируемых генов), и смотрели, как сигаретный дым меняет характер движения ресничек, покрывающих бронхиальный эпителий и очищающих его от загрязнений (движение ресничек становилось несогласованным: если до воздействия дыма распределение частоты их колебаний ложилось на распределение Гаусса, то после эта зависимость пропадала). Робот с бактериальными мозгами Мы привыкли считать, что за обработку информации и принятие решений в нашем организме отвечает только нервная система, но это не так — бактерии, заселяющие внутренности человека, тоже синтезируют нейромедиаторы и вполне способны повлиять на наше настроение или образ мыслей (в науке даже теперь есть термин gut-brain axis — «ось мозг-кишечник»). Поэтому ученые из Политехнического университета Виргинии (США) собрали робота, движения которого управляются не только запрограммированной электроникой, но и бактериями, что по замыслу авторов должно приближать их робота к мышлению человека, собранному как минимум из сигналов мозга и сигналов кишечника. Сам робот выглядит как небольшая тележка с двумя колесами, видеокамерой и моторчиком. Она умеет ездить вперед и поворачивать направо и налево, а ее движения управляются платой Arduino и культурой генетически модифицированной кишечной палочки, которая обитает в отдельном, статичном резервуаре и обменивается информацией с роботом по Bluetooth. Работают бактериальные мозги следующим образом: когда в культуру попадают два химических вещества-возбудителя (лактоза или арабиноза), они запускают каскад биохимических реакций, приводящих к синтезу одного или двух флуоресцентных белков, светящихся зеленым (зеленый флуоресцентный белок) или красным (белок mCherry). Отдельная камера снимает интенсивность этого свечения и передает данные на тележку, где они уже обрабатываются Arduino и влияют на то, какое решение (ехать вперед, остановиться, повернуть направо/налево) примут в следующий момент электронные мозги робота. Испытывали свою конструкцию ученые на миниатюрной арене, в разных точках которой были поставлены одинаковые по размерам зеленые и красные цилиндры, обеспечивающие обратную связь электроники с бактериями: камера на тележке снимала картинку, встроенные алгоритмы компьютерного зрения распознавали, сколько красного или зеленого цвета попало в поле зрения робота, и передавали эту информацию в культуру микробов, где она задавала входные уровни концентраций тех самых веществ-возбудителей, запускающих бактериальные вычисления. В работе ученые ставили своему биороботу задачи по поиску красных и зеленых цилиндров и смотрели, какие стратегии сопряжения сигналов электроники и бактерий справятся с ними лучше всего. Оказалось, что у каждой из них есть свои плюсы: например, с поиском одиночного зеленого цилиндра быстрей всего справлялся робот на принципе ведущий-ведомый (ведущим была культура бактерий, ведомым — электроника: здесь обратная связь между двумя системами была выключена), а меньше всего расстояния в этой же задаче робот, управляемый алгоритмом со включенной обратной связью, которую ученые сравнили с гормонами, синтезирующими под контролем нервной системой и влияющими на микробиоту. Кроме того, некоторые стратегии позволяли биороботу даже проявлять простейшие признаки адаптивного поведения — так, он умел менять свои цели на ходу без внесения изменений в программу (к примеру, сначала искал зеленые цилиндры, а потом красные) или наоборот, игнорировал определенный тип целей в пользу «любимой» добычи (в поисках удаленного красного цилиндра мог проезжать мимо близко расположенных зеленых). Нейроморфные компьютеры на полимерах Мемристор — это еще один, четвертый пассивный элемент микроэлектроники вместе с резистором, конденсатором и катушкой индуктивности. Его главная особенность — зависимость проводимости мемристора от протекавшего по нему заряда, то есть от истории — делает его принципиально похожим на синапсы — контакты между нейронами (или между нейронами и клетками), передающие сигналы тем лучше, чем чаще это им приходится делать. Именно поэтому на основе мемристоров надеются собрать нейроморфные процессоры, способные повторять биологические вычисления в железе, а не только имитировать их с помощью хитрого программного кода, как это делают современные нейронные сети. Мемристоры могут быть сделаны на основе самых разных материалов и в том числе на электропроводящем полимере полианилине (ПАНИ), в котором небольшое внешнее электрическое напряжение вызывает электрохимическую реакцию, меняющую структуру полимера, его цвет и, что самое главное в случае мемристора, проводимость. Ранее на основе мемристоров уже собирали однослойный перцептрон — простейшую нейронную сеть способную не только решать определенные вычислительные задачи, но и обучаться в процессе своей работы, а теперь российские ученые вместе с итальянскими коллегами впервые сделали двуслойный перцептрон, используя для этого органические мемристоры. В двуслойном перцептроне, как видно из названия, есть несколько слоев: на первый из них, сенсорный, поступают внешние сигналы от других фрагментов сетей (и в нем нет нейронов — элементов способных к обучению); второй, ассоциативный слой, обрабатывает эти сигналы (здесь есть нейроны, способные перестраиваться в зависимости от проходящей информации); наконец, третий, реагирующий слой, выдающий сигналы обратно во внешнюю цепь (здесь тоже есть нейроны и именно поэтому перцептрон называют двуслойным — сенсорный слой без нейронов в счет не идет) В разработке российских и итальянских ученых схема двуслойного перцептрона была собрана с помощью 12 мемристоров, МОП-транзисторов и других микроэлектронных компонентов. В результате, их перцептрон может обучаться, чтобы решать задачу исключающего ИЛИ — то есть умеет распознавать те случаи, когда на его входные поданы противоположные сигналы (это полезно для классификации объектов и однослойные перцептроны с подобными задачами справляться не могут), а также может справлятьяс с простейшими аналоговыми задачами (классифицировать сигналы отличные от логического 0 и 1). Использованные статьи Benam, K. H. et al. Matched-Comparative Modeling of Normal and Diseased Human Airway Responses Using a Microengineered Breathing Lung Chip. Cell Syst. 3, 1 (2016). Emelyanov, A. V et al. First steps towards the realization of a double layer perceptron based on organic memristive devices. J. Appl. Phys. Proc. 6, 111 301 (2016). Heyde, K. C., Gallagher, P. W. & Ruder, W. C. Bioinspired decision architectures containing host and microbiome processing units. Bioinspir. Biomim. 11, 56 017 (2016). Wong, M. H. et al. Nitroaromatic detection and infrared communication from wild-type plants using plant nanobionics. Nat. Mater. (2016).