رفتن به نوشته‌ها

دسته: مکانیک آماری

حکایت «سیستم‌های پیچیده» چیست؟!

این نوشته رو به مناسبت بیست و پنجمین گردهمایی ژرفا با موضوع سیستم‌های پیچیده برای شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف نوشتم.


برای دیدن نگاره با کیفیت بیشتر کلیک کنید. حق نشر متعلق به شماره ۸۱۸ روزنامه دانشگاه صنعتی شریف.

انسان به دنبال قدرت پیش‌بینی

از قرن ۱۷ میلادی ما انسان‌ها به امید پیدا کردن الگوهایی در طبیعت، با جدیت خاصی شروع به مطالعه دنیای اطرافمان به صورت کمی کردیم. رفته‌رفته عددها مهم‌تر شدند و همه هم‌ و غم‌مان تبدیل به این شد که بعد از به دست آوردن یک‌سری عدد، پیش‌بینی کنیم که عدد بعدی چیست! گاهی این پیش‌بینی در مورد مکان یک سیاره در آسمان بود بعد از چند ماه رصد یا دمای یک پیستون پر از گاز و مایع بعد از طی کردن یک فرایند ترمودینامیکی. گاهی هم آن عدد مطلوب، زاویه‌ی پرتاب یک توپ بود به لشکر دشمن! الگوهای حاکم بین اعداد همیشه موضوع هیجان‌انگیز و سودآوری برای مردم بود چرا که قدرت «پیش‌بینی» را در پی داشت.

قدرت پیش‌بینی، مزیت رقابتی علم بر فلسفه بود که از دل مدل‌سازی‌های عددمحور به دست می‌آمد. قرن ۱۹ و ۲۰ میلادی طی شد و نوبت به هزاره سوم رسید. انسان قرن ۲۱ام که به گمانش همه علوم را خوب می‌شناخت، با پرسش‌های جدیدی روبه‌رو شد. پرسش‌هایی که این بار مرز بین علوم را نشانه گرفته بودند. پرسش‌هایی از این جنس که حالا که فیزیک را به‌خوبی می‌شناسیم‌، آیا می‌توانیم یک ترکیب آلی را به خوبی توصیف کنیم یا مثلا شیوه تاشدگی یک پروتئین را با دقت خوبی پیش‌بینی کنیم؟! یا اگر متخصص زیست‌شناسی باشیم پیش‌بینی رفتار جامعه انسان‌ها در شرایط بحران اقتصادی برایمان ممکن است؟! در مورد رفتار بازار بورس چه؟ اکنون که سلول‌های عصبی را می‌شناسیم آیا کارکرد مغز را می‌توانیم توصیف کنیم؟ آیا می‌توانیم بگوییم که برای سلول‌های عصبی چه اتفاقی می‌افتد که فردی دچار بیماری‌هایی مانند صرع یا پارکینسون می‌شود؟ یا پرسش‌هایی از این قبیل که چرا هنوز مدیریت ترافیک و جلوگیری از مسدود شدن جاده‌ها برایمان دشوار است؛ مگر ما همان بشری نیستیم که به ماه سفر کرده‌ایم و با توسعه مکانیک کوانتومی بمب اتم ساخته‌ایم؟! چرا بعد از حل کردن این همه مسئله بغرنج، نمی‌توانیم زمان بحرانی برای همه‌گیری یک شایعه یا بیماری جدید در دنیا را محاسبه کنیم و برنامه دقیقی برای چگونگی واکسیناسیون مردم را تدوین کنیم؟ علی‌رغم این همه پیشرفت در علوم مختلف، چرا در حل این قبیل مسائل ناتوان مانده‌ایم؟!

چرا شناخت دنیای اتم‌ها برای شناخت دنیای شیمی کافی نیست؟! یا چرا «بیشتر، متفاوت است»؟

همه این‌ها پرسش‌هایی بود که به‌خاطر ظاهر ساده‌شان انسان قرن بیست‌ و یکمی نخست فکر می‌کرد که «علی‌الاصول» باید بشود جوابشان را دانست. بالاخره طی سه قرن گذشته، ریاضیات بسیار گسترش یافته بود و فیزیک – علم اتم‌ها و کهکشان‌ها – را به خوبی توسعه داده‌ بودیم. فیزیک هم که مادر شیمی است و شیمی مادر زیست‌شناسی و زیست‌شناسی توصیف‌کننده موجودات زنده و انسان‌ هم یک موجود زنده است. رفتار بازار بورس یا اقتصاد جهانی یا همه‌گیری یک بیماری هم بر اساس عملکرد همین موجودات زنده است. خب پس لابد با مقداری محاسبه می‌توان به این پرسش‌ها پاسخ داد. با این وجود، رفته رفته متوجه شدیم که فهم ما از سیستم‌هایی مانند مغز انسان یا اقتصاد جهانی دچار نواقص جدی است و پیش‌بینی و کنترل رفتار آن‌ها برای ما بسیار دشوار است. گویا این سیستم‌ها دارای پیچیدگی عجیبی هستند. به عبارتی، این سیستم‌ها، پیچیده هستند از آن‌جا که ما با آن‌که اجزایشان را می‌شناسیم و رفتار تک‌تک ‌آن‌ها را به خوبی می‌توانیم پیش‌بینی کنیم، ولی «رفتار جمعی» آن‌ها تحت یک ساختار جدید را نمی‌توانیم به خوبی توصیف کنیم! می‌دانیم که عملکرد سلول‌های عصبی سازنده مغز چگونه‌ است، اما عملکرد مغز را نمی‌توانیم توصیف کنیم. مثلا نمی‌دانیم تکلیف حافظه چیست! می‌دانیم که در سلول‌های عصبی حافظه وجود ندارد ولی با این حال، در مجموعه‌ای از همین سلول‌ها وجود دارد! همین مجموعه کارهای عجیب و غریب‌تری هم می‌کند. مثلا سلول‌های عصبی مغز به طور جمعی از خود، آگاهی نشان می‌دهند. در حالی که آگاهی در هیچ کجای سلول عصبی بیچاره وجود ندارد. تلاش برای حل این قبیل تناقض‌ها که در مقیاس ریز اگر همه چیز آشنا باشد، لزومی ندارد در مقیاس درشت‌تر رفتار سیستم را بتوانیم توصیف کنیم آغازگر انگاره‌ای جدید در علم بود؛ انگاره پیچیدگی.

پدیدارگی (Emergence) و لزوم تحول انگاره در علم

اگر به دنبال کتاب مناسبی برای یادگیری سیستم‌های پیچیده هستید، این کتاب پیشنهاد جدی ما است 🙂

بشر قرن ۲۱، به دنبال شناخت سیستم‌های پیچیده است. سیستم‌هایی که از تعداد زیادی اجزا تشکیل شده‌اند و نوعی نظم خودبه‌خودی بر آن‌ها حاکم است. در این سیستم‌ها در مقیاس ریز، اجزایشان برهم‌کنش‌های موضعی دارند ولی در مقیاس درشت، رفتارهای «پدیداره» از خود نشان می‌دهند که شبیه به رفتار اجزای آن در مقیاس ریز نیست. راستش، ما ناچار به درک سیستم‌های پیچیده هستیم. برای ما که همیشه مجذوب قدرت پیش‌بینی علم شده‌ایم مهم است که بدانیم اگر آنفولانزا در آفریقا شایع شد با چه احتمالی یک آلمانی در چه روزی بیمار می‌شود و با چه احتمالی یک ایرانی در چند روز بعد. برای ما مهم است، چرا که شبکه واگیری بیماری از لحاظ ریاضیاتی موجود ساده‌ای نیست و مطالعه یک فرایند دینامیکی روی چنین شبکه‌ای بدون کمک گرفتن از کامپیوترها غیرممکن است. برای ما حل هم‌زمان تعداد زیادی معادله دیفرانسیل غیرخطی که به‌ همدیگر وابسته هستند با قلم و کاغذ اصلا راحت نیست. حداقل تجربه سال اول و دوم زندگی دانشگاهیمان این را به ما گوش‌زد می‌کند!

سیستم‌های پیچیده مهم هستند، چرا که انگاره پیچیدگی عینک جدیدی برای مطالعه طبیعت به ما می‌دهد. انگاره پیچیدگی به ما می‌گوید مستقل از این‌که مسئله‌ای تا پیش از این در کدام حوزه‌ خاص از علم بررسی می‌شده، باید با نگاهی از پایین‌ به بالا به دنبال حل آن مسئله باشیم و همزمان از همه امکانات فنی و تحلیلیمان برای حل آن استفاده کنیم. برای مثال، مسئله مغز، یک مسئله در فیزیک یا شیمی یا زیست‌شناسی یا علوم کامپیوتر نیست. در مکتب/نگاه/انگاره پیچیدگی، مسئله مغز سوالی است که متخصصان حوزه‌های مختلف با ابزارهایی که دارند سعی می‌کنند در یک محیط مشارکتی راهی برای حل آن پیدا کنند.

انگاره پیچیدگی به ما می‌گوید با تبدیل کردن یک سیستم به اجزا سازنده آن و شناخت اجزا نمی‌توانیم به درک درستی از آن سیستم برسیم. مکتب پیچیدگی در برابر مکتب تقلیل‌گرایی (reductionism) قرار دارد.

(این نوشته از دکتر محمد خرمی در مورد تقلیل‌گرایی را بخوانید.)


نوشته‌های مرتبط

ترمودینامیک و مکانیک آماری رو جدی‌تر بگیرید!

قبل‌تر برای بچه‌های سال‌های اول، دوم و سوم لیسانس فیزیک، یک سری کتاب و کورس برای درس‌های مختلف معرفی کرده بودم. اما هیچ‌وقت در مورد ترمودینامیک و مکانیک آماری ننوشتم. راستش دلیل اصلیم هم این بود که هیچ کتابی رو پیدا نکردم که اکثر موضوعات رو به خوبی توضیح داده باشه و همین‌طور اون ایده‌های درخشان و جذاب ترمودینامیک رو هم به خوبی مطرح کرده باشه. از طرف دیگه، یه کتاب خوب از نظر من کتابیه که مسئله‌های چالش برانگیز و جدی هم داشته باشه. به همین خاطر همیشه از این‌که پیشنهادی در مورد ترمودینامیک یا مکانیک آماری داشته باشیم دوری کردم.

با این وجود، اکثر صاحب‌نظران معتقدند که ترمودینامیک و مکانیک آماری خیلی مهمه! خیلی! به قول ساسکیند تمام کله‌گنده‌های فیزیک، استادبزرگ فیزیک آماری بودند؛ از آینشتین گرفته تا فاینمن تا خود ساسکیند 🙂 ترمودینامیک پر از مفاهیم نابه که معمولا توی دوره لیسانس پشت حجم انبوه ابزارها مخفی میشه و دانشجوها اون درک لازم رو نمی‌تونند پیدا کنند. برای همین هم کاملا طبیعیه که بچه‌ها از این درس خوششون نیاد. تجربه شخصی خودم از روبه‌رو شدن با ترمودینامیک برای اولین مرتبه لااقل چیز خوبی نبود! بدون تعارف، دانشجوی فیزیک نیومده فقط یه مشت ابزار یادبگیره و سعی کنه مثل یک مهندس فکر کنه. شخصا متنفرم از این‌که درس ترمودینامیک در دانشکده فیزیک به همون شکلی ارائه بشه که در دانشکده شیمی یا مهندسی مواد ارائه میشه! چیزی که توی ترمودینامیک مهمه این نیست که یه ماشین گرمایی با فلان بازده طبق بهمان چرخه کار می‌کنه یا این‌که طی چه سازوکاری میشه فلان‌قدر گرما از این طرف اتاق به اون طرف اتاق منتقل کرد. یعنی این‌ها مهم هستند، ولی چیزهای بسیار مهم‌تری هم وجود داره. چیزهایی که ارزش ترمودینامیک رو به عنوان جامع‌ترین نظریه فیزیک مشخص می‌کنه. فراموش نکنید که ما برای یک پیستون گاز، یک غشا سلولی و یک سیاه‌چاله ترمودینامیک می‌نویسیم.

مفاهیمی مثل انتروپی و اطلاعات امروز معانی خیلی خیلی گسترده‌تری نسبت به قبل پیدا کردن. کلاس خوب ترمودینامیک کلاسی هست که شخص درک درستی از این مفاهیم پیدا کنه. معمولا توی کلاس‌های ترمودینامیک به سادگی از کنار پارادوکس‌های هیجان‌انگیز ترمودینامیک گذشته میشه، در صورتی که تمام بامزگی ماجرا همین پارادوکس‌ها و راه‌های برطرف کردنشونه.

با وجود همه چیزهایی که گفتم، به نظر من ترمودینامیک مهمه چون برای اولین بار دانشجوی فیزیک با یک «نظریه موثر» آشنا می‌شه و یاد میگیره که توی فیزیک میشه بدون این‌که جزئیات ریز سیستم رو دونست، در مورد مشاهده‌پذیرهای بزرگ‌مقیاس صحبت کرد. یادآوری کنم که توی ترمودینامیک یک گاز رو به عنوان یک سیستم در نظر می‌گیریم، به عنوان یک «کل» و با سه تا پارامتر دما، فشار و حجم در موردش صحبت می‌کنیم. به عبارت دیگه برامون مهم نیست که این گاز از چه اجزائی ساخته شده و این اجزا با همدیگه چه‌طور و با چه جزئیاتی برهمکنش می‌کنند. کل این سیستم بس‌ذره‌ای رو به کمک سه تا پارامتر که معمولا توسط یک قید مثل معادله حالت بهم وابسته شده‌ توصیف می‌کنیم، نظریه هم به خوبی کار می‌کنه والسلام! به‌همین خاطر اگه فرد این نوع نگاه رو به ترمودینامیک بفهمه اون موقع انتظار می‌ره که درک کنه که چرا یک اقتصاد خرد داریم و یک اقتصاد کلان و ربطشون بهم چیه!

بعدها به‌طور مفصل در مورد مفهوم نظریه موثر خواهم نوشت، انشالله!فعلا این ویدیو رو ببینید! با این مقدمه بد نیست که یک سری پیشنهاد برای یادگیری ترمودینامیک و مکانیک آماری داشته باشیم. خوشحال میشم که تجربه‌های شما رو هم بدونم.

به نظرم اگر با مفاهیم پایه آشنایی دارید در حد چیزی که توی کتاب‌های فیزیک پایه در مورد ترمودینامیک نوشته شده اون موقع احتمالا روند زیر می‌تونه به درکتون از ترمودینامیک و مکانیک آماری کمک کنه. توی ویکی‌پدیا هم لیستی از کتاب‌های ترمودینامیک و مکانیک آماری وجود داره.

نگاهی بر مسئله تاشدگی پروتئین‌ها

شاید در سال ۱۹۶۲ که ماکس پروتز آلمانی و سر جان کندرو انگلیسی جایزه نوبل شیمی را برای مطالعه در باب پروتئین ها و ساختارکروی‌شان دریافت کردند هرگز تصور نمی‌کردند که دنیای پروتئین‌ها پر از رموز کشف نشده و جذاب باشد. اما اکنون با گذشت بیش از ۵۰ سال از از آن روزها دنیای پروتئین‌ها جذاب تر از چیزی به نظر می‌رسد که دانشمندان بدان فکر می‌کردند. یکی از بحث‌های جالبی که امروز در دنیای علم بسیار هم مورد توجه قرار گرفته‌است، فیزیک پروتئین‌‌هاست به ویژه مساله‌ی تاشدگی پروتئین‌‌ها یا همان پروتئین فولدینگ. تو این پست بنا داریم یکمی بیشتر با اتفاقاتی که توی سلول‌های بدنمون توسط پروتئین‌ها رقم میخوره آشناشویم.

وقتی اسم پروتئین به وسط می‌آید اولین چیزی که به ذهنمان می‌رسد احتمالا گوشت و مرغ و ماهی است. ما گوشت و مرغ مصرف می‌کنیم که پروتئین لازم برای بدن تأمین شود غافل از اینکه مونومر آمینواسیدهای بدنمون قابلیت ساخت بسیاری از پروتئین‌‌ها رودارند. اما یکی از مسائلی که بسیار مورد توجه محققان میان‌رشته‌ای قرار گرفته مساله‌ی پروتئین‌ فولدینگ است. اما چه شد که این مساله مهم شد. اصلاً پروتئین فولدینگ یعنی چه؟ این فرآیند یک فرآیند فیزیکی است که در آن پلیپپتایدها(Polypeptide) که همان پلیمرهایی هستند که از به هم پیوستن آمینواسیدها حاصل می‌شوند، به یک ساختار مشخص سه بعدی می‌رسند. پلیپپتایدها زنجیره‌ای از اسیدهای آمینه هستند و درواقع پروتئین‌ها در آغاز یک ساختار نامشخصی دارند. برای درک بهتر شکل زیر را ببینید که یک پلیپپتاید را قبل و بعد از فرآیند فولدینگ که تبدیل به پروتئین شده است نشان می‌دهد.

https://en.wikipedia.org/wiki/Protein_folding

سه سوال مهم ذهن فیزیک‌دان‌ها رو مشغول کرد و موجب تولد فیزیک پروتئین ها شد.

۱- از نقطه نظر علم فیزیک زنجیره‌ی آمینواسیدها که پروتئین‌ها رو دیکته می‌کنند چه حرفی برای ما دارند، آیا با برهمکنش خاصی روبه‌رو هستیم؟

۲- چطور می‌توان فولدینگ را سرعت بخشید؟

۳- آیا الگوریتم کامپیوتری وجود دارد که بتواند ساختار پروتئین‌ها رو از ترتیب آمینواسیدها پیش‌بینی کند؟

یکی از مهمترین نتایجی که اطلاعات موجودات زنده به ما نشان داده این هست که پروتئین‌ها حرکت‌های گرمایی تصادفی دارند. وقتی صحبت از این حرکت می‌کنیم یعنی مقیاس دیدمون رو کوچک کردیم و میخو‌اهیم ساختار و عملکردی که پروتئین‌ها دارند رو دنبال کنیم. اینجا همون جایی هست که علم بیوفیزیک مولکولی متولد می‌شود. اما براستی پروتئین‌ها چی هستند؟ در علم بیو به ساختار سه بعدی که از هم به پیوستن آمینواسیدهای یک بعدی درست میشه پروتئین می‌گویند. فیزیک مساله کجاست؟ بله درسته رفتار کل سیستم مجموع رفتار اجرا نیست. پس یک سیستم پیچیده روبه‌روی ماست. همه و همه مارو به یک سوال رهنمون می‌کند. چطور می‌توان ساختار پروتئین‌ها رو بر اساس مفاهیم فیزیکی توصیف کرد؟ رمز پاسخ چیزی نیست جز اونی که تو سلول‌های بدنمون داریم. دو ویژگی مهم سلول‌های بدنمون که در پروتئین‌ها هم می‌بینیم. پیچیدگی و عدم تقارن اولین راهنمای ما برای مطالعه‌ی فیزیک پروتئین‌ها هستند. اطلاعات موجود در این زمینه نشان می‌دهد رفتار پروتئین‌ها گاهی بسیار پیچیده‌تراز آن چیزی هست که دانشمندان قبلا پیش‌بینی می‌کردند. نگاهی کوتاه بیندازیم بر نحوه توصیف پروتئین‌ها:

www.eb.mpg.de

همانطور که در شکل می‌بینید ساختار کلی به ۴ دسته تقسیم می‌شود که ساده‌ترین آمینواسیدها هستند و پیچیده‌ترین ساختار چهارتایی که از به هم پیوستن زنجیره‌ی پلیپپتایدها تشکیل می‌شود. اما این جمع شدن چگونه است؟ آیا یک جمع ساده یا یک حرکت جمعی پیچیده؟

امامیخواهیم برگردیم به سه سوالی که در بالا پرسیدیم:

۱– چه ارتباطی بین فیزیکی که ما آموختیم و تاشدگی پروتئین ها وجود دارد؟ بهتره این سوال رو طوردیگری بپرسم. چه مکانیزمی یا فرآیندی وجود دارد که بتواند هدایتگر عمل فولدینگ باشد؟ حالا میتوانیم سوالمون روکمی فیزیکی‌تر کنیم. چه نیرو یا نیروهایی می‌توانند موجب تاشدگی و ایجاد ساختار سه بعدی پروتئین‌ها شوند. شاید شگفت‌انگیز به نظر بیاید که بانک اطلاعاتی پروتئین‌ها امروزه وجود حدود ۸۰۰۰۰ هزار ساختار پروتئینی رو اعلام می‌کند که این بسیار شگفت‌انگیزاست. ساختار پروتئین‌های آلفا و بتا در بین خودشون پیوند هیدروژنی دارند و این پیوند وظیفه حفظ ساختار سه بعدی رو دارد.

همچنین در ساختار برخی پروتئین‌ها برهمکنش واندروالسی وجود دارد. جالبه که بدونید پروتئین‌های تاشده به شدت در هم‌پکیده هستند و به نوعی ساختار تنگ‌پکیده‌ای که از فیزیک حالت جامد میشناسیم رو تداعی می‌کنند. مانند بسیاری دیگر از پلیمرها در انتخاب همسایه‌هاشون ترجیح فضایی دارند. این یعنی هر مونومر آمینواسیدی ممکن است متصل شدن به یک مونومر خاص رو به مونومری دیگر برای تشکیل ساختار پروتئینی رو ترجیح بدهد. پس می‌توانیم بگوییم با یک شبکه روبه‌رو هستیم. بسیاری از آمینواسیدها قابلیت جذب و دقع همدیگر را دارند و این به خاطر برهمکنش الکتروستاتیکی هست که در بین آن‌ها وجود دارد. مجموعه‌ای از این نیروها و بسیاری عوامل خارجی دیگر رو تحت عنوان نیروهای میدانی در فیزیک پروتئین‌ها یاد می‌کنند که این اجازه رو به ما می‌دهند تا برهمکنش، دینامیک، نحوه اتصالات و در کل اتفاقاتی که بین پروتئین‌ها جاری است را با مفاهیم فیزیکی توصیف کنیم. نکته جالب اینکه شناخت بسیاری از خواص آماری و ترمودینامیکی پروتئین‌ها هنوز جزئی از مسائل باز فیزیک هستند.

۲- در سال ۱۹۶۸ این سوال پیش آمد که آمینواسیدها علی رغم انتخاب‌های بسیاری که دارند چرا در کسری از میکروثانیه زنجیره خود را پیدا می‌کنند و هیچگاه دنبال یافتن و کاوش بیشتر سایر زنجیره‌های دیگر نیستند. این سوال منجر به انجام آزمایش‌های بسیاری بر روی حرکت‌شناسی پروتئین‌ها شد به طوری که در این آزمایشات اعلام شد می‌توان مسیر فولدینگ پروتيئین‌ها رو پیدا کرد. اما دشواری‌های بسیاری پیش روبود. اینکه در ابعاد مولکلول باید دربازه‌های زمانی میکروثانیه از حرکت پروتئین‌ها عکس گرفت. پس طبعا به ابزار قدرتمند آزمایشگاهی برای این کار نیاز داریم. اما دنبال چه چیزی هستیم. آیا جز اینکه میخواهیم به یک سری خواص این پلیمرها پی ببریم. بله ترمودینامیک آماری پلیمرها در اینجا متولد شد. مطالعه‌ی آنتروپی در زنجیره‌ی مونومرها و چشم انداز وضعیت انرژی آمینواسیدها ابزار کلیدی ما در شناخت خواص این دسته مواد هستند. اما آیا با همه‌ی این تفاسیر مکانیزم تاشدگی را شناخته‌ایم. اصولا منطورمان از مکانیزم چیست؟ ما به دنبال تحول زمانی آمینواسیدها هستیم تا زمانی که تبدیل به پروتئین‌های حلال می‌شوند. اتفاقات بسیاری ممکن است در این مسیر بیفتد، عوض شدن اتصالات آمینواسیدها، افزایش و کاهش پایداری ساختارها، تغییر مسیر برخی مونومرها با اعمال قیدهایی مثل دمای محیط واینکه در زنجیره‌ی تشکیل ممکن است برخی مسیرها پرجمعیت تر باشند، پس نمودی از شبکه را بازهم می توانیم احساس کنیم. در کل میخواهم بگویم با یک سیستم کاملا غیرتعادلی روبه‌رو هستیم. اما راه حل چیست؟ بله حدس شما درست است. آزمایشگاه، دریافت اطلاعات و پردازش اطلاعات با استفاده از کامپیوتر.

۳- اما شاید بزرگترین چالش طراحی کد کامپیوتری جهت پیش‌بینی ساختار سه بعدی پروتئین باشد. برای این کار جدای از شناخت نسبی کار با کامپیوتر و اطلاعات پروتئین‌ها باید مکانیزم بیولوژیکی آن‌ها رو هم درک کنیم. برای مثال باید درک دقیقی از برهمکنش بین آمینواسیدها داشته باشیم تا بتوانیم آن‌ها رو به بهترین شکل مدل کنیم. خوشبختانه در این زمینه پیشرفت‌های بسیاری انجام شده و مهمترین منبعی که میتواند اطلاعات مفیدی در اختیار ما قرار بدهد وبسایت ncbi هست. یکی از مهمترین اتفاقاتی که بعد از سال 1972 افتاد این بود که متخصصان متوجه شدند که ویروس‌ها و باکتری‌های حامل آلودگی فقط در بین DNA و RNA گذار نمی‌کنند. بلکه عامل شیوع برخی بیماری‌ها می‌تواند پروتئین‌های فولد نشده باشند مثل دیابت نوع دو و همچنین آلزایمر و پارکینسون. با توجه به شبیه‌سازی های اخیر در مورد مدل کردن بیماری‌ها می‌توان گفت این نوع دیتا و مدل‌سازی می‌تواند موضوع جالبی برای تحقیق و پژوهش باشد. در نهایت میتوانیم بگوییم، هدف پیش‌بینی ساختار نهایی از زنجیره‌های اولیه مونومر هاست. از موضوعات دیگر دینامیک پروتئین‌ها، رفتار جمعی به خصوص در پروتئین‌های نامنظم و همچنین تحلیل شبکه‌های مختلف که از برهمکنش پروتئین‌ها و آمینواسیدها می‌باشند هستند.

مسائل حل نشده:

مسائل بسیار زیادی در این زمینه و به خصوص بیوفیزیک مولکولی هست که هنوز باز هستند و قابلیت پرداخته شدن دارند. بنا داریم به چندتایی از اونها اینجا اشاره کنیم.

– چشم انداز تجربی هنوز از وضعیت تبادل انرژی بین پروتئین‌ها وجود ندارد.

– هنوز مدل دقیقی برای پیش‌بینی رفتار پروتئین‌ها ارائه نشده است که دقت بالایی داشته باشد.

– هنوز به طور ریاضی فهمی از رفتار میکروسکوپی آمینواسیدها به طور دقیق حاصل نشده است.

– پیش‌بینی برای انبوه‌شدگی پروتئین‌ها که در ایجاد برخی بیماری‌ها مهم است هنوز ارائه نشده است.

– هیچ الگوریتمی هنوز نمی‌تواند به صورت دقیق وابستگی و همبستگی بین مولکول‌‌های کوچک دارو‌ها رو با پروتئین‌ها تبیین کند.

-به طور سیستماتیک هنوز شبکه‌ای از رفتارآمینواسیدها و پروتئین‌ها تدوین نشده است.

– رفتار جمعی پروتئین‌ها در مقیاس‌های مختلف می‌تواند نتایج متفاوتی داشته باشد که هنوز به طور دقیق بررسی نشده است.

این ایده ‌ها و بسیاری ایده‌های دیگر همواره می‌توانند فرصتی خوب را برای انجام پروژه‌های علمی مختلف فراهم کنند که البته با توجه به بعد آزمایشگاهی کار برای شروع هر پروژه باید بودجه کافی و متناسب با آن فراهم بشود.

برای آشنایی بیشتر می‌توانید به دو مقاله زیر رجوع کنید که البته پایه‌ی اصلی این نوشته نیز می‌باشند.

منابع:

همچنین در صورتی که خیلی علاقمند به این موضوعات هستید و علاقه دارید یک درس خیلی خوب رو در اینترنت دنبال کنید می‌توانید به درس بیوفیزیک مولکولی دانشگاه ایلینوی رجوع نمایید.

سرطان از نگاه پیچیدگی

سرطان به عنوان یکی از بیماری‌های که این روزها نامش بر سرزبان‌ها افتاده است، نامی است که به مجموعه‌ای از بیماری‌هایی اطلاق می‌شود که از تکثیر مهارنشده سلول‌ها پدید می‌آیند. سرطان عموما به عنوان بیماری ژن‌ها شناخته می‌شود؛ به این معنا که تغییرات ژنتیکی می‌توانند منجر به بروز این عارضه شود. از سوی دیگر، تلاش‌های صورت گرفته پیرامون کنترل و درمان سرطان عمدتا بر اساس شناخت ژن‌های موثر در سرطان‌های مختلف، تاکنون با چالش‌های زیادی همراه بوده است. در نگاه پیچیدگی، حرکت‌های جمعی برآمده از برهمکنش‌های یک سیستم‌ بس‌ذره‌ای (سلول) تنها با مطالعه اجزای آن سیستم (ژن‌ها) قابل توصیف نیست و با دانستن این‌که هر جز (ژن) چگونه کار می‌کند، نمی‌توان درک کاملی از مقیاسی بزرگ‌تر (سلول) با سازمان‌دهی مرتبه‌-بالاتری پیدا کرد. در مورد ژن‌ها می‌دانیم که بیان هر ژن بر بیان سایر ژن‌ها اثر می‌گذارد و وجود این همبستگی‌ها سبب تشکیل یک حرکت جمعی می‌شود که خود باعث اثر گذاشتن روی بیان سایر ژن‌ها می‌‌شود. هدف این مطالعه، نگاهی پدیدارشناسانه به سرطان سینه و مقایسه رفتار جمعی ژن‌ها در نمونه سالم و سرطانی است. با در نظر گرفتن سلول به عنوان یک سیستم پیچیده، می‌خواهیم شبکه پیچیده‌ای که در پس این سیستم نشسته است را مورد مطالعه قرار دهیم به امید این‌ که درک بهتری از سرطان از نگاه پیچیدگی پیدا کنیم.

بدین منظور، با در نظر گرفتن هر ژن به عنوان یک اسپین و برهمکنش ژن با ژن به عنوان ضریب جفت‌شدگی بین دو اسپین متناظر با آن‌ها در یک مدل شیشه-اسپینی (مدل گاوسی چند متغیره)، به دنبال استنباط این ضرایب هستیم. برای این‌ کار با استفاده از اصل بیشینه آنتروپی، ماتریس برهمکنش را برای نمونه سالم و سرطانی یافته و از روی آن شبکه تنظیم ژن را برای دو نمونه بازسازی می‌کنیم. این شبکه‌ها، دارای یال‌هایی با وزن‌های مثبت و منفی هستند، بنابراین می‌توانیم در چارچوب نظریه توازن به این شبکه‌ها انرژی نسبت دهیم و تمایل شبکه‌ها نسبت به تغییر وضعیتشان را مورد بررسی قرار دهیم. نتایج ما نشان می‌دهد که توزیع مثلث‌های ایجاد شده در شبکه از یک الگوی توانی پیروی می‌کند. از نقطه نظر چشم‌انداز انرژی، انرژی شبکه سالم از شبکه سرطانی بیشتر است و این به معنای پویایی بیشتر سلول سالم نسبت به سرطانی است. شبکه سرطانی تمایل کم‌تری نسبت به تغییر وضعیت خود دارد و به همین خاطر دسترسی کم‌تری به وضعیت‌های قابل دسترس خود پیدا می‌کند. از سوی دیگر، در شبکه‌ سرطانی، تعداد یال بیشتری دیده می‌شود. وجود یال بیشتر، به معنای ارتباط بیشتر بین اجزا و تاثیر بر دینامیک سلول است. رهیافت دنبال‌شده در این مطالعه به ما در یافتن درک بهتری از سلول به عنوان یک سیستم پیچیده کمک می‌کند.

ارجاع به اثر: arXiv:2010.05897 [q-bio.MN]

 

 

2010.05897

برای اطلاعات فنی بیشتر به این صفحه رجوع کنید.

فرکتال‌ها، مفاهیم مقیاسی و بازبهنجارش

تصمیم گرفتم تا جایی که می‌توانم، مسیر یادگیری سیستم‌های پیچیده را برای علاقمندانی که جرات یادگرفتن و شهامت حرکت کردن بیرون از مرزهای تعریف شده علوم را دارند را هموار کنم. برای شروع قصد دارم چند جلسه کلاس/سمینار در دانشگاه شهید بهشتی (تهران) برگزار کنم. ایده اصلی این جلسات لکچرهایی پیرامون مفاهیم اصلی سیستم‌های پیچیده است بی‌آن‌که وارد جزئیات ریز آن شوم. می‌خواهم طی این جلسات افراد با پیش‌زمینه‌های مختلف با ایده‌های اصلی آشنا شوند.

فیزیک نیوتون و موضوعات مربوط به حساب دیفرانسیل و انتگرال که غالب تفکر علمی سه سده گذشته را تشکیل داده‌اند بر این ایده استوار هستند که هر چه مقیاس فضایی یا زمانی یک سیستم فیزیکی را ریزتر و ریزتر کنیم، با سیستمی ساده‌تر، هموارتر و با جزئیات کمتری روبه‌رو می‌شویم. ملاحظات دقیق‌تری نشان می‌دهد که ساختار ریزمقیاس سیارات، مواد و اتم‌ها بدون جزئیات نیست. با این وجود، برای بسیاری از مسائل، چنین جزئیاتی در مقیاس‌های بزرگ‌تر نامرتبط به حساب می‌آیند. از آن‌جا که این جزئیات مهم نیستند، فرموله کردن نظریه‌ها به شیوه‌ای که اصلا جزئیاتی وجود نداشته باشد منجر به همان نتایجی می‌شود که با در نظر گرفتن توصیف دقیقی از سیستم می‌توان به آن‌ها رسید.

برف دانه کخ – یک فرکتال کاملا خودمتشابه. نگاره از ویکی‌پدیا


می‌دانیم در رویارویی با سیستم‌های پیچیده، هموار کردن پی‌در‌پی سیستم در مقیاس‌های ریزتر معمولا نقطه شروع مناسبی برای مطالعه سیستم به طور ریاضیاتی نیست. درک این موضوع، تغییر چشم‌گیری را در بنیادهای فکری ما به همراه داشته است.

در این سخنرانی ابتدا فرکتال‌ها، به عنوان موجوداتی که در مقیاس‌ ریزتر جزئیاتشان را از دست نمی‌دهند را معرفی می‌کنیم. سپس بی‌آنکه سراغ جعبه ابزار نظریه میدان‌های کوانتومی رویم، ایده بازبهنجارش را به عنوان چارچوب جامع‌تری برای مطالعه رفتار سیستم‌ها در مقیاس‌های مختلف و چگونگی ارتباط این رفتارها مطرح می‌کنیم.

ویدیو:

اسلایدها (کلیک کنید!)

منابع:

«بیست سال علم شبکه»

این نوشته ترجمه‌ای تقریبا وفادار از مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.
این نوشته اشاره‌ی مستقیمی دارد به مقاله منتشر شده در Nature News and Views توسط Alessandro Vespignani به مناسبت تولد ۲۰ سالگی شبکه‌های جهان-کوچک است.


«این ایده که هرکس در دنیا به هرکس دیگری تنها با ۶ درجه جدایی متصل است، ۲۰ سال پیش توسط مدل شبکه‌ «جهان کوچک» توضیح داده شد. چیزی که به نظر می‌رسید کاربرد خاصی داشته باشد تبدیل به یافته‌ای با نتایج فراوان شد.» الساندرو وسپینانی

ماجرا از این‌جا شروع شد که اواخر بهار سال ۱۹۹۸، واتس و استروگتز مقاله‌ای منتشر کردن به اسم «دینامیک جمعی شبکه‌های جهان-کوچک» که در اون مقاله مدلی معرفی شد که «خوشگی» و «فاصله کوتاه بین رئوس» شبکه‌هایی که در زندگی واقعی پیدا میشن رو توصیف می‌کرد. خب، اون اوایل این مدل یه جوری جالب به‌نظر می‌رسید. ولی صرفا به عنوان یک خروجی یا تعمیمی از شبکه‌های منظمی که فیزیک‌دونای آماری و ماده‌چگالی‌ها بهشون عادت داشتن. [در حقیقت تا ۲۰ سال پیش، منظور ما از شبکه توی فیزیک، گراف‌های منظم توری شکلی بودن که بهشون lattice می‌گفتیم و نه network.] اما با گذر زمان، هر چی که دانشمندان رشته‌های مختلفی از این مدل استفاده کردند، پیامد‌های عمیق این مدل بیشتر آشکار شد. به این معنی که درک ما از رفتارهای دینامیکی و گذار فازهایی که توی پدیده‌های روزمره‌ مشاهده می‌کردیم به طور جدی بهتر شد. از فرایندهای واگیری گرفته تا انتشار اطلاعات! به زودی مشخص شد که این مقاله دوران جدیدی از پژوهش رو ایجاد کرده که نهایتا منجر به شکل‌گیری «علم شبکه» به عنوان یک رشته «چندرشته‌ای» شد!

در حقیقت قبل از این‌که واتس و استروگتز مقاله‌شون رو منتشر کنند، الگوریتم‌هایی که برای ایجاد شبکه‌ها استفاده می‌شد به دنبال این بودن که یک شبکه تصادفی ایجاد کنند. مثل مدل اردوش-رینی. ایده اساسی این الگوریتم‌ها این بود که ما نمی‌دونیم چه‌طور هر دو راس در شبکه باید بهم متصل بشن برای همین فرض می‌کنیم که شیوه اتصال هر دو تا راس در شبکه بر اساس یک احتمال از پیش مشخص شده هست. ویژگی مشترک شبکه‌های تصادفی، اینه که هر چقد اندازه شبکه (تعداد رئوس) بزرگ بشه، میانگین طول کوتاه‌ترین مسیر بین هر دو تا راس به صورت لگاریتم تعداد رئوس رشد می‌کنه. منظور از طول (کوتاه‌ترین) مسیر بین دو راس، کمترین تعداد یال (پیوند) برای رسیدن از این راس به اون یکی هست. بنابراین اگر یک شبکه تصادفی N تا راس داشته باشه، میانگین طول مسیر بین هر دو راس که به تصادف انتخاب بشن این شکلی تغییر می‌کنه:

این رفتار لگاریتمی به معنی جهان‌-کوچک بودن هست. همون ایده‌ای که در دنیا هر نفر حداکثر با ۶ تا واسطه به هرکس دیگه‌ای می‌تونه برسه. یعنی آهنگ بزرگ شدن فاصله بین هر دو راس در یک شبکه تصادفی کمتر از آهنگ بزرگ شدن اندازه اون شبکه است. (این رابطه خطی نیست، با دو برابر کردن L ،N دو برابر نمیشه!).

پروفایل چگونگی تغییر متوسط طول کوتاه‌ترین مسیرین بین دو راس در شبکه‌هایی با تپولوژی متفاوت. نگاره از کتاب علم شبکه باراباشی

با این وجود، مدل‌های شبکه‌‌های تصادفی، وجود گروهک‌هایی (Cliques) که در شبکه‌‌های واقعی دیده شده رو توصیف نمی‌کنند. برای اندازه گیری گروهک‌‌دار بودن یک شبکه باید ضریب خوشگی هر راس رو حساب کنیم. برای این‌کار، به‌ازای هر راس، تعداد پیوندهای بین همسایه‌هاش رو می‌شماریم و  تقسیم می‌کنیم بر تعداد کل پیوندهای ممکن بین همسایه‌های راس مورد نظر. در حقیقت ضریب خوشگی معیاری از اینه که چقدر همسایه‌ها به هم متصل هستند. یک شبکه اجتماعی رو در نظر بگیرین، معمولا دوستِ دوستِ شما، دوست شما هم هست! یعنی مثلث‌هایی از روابط توی شبکه‌های واقعی دیده میشه و این درست چیزیه که شبکه‌های تصادفی فاقدش هستن. به عبارت دیگه، احتمال اینکه سه نفر در یک شبکه اجتماعی دوست هم باشن به مراتب بیشتر از چیزیه که شبکه‌ای که طی یک فرایند ساده تصادفی ایجاد شده پیش‌بینی کنه!

سازوکار ایجاد یک شبکه جهان کوچک در مدل واتس-استروگتز با اضافه کردن بی‌نظمی به یک شبکه منظم. نگاره برگرفته از مقاله اصلی ۱۹۹۸

می‌دونیم که شبکه‌های منظم، دارای ضریب خوشگی بالایی هستن و شبکه‌های تصادفی دارای خاصیت نزدیک بودن اعضا به هم! چیزی که یک شبکه جهان-کوچک واقعی نیاز داره هر دوی این ویژگی‌هاست! واتس و استروگتز برای این‌که این دوگانگی رو برطرف کنند پیشنهاد مدلی رو دادن که ابتدا یک شبکه منظم با ضریب خوشگی بالا رو ایجاد کنه و بعد از اون، با احتمال p، یال‌ها رو بین رئوس اصطلاحا بُر بزنه! یعنی برای این‌ کار، از یک شبکه منظم، هر یال رو با احتمال p انتخاب می‌کنید و دو سرش رو به رئوس متفاوتی وصل می‌کنید! به این کار اصطلاحا سیم‌بندی گفته می‌شه و اگر این سیم‌بندی به طور تصادفی انجام بشه، اصطلاحا گفته میشه که یال‌های شبکه رو بُر می‌زنیم! بنابراین با تغییر مقدار می‌تونیم شبکه رو از حالت منظم  (p → 0) به حالت تصادفی (p → 1) تبدیل کنیم.

برای مقادیر بسیار کوچک p شبکه حاصل، یک شبکه منظمه با ضریب خوشگی بالا. اما برای مقادیر کوچک p میان‌برهایی که بین نقاط دور شبکه ایجاد میشه، میانگین طول کوتاه‌ترین مسیر رو کاهش می‌ده. واتس و استروگتز نشون دادن که برای طیف وسیعی از مقادیر p، بسته به تعداد رئوس، میشه شبکه‌های با ضریب خوشگی بالا و میانگین فاصله کمی بین رئوس ساخت. برای همین با این روش میشه پدیده جهان-کوچکی به همراه گروهک‌داربودن رو ایجاد کرد!

وجود میان‌برهای قرمز، به یک شبکه با ضریب‌خوشگی بالا، خاصیت جهان کوچکی می‌بخشد. نگاره از nature

مدل واتس و استروگتز ابتدا به عنوانی مدلی که «شش درجه جدایی» رو توصیف می‌کرد، در نظر گرفته می‌شد. اما در حقیقت مهم‌ترین تاثیرش هموار کردن مسیر مطالعه اثرات ساختار شبکه روی طیف وسیعی از پدیده‌های دینامیکی بود. یک سال پس از انتشار مقاله شبکه‌های جهان-کوچک، آلبرت باراباشی و رِکا آلبرت در مقاله‌ای با عنوان «برآمدگی اثر مقیاسی در شبکه‌های تصادفی» مدلی معروف به مدل شبکه «اتصال ترجیحی‌» رو منتشر کردن که نقش بسیار کلیدی در توسعه پژوهش در نظریه شبکه‌های پیچیده ایفا کرد. در نظریه گراف یا علم شبکه، به تعداد یال‌های متصل به هر راس، درجه اون راس گفته می‌شه و برای شبکه تصادفی، توزیع درجات رئوس، پواسونی هست. ایده مدل باراباشی-آلبرت این بود که توزیع درجات شبکه‌های واقعی، پواسونی نیست بلکه یک توزیع دم‌کلفت (توانی) هست. برای همین باراباشی و آلبرت سازوکاری رو معرفی کردن که به کمکش بشه شبکه‌هایی با توزیع درجات توانی داشت. این که درجات یک شبکه از توزیعی توانی میاد، به معنای وجود پدیده‌هایی نادر ولی مهمه! مثلا تعداد کسانی که توی اینستاگرام بالای ۱۰۰میلیون دنبال‌کننده دارن ۱۰ نفر هست ولی این‌ها افراد سرشناسی هستن! یا مثلا وقتی گفته میشه که در امریکا ۹۹٪ ثروت دست ۱٪ افراد جامعه است، درسته که این ۱٪ تعداد کمی از افراد جامعه امریکا رو تشکیل می‌دن ولی افراد بسیار تاثیرگذاری هستن! از اونجایی که در شبکه‌های جهان-کوچک و شبکه‌هایی که توزیع درجات ناهمگنی دارن طیف وسیعی از گذارفازها و رفتارهای برآمده رو میشه مشاهده کرد، رفته‌رفته دانشمندان زیادی از رشته‌های مختلف به این موضوع علاقمند شدن.

یک شبکه رندم (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.
یک شبکه تصادفی (شبکه جاده‌های امریکا) در برابر یک شبکه باراباشی-آلبرت (شبکه خطوط هوایی امریکا). در شبکه خطوط هوایی، راس‌هایی (فرودگاه‌‌ها) با درجه بسیار بالا وجود دارد در صورتی که در شبکه جاده‌ای این‌گونه نیست. نگاره از کتاب علم شبکه باراباشی.

نکته مهمی که به مرور خیلی جلب توجه کرد، اصطلاحا تپولوژی شبکه‌ها بود، به این معنا که طی سلسله‌ای از پژوهش‌ها متوجه شدیم که چگونگی ارتباطات عناصر در یک شبکه می‌تونه چه تبعات جالبی به همراه داشته باشه. کم‌کم اتفاقات بزرگی رقم خورد. ما تونستیم مقاومت شبکه‌های مختلف رو بررسی کنیم، گسترش‌ بیماری‌های همه‌گیر رو کنترل کنیم، درک عمیق‌تری از انتشار اطلاعات پیدا کنیم و همین‌طور بفهمیم که  همگاه‌سازی رفتارهای‌ برآمده چه‌طور روی شبکه‌ها شکل می‌گیره. به عنوان مثال، با استفاده از مفهوم شبکه‌های جهان-کوچک موفق شدیم که ساختار وب (WWW) رو درک کنیم یا اینکه بفهمیم چه‌طور قسمت‌های آناتومیک و کارکردی مغز با همدیگه ارتباط برقرار می‌کنند. ویژگی‌های ساختاری دیگه‌ای هم کم‌کم مورد مطالعه قرار گرفت، مثل پیمانه‌ای بودن یا مفهوم موتیف‌های شبکه. همه این یافته‌ها در نهایت سبب شد که دانشمندان، معماری شبکه‌های موجودات زنده و مصنوعی رو شناسایی و درک کنند، از شبکه‌های زیرسلولی گرفته تا زیست‌بوم‌ها و اینترنت!

به لطف توان محاسباتی بی‌سابقه، مجموعه داده‌های بزرگ و تکنیک‌های مدلسازی محاسباتی موجود، پژوهش‌های روز این حوزه موفق شدن که پلی بین دینامیک تک‌تک راس‌ها  و ویژگی‌های برآمده بزرگ‌مقیاس شبکه‌ها برقرار کنن. با این وجود، سادگی و دم‌دست بودن مدل‌های جهان‌-کوچک و اتصال ترجیحی هنوز پایه‌ی فهم ما از تپولوژی شبکه‌ها رو تشکیل می‌دن و از صدقه‌سر ارتباط این مدل‌ها با شاخه‌های مختلف علم، امروز رسما با یک حوزه بین‌رشته‌ای به اسم «علم شبکه» روبه‌رو هستیم!

نکته‌ای که حتما باید بهش اشاره کنیم اینه که جمع‌آوری دانش و روش از رشته‌های کاملا مختلفی مثل علوم اجتماعی، ریاضیات کاربردی، فیزیک، زیست‌شناسی و علوم کامپیوتر واقعا کار آسونی نبوده! سال‌ها جنگ و جدل به خاطر توافق بر سر تعاریف و مفاهیم بوده و واقعا انرژی زیادی صرف شده تا رهیافت‌هایی که مردم در رشته‌های مختلف به کار بردن برای بقیه هم واضح بشه! ولی ما این کار رو انجام دادیم! طی ۲۰ سال گذشته، یک جامعه پرجوش و خروشی از علم شبکه ایجاد شده که برای خودش مجلات معتبر، موسسات تحقیقاتی و کنفرانس‌هایی با هزاران دانشمند داره!

در ۲۰امین سالگرد انتشار مقاله واتس و استروگتز، بیتشر از ۱۸۰۰۰ مقاله به این مدل که یکی از نمادهای تپولوژی شبکه‌ است ارجاع دادن. واتس و استروگتز مقاله‌شون رو با این جمله تموم می‌کنن که «امیدواریم که کار ما انگیزه‌بخش مطالعات بیشتر شبکه‌های جهان-کوچک بشه!» شاید در بستر تاریخ، هیچ گزاره‌ای اینقدر پیشگویانه نبوده باشه!

این ویدیو در مورد ظهور علم شبکه است:

تورم کیهانی، تلاشی برای رفع مشکلات نظریه مه‌بانگ

«در ۱۹۸۱ میلادی، مدل تورم توسط آلن گوت، برای پاسخ به چند مشکل اساسی در نظریه مهبانگ داغ، ارایه شد.»

 

نظریه مهبانگ داغ از جهات زیادی، یک نظریه‌ی موفقیت‌آمیز بوده و هم‌خوانی زیادی با مشاهدات رصدی داشته است که به‌طور خلاصه می‌توان به موارد زیر اشاره کرد:

  • گسترش کیهان
  • وجود تابش زمینه کیهانی و توصیف طیف آن
  • فراوانی عناصر سبک در کیهان(دوران هسته سازی)
  • اینکه سن پیش بینی شده‌ی کیهان، قابل مقایسه با اندازه‌گیری‌های مستقیم انجام شده روی سن اجرام درون آن است
  • و اینکه با وجود داشتن بی‌نظمی‌های موجود در تابش زمینه‌ی کیهانی، میتوان توصیف قابل قبولی برای رشد ساختار در کیهان به وسیله‌ی رمبش گرانشی داشت.

مسأله‌ افق

اما با وجود این موفقیت‌ها، نظریه‌‌‌‌ی مهبانگ داغ نمی تواند به چند پرسش اساسی پاسخ دهد؛ اول آن‌که چرا کیهان در مقیاس‌های بزرگ تا این اندازه همگن و همسانگرد است؟ با نگاه کردن به طیف تابش زمینه‌ی کیهانی می‌توان دریافت که نقاط مختلف آسمان، با دقت زیاد(از مرتبه‌ی یک در صد هزار)، در همه‌ی جهات دارای ویژگی‌های کاملا یکسان هستند. به طور معمول برای آنکه دو جسم شبیه به هم باشند، باید زمانی با یکدیگر در تماس بوده باشند تا اصطلاحا به تعادل گرمایی برسند. به عنوان مثال وقتی یک لیوان چای داغ را در محیط اتاق قرار دهید، پس از مدتی با محیط هم‌دما شده و به تعادل گرمایی می‌رسند. اما دو نقطه‌ در جهت مقابل یک‌دیگر در آسمان که نورشان از دوران واجفتیدگیِ نور و ماده به ما می‌رسد، نمی‌توانند روزی در تماس با هم بوده باشند؛ چرا که نور هر یک، از آن زمان تا به حال در راه بوده تا تنها به نقطه‌ای که ما قرار داریم برسد.

مسأله‌ی افق. فوتون‌هایی که از دو لبه‌ی کیهان به ما می‌رسند، زمان کافی برای این‌که در گذشته به تعادل ترمودیناکی برسند را نداشته‌اند. نگاره از ویکی‌پدیا

حال آن‌که حداقل به همان اندازه زمان نیاز بوده است تا بتواند با نقطه‌ی دیگر برهم‌کنش داشته باشد. البته با انجام محاسبات، می‌توان نشان داد که حتی دو نقطه‌ در فاصله‌ی زاویه‌ای حدود دو درجه در آسمان نیز زمان کافی برای رسیدن به تعادل گرمایی را نداشته‌اند؛ زیرا دو نقطه، باید پیش از دوران واجفتیدگی به تعادل گرمایی رسیده باشند. دوره‌ی واجفتیدگی به دوره‌ای گفته می‌شود که به علت گسترش فضا و در نتیجه کاهش دمای کیهان، انرژی فوتون‌ها به اندازه‌ای کاهش یافته است که از آن پس، فوتون‌ها دیگر با هسته‌های اتم برهم‌کنش نداشته و آزادانه در فضا منتشر شده اند. تا پیش از آن، فوتون‌ها به علت پراکندگی زیاد از هسته‌ها، قادر به طی کردن مسافت‌های طولانی نبودند. بنابراین از آن‌‌جایی که برای برهم‌کنش دو نقطه با یک‌دیگر، نور باید مسافت بین‌شان را بپیماید، نسبت به حالت عادی بعد از این دوره، زمان بیشتری نیاز است تا به تعادل گرمایی برسند. این پرسش که چرا طیف تابش زمینه‌ی کیهانی در همه‌ی جهات تقریبا یکسان است، معروف به مسأله‌ی افق می‌باشد.

مسأله تخت بودن

پرسش دیگر موسوم به مسأله‌ی تخت بودن، در مورد هندسه‌ی کیهان است. طبق مشاهدات رصدی به خصوص تابش زمینه‌ی کیهانی، جهان تقریبا تخت است. در واقع هندسه‌ی فضا ـ زمان با همان هندسه‌ی آشنای اقلیدسی یا به بیان دیگر متریک مینکوفسکی توصیف می‌شود؛ طبق نظریه‌ی نسبیت عام انیشتین، فضا ـ‌ زمان میتواند بسته به توزیع چگالی ماده‌ي (یا انرژی) درون آن، دارای انحنا باشد.

هندسه محلی جهان با توجه به اینکه چگالی نسبی Ω کوچکتر،بزرگتر یا برابر با یک باشد، تعیین می گردد. از بالا به پایین: یک جهان کروی با چگالی بیشتر از چگالی بحرانی (Ω>1, k>0)؛ جهان هایپربولیک با چگالی کمتر از چگالی بحرانی (Ω<1, k<0)؛ و یک جهان تخت با چگالی دقیقا برابر با چگالی بحرانی (Ω=1, k=0). جهان ما برخلاف این نمودار ها، سه بعدی است. نگاره از ویکی‌پدیا

اگر چگالی ماده در جهان کمتر از مقدار معینی موسوم به چگالی بحرانی باشد، انحنا منفی بوده و جهان باز است؛ در واقع کیهان تا ابد به گسترش خود ادامه خواهد داد. اگر چگالی کل ماده از چگالی بحرانی بیشتر باشد، انحنا مثبت بوده و اصطلاحا جهان بسته است؛ به عبارت دیگر، گسترش کیهان پس از مدتی متوقف شده و شروع به رمبش می‌کند تا به نقطه‌ی تکینگی یا مه‌رُمب برسد. در حالتی که چگالی ماده در کیهان با چگالی بحرانی برابر است، با جهانی تخت رو به رو هستیم که انحنای آن صفر می‌باشد. همچنین به نسبتِ چگالی کل کیهان به مقدار چگالی بحرانی آن در هر زمان، پارامتر چگالی گفته می‌شود. طبق تعریف های بالا می‌توان به سادگی دریافت، در صورتی که این پارامتر برابر یک باشد، جهان تخت است و اگر بزرگ‌تر یا کوچک‌تر از یک باشد، به ترتیب انحنای فضا ـ زمان، مثبت و منفی خواهد بود. طبق آخرین داده‌های رصدی، مقدار پارامتر چگالی در حال حاضر بسیار به یک نزدیک بوده و جهان با دقت نیم درصد تخت است. با حل معادلات می‌توان نشان داد که با گذشت زمان، انحراف از تخت بودن افزایش می‌یابد، به‌طوری‌که کوچک‌ترین انحراف از تختی در دوران اولیه‌ی کیهان، خیلی زود به جهانی با انحنای غیر صفر می‌انجامد. بنابراین با توجه به مقدار کنونیِ پارامتر چگالی، هر چه به زمان‌های عقب‌تر برویم، مقدار این پارامتر به یک نزدیک‌تر شده و جهان به تخت بودن، نزدیک و نزدیک‌تر می‌شود.

مثلا در دوران واجفتیدگی (سیصد و هشتاد هزار سال بعد از مهبانگ)، اختلاف پارامتر چگالی از عدد یک، از مرتبه‌ي یک در صد هزار است. در دوران هسته سازی (یک ثانیه پس از مهبانگ)، این مقدار از مرتبه‌ی یک در یک میلیارد میلیارد بوده و در مقیاس‌های انرژی الکتروضعیف (یک هزار میلیاردم ثانیه بعد از مهبانگ)، کیهان با دقتِ یک در هزار میلیارد میلیارد میلیارد، تخت بوده است!

مسأله تخت بودن و تنظیم ظریف.

پرسشی که در اینجا مطرح می‌شود این است که چرا کیهان باید با مقدار اولیه‌ای تا این اندازه نزدیک به تخت بودن، آغاز شده باشد. گویی که کیهان دارای تنظیمی ظریف است. هر اختلاف ناچیزی از این مقدار اولیه، می‌توانسته به تفاوتی فاحش منجر شده و کیهان را به شکلی دیگر درآورد.

مسأله ذرات یادگاره

این دو پرسش یعنی مسأله‌ی افق و مسأله‌ی تخت بودن، توسط یاکوف بوریسوویچ زلدوویچ، در اوایل دهه‌ی ۱۹۷۰ میلادی مطرح شد. وی چند سال بعد، در ۱۹۷۸ میلادی، مسأله‌ی دیگری با عنوان مسأله‌ی تک‌قطبی مغناطیسی را مطرح کرد که در واقع نوع دیگری از همان مسأله‌ی افق است که در فیزیکِ ذراتِ بنیادین مطرح می‌شود. طبق پیش‌بینی نظریه‌های مدرنِ ذرات، یک سری از ذرات یادگاره‌ که در دوران آغازین کیهان تولید شده‌اند، باید در کیهان امروزی نیز وجود داشته باشند. این یادگاره‌ها شامل موارد زیر هستند:

هر چند که در ابتدا، مسأله‌ی تک‌قطبی‌های مغناطیسی که از نتایج نظریه‌ی وحدت بزرگ هستند مطرح شد، اما این بحث برای بقیه‌ی یادگاره‌ها نیز برقرار است. تک‌قطبی‌ مغناطیسی نسبت به ذراتی مانند پروتون‌ بسیار سنگین‌تر بوده و به‌همین‌خاطر باید در زمان‌های نزدیک به ما به صورت غالب در کیهان ما حضور داشته باشند. این در حالی است که تا به امروز هیچ تک‌قطبی مغناطیسی در جهان مشاهده نشده است!

مدل تورم

نگازه از edge.org
آلن گوث، نگازه از edge.org

سه سال بعد، آلن گوت، مدل تورم را برای پاسخ به مسأله‌ی تک‌قطبی مغناطیسی پیشنهاد داد. اما خیلی زود مشخص شد که این مدل می‌تواند پاسخ‌گوی بقیه‌ی پرسش‌ها نیز باشد. ایده‌ی مدل تورم بسیار ساده است؛ جهانِ خیلی آغازین، دست‌خوش گسترشی بسیار بزرگ شده است. در واقع در بازه‌ی زمانی ۱۰−۳۶ تا حدود ۱۰−۳۲ ثانیه پس از مهبانگ، کیهان به صورت نمایی گسترش یافته، به‌طوری که در این بازه‌ی زمانی بسیار کوتاه، از چیزی بسیار کوچک‌تر از یک اتم تا حدود اندازه‌ی یک توپ بسکتبال، افزایش حجم پیدا کرده است! گسترش بسیار سریع کیهان در دوره‌ی تورم، موجب شد تا ذرات یادگاره رقیق شوند؛ بدین ترتیب، مقدار آن‌ها در کیهان امروزی قابل اغماض خواهد بود. هم‌چنین دو نقطه‌ای که در حال حاضر در فاصله‌ي زیاد از یک‌دیگر قرار دارند، در زمان پیش از تورم، قادر بوده‌اند در تماس با یک‌دیگر باشند؛ چرا که تورم باعث دور افتادن آنها از یک‌دیگر با سرعتی بسیار بیشتر از سرعت نور شده است. بنابراین دو نقطه‌‌ی به ظاهر غیر مرتبط با یک‌دیگر در زمان کنونی، پیش از تورم در تعادل گرمایی بوده‌اند. در مورد مسأله‌ی تخت بودن نیز این‌طور می‌توان بیان کرد که به علت کش‌آمدگی زیادِ کیهان در این دوره، هر گونه انحنای اولیه‌ی فضا ـ زمان، به جهانی بسیار نزدیک به جهانِ تخت منجر شده تا آن‌جا که امروز نیز کیهان تقریبا تخت است. تنها در آینده‌ای دور است که بار دیگر پارامتر چگالی از مقدار یک فاصله خواهد گرفت.

علاوه بر موارد یاد شده، امروزه می‌دانیم مدل تورمی، نقش مهمی در توصیف منشأ ساختارها در کیهان و وجود ناهمسانگردی‌های موجود در طیف تابش زمینه‌ی کیهانی دارد؛ همانطور که پیشتر اشاره شد، طیف تابش زمینه‌ی کیهانی کاملا همگن نیست، بلکه افت و خیزهای دمایی ناچیزی از مرتبه‌ی یک در صد هزار، در آن مشاهده می‌شود. احتمالا این افت و خیزها توسط نیروی گرانش تقویت شده‌ و بنابراین مناطقی با چگالی بیشتر و بیشتر به وجود آمده‌اند که هسته‌های اولیه برای اولین ستارگان را تشکیل داده و بعدها منجر به ساختِ ساختارهای بزرگ‌تر مانند کهکشان‌ها، خوشه‌های کهکشانی و نهایتاً ابرخوشه‌ها در کیهان شده‌اند.

نمایش تعمیم نظریه مه‌بانگ توسط مدل تورم

طبق مدل تورم، طی این دوره، افت و خیزهای کوانتومی اولیه در خلأ، با کش‌ آمدن کیهان، تبدیل به افت و خیزهای کلاسیک شدند و ناهمسانگردی‌های موجود در طیف تابش زمینه‌ی کیهانی را به وجود آوردند.

در پایان، باید به این نکته توجه داشت که مدل تورم به عنوان رقیبی برای نظریه‌ی مه‌بانگ داغ نیست، بلکه در دوران خیلی آغازینِ کیهان اتفاق افتاده و نظریه‌ی مهبانگ داغ، برای زمان‌های بعد از این دوره، با تمام موفقیت هایش در توصیف کیهان، صادق است.