Grafen kan hålla nyckeln till att koppla våra hjärnor till maskiner

Din hjärna är en bikupa av elektrisk aktivitet - signaler skjuter, dataströmning. Det är också en svart låda med totalt kaos. Hittills har de bästa sätten att koppla dina neuroner till enheter och datorer kunnat undersöka breda svängningar av neuroner och ta en bred konsensus om vad de kör på. Men ett tydligt genombrott i grafenteknik erbjuder hopp om att vi kanske kan klara oss individuella neurala signaler i en befintlig biologisk miljö, med enorma förgreningar för proteser, inlärning och bevarande av mental hälsa.

Ett team av forskare från Spanien, Italien och Storbritannien har visat att grafen med framgång kan kopplas till neuroner och bära en elektrisk signal från dem. Detta arbete bygger på tidigare ansträngningar där grafen belagdes med peptider för att främja neuronadhesion och visade att sådan beläggning är onödig. Till skillnad från tidigare försök och andra tekniker utlöste detta arbete inte ärrvävnad, vilket med tiden har gjort andra implantat värdelösa. Även den här versionen med obehandlad grafen har ett högt signalförhållande som gör det mer praktiskt för biologiska tillämpningar.

De första målen för detta arbete är som en behandling för Parkinsons. Existerande neurala gränssnittsteknologier läser utsignalen från en neuron och översätter den till något annat. Genom att direkt kopplas till neuroner hoppas det att detta arbete kan användas för att störa signalen. Eftersom Parkinsons är ett misslyckande att hämma neurala signaler, kan en teknik som artificiellt blockera externa signaler lösa detta problem. Man tror att det här är hur existerande implanterbara elektroder fungerar: genom att icke-specifikt sända elektriska impulser som stör dessa olämpliga signaler. Individuell neuronupplösning kan ge mycket mer kontroll.

Graphene är ett idealiskt material för biologiskt gränssnitt: Det är flexibelt, stabilt och biokompatibelt. Eftersom det också kan bära en elektrisk laddning har det pikat intresse för undersökningar för användning i neurala applikationer.

Grafen är stark, men är det tufft? http://t.co/uUfeb1h0oN @ENERGY #MaterialsScience pic.twitter.com/BippvPpK7C

- Berkeley Lab (@BerkeleyLab) 22 februari 2016

Den befintliga neurala gränssnittstekniken tenderar att utvärdera ett helt fält av neuroner genom att använda en uppsättning elektroder (såsom det senaste exemplet som användes för att styra enskilda fingrar). Även om det här kan vara användbart i vissa inställningar, kan det vara svårt att sikta genom utsignalen från många, många neuroner för att hitta den signal du vill ha. Men gå ner till upplösningen av gränssnitt med enskilda neuroner, och potentialen är oöverträffad kontroll - med alla möjliga möjligheter till neuroprotein.

Du behöver fortfarande en sofistikerad mekanism för att säkerställa att endast de lämpliga neuronerna kontaktas. du måste disentangle vilken signal som kommer ifrån; och du måste översätta denna kakofoni av signaler.

Implantering av elektroderna kan också vara knepigt. Befintlig teknik sprider elektroderna i hjärnvävnaden och skadar nästan säkert vissa anslutningar under vägen. Eftersom denna teknik endast berörs av fältinspelningar är skadan av några neuroner inte problematisk. Om målet är att koppla samman med enskilda neuroner kan detta vara ett viktigt problem.

Vidare kan systemet behöva "kalibreras". Timing och styrka hos neurala signaler är kritiskt viktiga. Normalt kalibrerar din hjärna sig själv. När du övar att svänga en basebollbat, skickar du till exempel feedback, positivt eller negativt, för att förstärka anslutningarna och använda bara rätt mängd kraft och riktning. Om du måste manuellt justera dessa saker i ett system som inte är självkorrigerat, kan det göra sakerna mer utmanande. (Det är värt att notera att hjärnan är väldigt bra att vara "plast" och anpassa sig, så det kan lösa sitt eget problem genom att helt enkelt modulera sin egen produktion baserat på dina reaktioner.)

Dessa typer av problem är emellertid tekniska problem, och inte omöjligt att lösa. När dessa utmaningar har lösts kan förmågan att gränsa med enskilda neuroner vara djupgående. Till exempel detekterar "sammanträffande detektorer" i din hjärna inkommande neurala impulser från mer än en neuron. Om tidpunkten för ingången från båda är tillräckligt nära, kommer den att utlösa en impuls i självfallssensorn. Denna mekanism används är flera sammanhang, varav en är i lärande.

Eftersom denna mekanism är bra för att associera olika neurala händelser kan de användas för att bygga koncept som överbryggar avlägsna delar av hjärnan tillsammans och därför lära sig en ny idé. Om denna process skulle kunna styras manuellt kan man föreställa sig en matris-esque-typ av lärande, där slutsatsdetektorerna manuellt utlöses för att associera olika begrepp och att bygga en tanke utan att någonsin sätta fot i ett klassrum. På kort sikt kommer det dock att vara svårare att helt enkelt blockera olämplig signalering i Parkinsons. Leta efter grafen för att bevara glatta rörelser först - innan du kanske gör minnen enklare att skaffa senare.