超前、创新，脑类器官智能是否能成为下一代超算系统

与机器学习/AI相比，生物学习在解决计算问题时使用的功率要少得多。例如，斑马鱼幼体使用只有0.1微瓦的功率即可进行生物导航，从而成功地捕猎猎物以及避免捕食者。相比之下，用于掌握最先进的机器学习模型的同样操作，功率则在~10⁶瓦。此外，生物学习使用更少的训练样本来学习如何解决问题。例如，人类学习一个简单的“区分相同与不同物品”的任务需要使用大约10个训练样本；而在2011年，机器即使使用10⁶个样本也不能学习这些区别，到2018年，10⁷个样本仍然不足。

2013年，斯坦福大学的一组生物工程师宣布他们创造了一个生物晶体管，他们称之为“transcriptor” ^[2]。

2017年，与E. Coli相关的实验在Nature上发表，它展现了利用活细胞进行计算任务和存储信息的潜力：它们利用核苷酸序列记录信息，并将其称为核苷酸计算机。研究团体还提出通过这个技术有望在E.Coli的DNA中储存图像数据甚至是影像数据 ^[3]。

2021年，由生物物理学家Sangram Bagh为首的研究团队使用E. coli解决了2 x 2迷宫问题，探索了细胞之间的分布式计算原理 ^[4][5]。

2022年11月，中国浙江的之江实验室 (Zhejiang Lab) 与全球顶级合作伙伴合作，推出了BioBit项目，旨在探索国际生物计算领域的新科学研究方向。

由此我们可以了解到，生物计算是一个综合型的学科，它利用生物材料结合现代物理学、数学等知识，从而开发出新的信息储存与计算的产物。

脑类器官作为一种三维细胞培养体系，近年来在神经科学和生物医学研究中受到了广泛的关注。这些微型、自组织的细胞结构模拟了人脑的某些关键特性和功能，为研究者提供了一个独特的平台，用于研究大脑的发育、功能和疾病。但是，除了其在基础研究中的应用外，脑类器官在生物计算领域也显示出巨大的潜力。

脑类器官的结构和功能与真实的大脑相似。它们由多种神经细胞类型组成，包括神经元和胶质细胞，这些细胞之间的相互作用和通信模拟了大脑的复杂网络。这种细胞间的互动为数据处理、学习和记忆提供了生物学基础。因此，脑类器官为研究者提供了一个模型，用于研究如何模拟、增强甚至超越人脑的计算能力。

脑类器官的可塑性和适应性使其成为理想的OI材料。与传统的硬件计算系统相比，生物系统具有独特的能力，可以根据环境和经验进行自我组织和调整。这种生物学上的适应性为OI提供了一个动态、可调整的平台，可以根据输入数据和任务需求进行优化。

脑类器官的生物兼容性也为其在OI中的应用提供了优势。与传统的硅基计算系统相比，脑类器官可以与生物系统无缝集成，为实时、持续的数据采集和处理提供了可能性。这种集成能力为OI的实际应用，如健康监测、疾病诊断和治疗提供了巨大的潜力。

OI的研究目标是建立全新的生物计算形式，利用脑类器官推进科学和生物工程进展。这需要将当前的脑类器官扩展为复杂、持久的3D结构，富含与学习相关的细胞和基因，并将其连接到下一代输入和输出设备以及AI/机器学习系统。OI需要新的模型、算法和接口技术来与脑类器官通信，了解它们如何学习和计算，以及处理和存储它们将产生的大量数据。

我们基于Smirnova的文章内容简单分析一下这个生物计算系统的思路。它主要是通过微电极外壳搭建脑类器官信息闭环系统：通过电和化学（神经递质及其相应的受体激动剂和拮抗剂）刺激脑类器官，进而通过成像的方式收集相关的应激信号。这种生物信号将会被记录，通过AI学习的方式将这种输入与输出的关联信号进行记录与训练，如此一来即可搭建一套信息储存与关联的机制。进一步的研究可以借助实证测试、完善和发展神经计算理论去解释生物智能的基础，实现人与OI系统的互动。同时通过增加生物质，串联视网膜类器官、增加脑类器官的复杂性、提高电极的数量以及完善与脑类器官的实时互动的算法，建立更为复杂的大数据系统，进一步提高OI系统的计算能力与互动性。

为了进一步实现这一功能，需要用到三个关键的技术，类器官培养技术、3D微电极阵列技术和AI信息储存与分析。

3D脑类器官培养技术的进步为我们提供了一个更接近真实大脑的模型，这些类器官可以从胚胎干细胞或iPSC中生成。与传统的2D培养相比，3D脑类器官提供了更高的细胞密度和更复杂的结构。然而，由于缺乏有效的血管系统，这些类器官的大小和复杂性受到限制。微流控灌注系统为解决这一问题提供了一个解决方案，它们可以模拟血管系统，为类器官提供必要的营养物质和氧气，同时排放废物。这些系统的进一步发展将为生物计算和神经科学研究提供更为复杂和功能性的3D脑类器官模型。

从脑类器官中稳健且可重复地记录电生理输出是至关重要的。这需要解决在读取和写入复杂神经组件时面临的各种挑战。微电极阵列（Microelectrode arrays, MEAs）是许多此类接口的核心，因为它们既可以用于刺激也可以用于记录。但是区别于传统的培养细胞，类器官是一个三维的细胞结构，因此2D MEAs在信号收集方面会有一定的限制。文献中提到了一种称为“外壳MEAs”(shell MEAs) 的技术，其灵感来源于用于从头皮记录大脑电模式的EEG帽 (electroencephalograph)。这种设计允许脑类器官在柔软、超软涂层的、自折叠的、起皱的外壳内生长，这些外壳上覆盖有带有纳米结构和探针的图案。这种模型允许在整个脑类器官的表面上进行多通道的刺激和记录，显著增加记录的表面积，从而具有前所未有的分辨率和高信噪比。未来的系统可能允许脑类器官围绕可植入电极生长，以进一步提高信号分辨率并访问脑类器官的内部。

脑类器官的学习和记忆能力是其在生物计算中的关键潜力。通过利用生物反馈、大数据和AI/机器学习技术，我们可以训练脑类器官响应特定的刺激模式，从而实现有监督的学习。AI分析提供了对这些反应的深入理解，而大数据基础设施为处理和分析这些数据提供了必要的工具。这三个部分共同为利用脑类器官的计算潜力提供了一个全面的框架。随着这些技术的进一步发展，我们可以期待在未来的生物计算领域取得更大的突破。

OI技术作为生物计算系统，与传统的机器计算机相比具有功率低且效率高的明显优势。除了OI的应用以外，脑类器官本身在脑科学的应用方面也体现出重要的价值：其能够模拟人脑的工作方式，帮助我们理解人脑的结构和功能。此外，脑类器官还可以用于研究各种神经系统疾病，可能会帮助我们找到新的治疗方法。

然而，OI技术也面临着一些挑战。技术上，脑的结构复杂，神经元很多，我们还需要进一步完善类器官的培养技术，以便更好地形成复杂结构以模拟人脑的工作方式。此外，我们还需要开发更高效的数据处理和分析工具，以处理脑类器官产生的大量数据。伦理上，尽管通过iPSC技术，利用皮肤细胞诱导干细胞再诱导为脑类器官，可以减少一些伦理上的影响，但是依然不可完全避免产生争议。例如，如果类器官能够模拟人脑的工作方式，那么它们是否能够产生意识？如果可以，那么我们应该如何对待这些类器官？这些问题需要我们在科技进步的同时，也考虑其伦理影响。

随着技术的进步，我们可以期待脑类器官在大小和复杂性上都将取得更大的突破，这将为生物计算提供更为强大的工具。同时，与AI技术的结合将进一步提高数据处理和分析的效率。此外，随着伦理问题的深入研究和讨论，我们可以期待在未来找到一个平衡点，使得脑类器官的研究既能满足科学的需求，又能尊重生命的价值。我们相信，生物计算和OI技术将为未来的科学研究和技术发展提供无限的可能性。

关注丹纳赫生命科学微信视频号和bilibili账号

下周观看完整视频

更多技术资讯视频

也可在丹纳赫生命科学bilibili官方账号上观看

在OI研究方面，利用共聚焦成像进行脑类器官的反馈信息观察与收集是研发阶段的重要步骤。同时高度集成的脑类器官串联系统是实现更高计算力的后续技术发展方向，因此除了高清晰的共聚焦成像，实现高通量的成像观察也是研究需求的一部分。

丹纳赫生命科学旗下徕卡显微系统的MICA全场景显微成像分析平台，满足不同检测精细度及应用目的需要，还可以直接培养并观察细胞。

此外，丹纳赫生命科学旗下美谷分子仪器的ImageXpress Confocal HT. ai智能型共聚焦高内涵成像与分析平台，提供各种类型类器官模型高通量成像与3D分析。

[1] Lena Smirnova et al, "Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish", 28 February, 2023

[2] Robert T. Gonzalez (March 29, 2013). "This new discovery will finally allow us to build biological computers". IO9. Retrieved 29 March, 2013

[3] Waltz, Emily (12 July 2017). "Scientists Store Video Data in the DNA of Living Organisms". IEEE Spectrum. Retrieved 28 November 2021

[4] Sarkar, Kathakali; Chakraborty, Saswata; Bonnerjee, Deepro; Bagh, Sangram (15 October 2021). "Distributed Computing with Engineered Bacteria and Its Application in Solving Chemically Generated 2 × 2 Maze Problems". ACS Synthetic Biology. 10 (10): 2456–2464.

[5] Siobhan Roberts, Siobhan. "An E. coli biocomputer solves a maze by sharing the work". MIT Technology Review. Retrieved 27 November 2021