Дослідники Брістольського університету провели експеримент, у якому три мініатюрні моделі мозку, вирощені в лабораторії, брали участь в обробці тактильних сигналів, що відповідають буквам алфавіту Брайля. У результаті система, що об'єднує біологічну нервову тканину та алгоритм машинного навчання, розпізнавала вхідні сигнали з точністю 83%. Для порівняння: при використанні одного органоїда цей показник становив лише 61%. Робота демонструє, що лабораторно вирощена нервова тканина здатна виконувати нетривіальні обчислювальні функції в рамках біогібридних систем, хоча й у суворо обмежених умовах.

Що таке органоїди та як їх підключили до системи

Органоїди — це тривимірні моделі органів або їх окремих структур, отримані зі стовбурових клітин в умовах лабораторії. У цьому експерименті використовувалися органоїди мозку людини розміром менше одного міліметра, кожен з яких містив приблизно 10 000 нейронів та допоміжних клітин. Вчені розмістили їх на багатоелектродних матрицях — пристроях, які одночасно підтримують життєздатність нервової тканини, подають їй електричні стимули та реєструють відповідну активність. Саме така конфігурація дозволяє розглядати органоїд не як пасивний об'єкт, а як активний елемент обчислювального ланцюга.

Як було побудовано експеримент

Для генерації вхідних даних дослідники застосували тактильний сенсор, що фіксує сигнали, які відповідають 26 літерам алфавіту Брайля. Отримані дані перетворили на електричні імпульси та подали безпосередньо на органоїди. Далі алгоритм машинного навчання аналізував виникаючу нейронну активність і визначав, якій букві відповідає вхідний сигнал. Таким чином, нервова тканина виступала не просто провідником, а проміжною ланкою обробки інформації між штучним сенсором і комп'ютерною системою розпізнавання. Це принципово відрізняє підхід від класичного нейрочипа, де сигнал проходить за заданою електронною схемою.

Чому три органоїди працюють краще за один

Ключовий результат експерименту — зростання точності з 61% до 83% при переході від одного органоїда до трьох. Автори висувають гіпотезу, що річ у природних відмінностях між окремими зразками: у них неоднакові синаптичні зв'язки між нейронами, різні стадії розвитку та фонова активність. Унаслідок цього один і той самий вхідний сигнал викликає не повністю ідентичні відповіді, які можуть містити взаємодоповнюючу інформацію. При цьому дослідники підкреслюють, що точний механізм такого синергетичного ефекту поки не встановлено, і це залишається відкритим питанням для подальших досліджень.

Стійкість до перешкод та обмеження експерименту

Команда додатково перевірила, як система поводиться в умовах штучних перешкод. Вчені спотворювали сигнали, що відповідають буквам Брайля, і порівнювали якість розпізнавання за відповідями органоїдів із прямим аналізом зашумлених даних тим самим алгоритмом. В умовах перешкод система з трьома органоїдами зберігала точність краще, ніж чисто електронний варіант. Це вказує на те, що біологічний компонент може бути корисним не лише для передачі сигналів, а й для обробки інформації при погіршенні вхідних даних. Водночас автори чітко обмежують інтерпретацію: експеримент не доводить, що органоїди «научилися читати» в людському сенсі, розуміють букви або здатні навчатися на власному досвіді. Продемонстровано розпізнавання сигналів в одній спеціально організованій задачі із заздалегідь заданим способом кодування.

Що далі: від букв до текстур та зворотного зв'язку

Наступний етап роботи, за планами команди, — перевірити, як органоїди справляються зі складнішими тактильними сигналами: текстурами поверхонь, краями предметів та різними типами дотиків. Вчені також мають намір перейти до систем зі зворотним зв'язком, у яких результат дій впливає на подальші сигнали, що надходять до нервової тканини. Це дозволить перевірити, чи здатні органоїди адаптуватися на основі досвіду. Проте дослідники попереджають, що індивідуальні відмінності між органоїдами, з одного боку, можуть збагачувати обчислювальний процес, а з іншого — утруднюють створення передбачуваних та стандартизованих біогібридних пристроїв. Таким чином, шлях від лабораторного експерименту до прикладного продукту залишається довгим і вимагає вирішення низки фундаментальних та інженерних завдань.