Исследователи Бристольского университета провели эксперимент, в котором три миниатюрные модели мозга, выращенные в лаборатории, участвовали в обработке тактильных сигналов, соответствующих буквам алфавита Брайля. В результате система, объединяющая биологическую нервную ткань и алгоритм машинного обучения, распознавала входные сигналы с точностью 83%. Для сравнения: при использовании одного органоида этот показатель составлял лишь 61%. Работа демонстрирует, что лабораторно выращенная нервная ткань способна выполнять не тривиальные вычислительные функции в рамках биогибридных систем, хотя и в строго ограниченных условиях.

Что такое органоиды и как их подключили к системе

Органоиды — это трёхмерные модели органов или их отдельных структур, полученные из стволовых клеток в условиях лаборатории. В данном эксперименте использовались органоиды мозга человека размером менее одного миллиметра, каждый из которых содержал порядка 10 000 нейронов и вспомогательных клеток. Учёные разместили их на многоэлектродных матрицах — устройствах, которые одновременно поддерживают жизнеспособность нервной ткани, подают ей электрические стимулы и регистрируют ответную активность. Именно такая конфигурация позволяет рассматривать органоид не как пассивный объект, а как активный элемент вычислительной цепи.

Как был построен эксперимент

Для генерации входных данных исследователи применили тактильный сенсор, фиксирующий сигналы, соответствующие 26 буквам алфавита Брайля. Полученные данные преобразовали в электрические импульсы и подали непосредственно на органоиды. Далее алгоритм машинного обучения анализировал возникающую нейронную активность и определял, какой букве соответствует входной сигнал. Таким образом, нервная ткань выступала не просто проводником, а промежуточным звеном обработки информации между искусственным сенсором и компьютерной системой распознавания. Это принципиально отличает подход от классического нейрочипа, где сигнал проходит по заданной электронной схеме.

Почему три органоида работают лучше одного

Ключевой результат эксперимента — рост точности с 61% до 83% при переходе от одного органоида к трём. Авторы выдвигают гипотезу, что дело в естественных различиях между отдельными образцами: у них неодинаковые синаптические связи между нейронами, разные стадии развития и фоновая активность. Вследствие этого один и тот же входной сигнал вызывает не полностью идентичные ответы, которые могут содержать взаимодополняющую информацию. При этом исследователи подчёркивают, что точный механизм такого синергетического эффекта пока не установлен, и это остаётся открытым вопросом для дальнейших исследований.

Устойчивость к помехам и ограничения эксперимента

Команда дополнительно проверила, как система ведёт себя в условиях искусственных помех. Учёные искажали сигналы, соответствующие буквам Брайля, и сравнивали качество распознавания по ответам органоидов с прямым анализом зашумлённых данных тем же алгоритмом. В условиях помех система с тремя органоидами сохраняла точность лучше, чем чисто электронный вариант. Это указывает на то, что биологический компонент может быть полезен не только для передачи сигналов, но и для обработки информации при ухудшении входных данных. Вместе с тем авторы чётко ограничивают интерпретацию: эксперимент не доказывает, что органоиды «научились читать» в человеческом смысле, понимают буквы или способны обучаться на собственном опыте. Демонстрировано распознавание сигналов в одной специально организованной задаче с заранее заданным способом кодирования.

Что дальше: от букв к текстурам и обратной связи

Следующий этап работы, по планам команды, — проверить, как органоиды справляются с более сложными тактильными сигналами: текстурами поверхностей, краями предметов и различными типами прикосновений. Учёные также намерены перейти к системам с обратной связью, в которых результат действий влияет на последующие сигналы, поступающие к нервной ткани. Это позволит проверить, способны ли органоиды адаптироваться на основе опыта. Однако исследователи предупреждают, что индивидуальные различия между органоидами, с одной стороны, могут обогащать вычислительный процесс, а с другой — затрудняют создание предсказуемых и стандартизированных биогибридных устройств. Таким образом, путь от лабораторного эксперимента к прикладному продукту остаётся долгим и требует решения ряда фундаментальных и инженерных задач.