Forskare vid University of Bristol har visat att laboratorieodlade kluster av mänskliga hjärnceller på ett tillförlitligt sätt kan ta emot, bearbeta och vidarebefordra taktil information - med hjälp av punktskriftalfabetet som sin testsignal. Studien, publicerad i tidskriften Frontiers in Artificial Intelligence, faktureras som ett nyckelsteg mot biohybriddatorer som kopplar samman levande neural vävnad med elektroniska sensorer.
Forskningen tar upp en bedrägligt enkel fråga i hjärtat av organoid intelligens: kan en liten, delvis bildad bit av hjärnvävnad troget vidarebefordra information den tar emot? För att ta reda på det kopplade ett Bristol-baserat team under ledning av första författaren Tianyi Liu, en doktorand, och seniorförfattaren Dr Benjamin Ward-Cherrier hjärnorganoider till en riktig taktil sensor och frågade om meningsfull information kunde återställas på andra sidan. For more context on this story, see our ongoing latest AI developments.
"Vi kan ta information från en riktig taktil sensor, förvandla den till en form som ett levande neuralt nätverk kan ta emot, och sedan återställa meningsfull information från organoidresponsen", sa Liu i universitetets tillkännagivande om resultaten. "Det ger oss ett praktiskt sätt att koppla ihop artificiella sensorer med biologiska neurala system, vilket är en mycket intressant möjlig väg mot mer energieffektiv datoranvändning."
Hur man gör en cellklump avläst
Organoiderna i centrum av experimentet är långt ifrån miniatyrhjärnor. Var och en är mindre än en millimeter tvärs över, saknar många strukturer som finns i en mänsklig hjärna och innehåller ungefär 10 000 neuroner tillsammans med stödjande celler - modellerade på den mänskliga framhjärnan. De sitter på multielektrodarrayer inuti ett system som håller vävnaden vid liv samtidigt som de övervakar dess elektriska svar, vilket gör det möjligt för forskare att både stimulera och registrera neural aktivitet.
Testprotokollet följde signalen från beröring till vävnad till klassificering. Först applicerade teamet en taktil sensor på de 26 bokstäverna i punktskriftalfabetet, och registrerade data varje producerad bokstav. Dessa data omvandlades till elektriska stimuleringsmönster, som levererades till organoiderna. Forskarna undersökte sedan om den resulterande neurala aktiviteten kunde avslöja vilken bokstav som hade presenterats - i själva verket om vävnaden hade "läst" signalen den gavs.
Avkodning föll till en stödvektormaskin, en enkel maskininlärningsalgoritm som sorterade mönster av neural aktivitet och matchade dem till specifika bokstäver. En enda organoid producerade konsekvent en avkodningsbar signal cirka 61 % av tiden. När utdata från tre organoider kombinerades steg noggrannheten till cirka 83 %.
Tre organoider slår en — och ingen är säker på varför
Ensembleresultatet är bland de mest spännande fynden. Forskarna kan ännu inte helt förklara varför tre organoider överträffar en, även om de misstänker att svaret ligger i naturlig variation: inga två organoider utvecklas på exakt samma väg.
"Olika organoider kan ha något olika nätverksanslutningar, utvecklingstillstånd och pågående aktivitet, så samma input kan producera liknande men inte identiska svar," sa Liu. "Att kombinera dessa svar kan ge oss kompletterande information som vi inte skulle få från en enda organoid. Samtidigt, om varje organoid beter sig annorlunda, gör det uppenbarligen det svårare att bygga ett förutsägbart och standardiserat system."
Teamet betonade också vävnadens produktion. När forskarna lade till artificiellt brus till punktskriftssignalerna, visade det sig att avkodning från organoidernas svar var svårare att lura än att avkoda de försämrade signalerna direkt med samma algoritm. Efter bearbetning av organoiderna behöll data tillräckligt med struktur för att klassificeraren skulle kunna välja ut den korrekta bokstaven mer robust än den råa bullriga inmatningen tillät.
"Efter bearbetning av organoiderna innehåller de taktila data fortfarande tillräckligt med information för att klassificera punktskrift med god noggrannhet", säger Ward-Cherrier. "Att kombinera utdata från flera organoider visade också en förbättring i prestanda."
Varför biologisk beräkning frestar forskare
Motivationen är energi. Den mänskliga hjärnan körs på ungefär 20 watt medan den utför beräkningar som kräver storleksordningar mer elektricitet från konventionell hårdvara – ett gap som har ökat i takt med att AI-datacenter förökar sig. Neuromorfa chips försöker fånga hjärnans effektivitet i kisel, och organoid intelligens representerar den mer radikala versionen av samma satsning: använd faktiska neuroner istället för att imitera dem.
Potentiella applikationer fokuserar på robotik och autonoma system, där varje watt spelar roll och taktil avkänning är avgörande. En sensor som kan överföra signalbehandling till levande neuroner - eller en dag bilda en sluten slinga med dem - kan omforma kraftbudgeten för maskiner som behöver uppfatta och reagera i realtid.
Varning innan rubrikerna springer iväg
Bristol-teamet är tydligt om vad experimentet inte visar. Organoiderna lärde sig inte; de svarade på stimulering, men forskarna visade inte på långvarig förändring i vävnaden. Uppgiften var en enda taktil, med ett fast kodningsschema och ett relativt enkelt mått på neural aktivitet.
"Vi visade att taktil information kunde kodas, bearbetas genom organoiderna och avkodas, men vi visade inte inlärning eller långsiktiga förändringar i organoiderna," sa Liu.
De nästa stegen, säger teamet, når bortom punktskrift. Forskarna är intresserade av rikare taktila input som texturer och kanter, och så småningom i slutna-loop-uppgifter där en organoid får feedback från konsekvenserna av sin egen produktion - konfigurationen som skulle börja testa om levande vävnad kan anpassa sig till en uppgift snarare än att bara överföra genom den.
För närvarande står resultatet som ett tekniskt bevis: signaler från den fysiska världen kan komma in i levande neurala vävnader och komma tillbaka ut igen igenkännbara på andra sidan. Det är långt ifrån en biohybriddator, men det är den typen av oglamorös milstolpe - pålitlig transduktion, mätbar noggrannhet, ärliga felstaplar - som tidigare datorrevolutioner också byggdes på.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
