Co właściwie rozpoznawał organoid?

W eksperymencie opisanym w artykule opublikowanym w Frontiers in Artificial Intelligence czujnik dotykowy przesuwał się po 26 literach angielskiego alfabetu Braille’a. Rejestrował wzory wypukłych punktów, a komputer zamieniał dane z czujnika na impulsy elektryczne podawane ludzkim organoidom przodomózgowym. Następnie inny algorytm analizował aktywność neuronów i próbował wskazać literę, której dotyczył bodziec.

To rozróżnienie jest kluczowe. Organoid nie oglądał znaków, nie porównywał ich z zapamiętanym alfabetem i nie przekazywał wyniku z powrotem do czujnika. Dane sensoryczne zostały wcześniej zarejestrowane, a wynik klasyfikacji nie wpływał na kolejne bodźce. Taki układ nazywa się otwartą pętlą.

Badanie sprawdzało więc, czy żywa sieć neuronowa potrafi zachować i przekształcić informację zakodowaną w elektrycznej stymulacji tak, aby można ją było później odzyskać za pomocą klasycznego klasyfikatora. To demonstracja interfejsu między czujnikiem, tkanką i algorytmem, a nie samodzielne czytanie symboli przez miniaturowy mózg.

Od dotyku do impulsów elektrycznych

Najważniejszym problemem technicznym nie było bezpośrednie podłączenie surowego sygnału dotykowego do tkanki. Dane trzeba było najpierw skompresować i przełożyć na język ośmiu elektrod.

Czujnik Evetac zamontowany na czteroosiowym ramieniu robota Dobot MG400 rejestrował 26 liter, pięć głębokości wcisku, od 0 do 0,4 mm, oraz dziesięć powtórzeń każdej konfiguracji. W sumie powstało 1300 nagrań. Dane podzielono na osiem regionów odpowiadających kanałom elektrody. Z każdego regionu wyprowadzano cztery cechy opisujące między innymi liczbę zdarzeń, czas trwania aktywności, moment jej szczytu i zmienność liczby zdarzeń w kolejnych oknach czasowych.

Te cechy liniowo mapowano na parametry impulsów elektrycznych. Liczba impulsów mogła wynosić od 4 do 10, amplituda od 4 do 20 μA, czas trwania fazy od 50 do 300 μs, a opóźnienie wyzwolenia od 0 do 4000 μs. W ten sposób bogatszy sygnał z czujnika nie trafiał do organoidu w całości, lecz był kodowany w ograniczonym zestawie parametrów stymulacji.

Organoid nie zachowywał się przy tym jak przewód przekazujący sygnał bez zmian. W testach kalibracyjnych większa liczba impulsów zwiększała liczbę wywołanych wyładowań. Amplitudy poniżej 4 μA rzadko wywoływały reakcję, a czas trwania fazy i opóźnienie wpływały przede wszystkim na rozkład aktywności w czasie. Odpowiedź zależała więc zarówno od parametrów wejścia, jak i od własnej dynamiki sieci neuronowej.

Co odzyskano z aktywności sieci neuronowej

Organoidy miały około 500 μm średnicy. Każdy znajdował się nad ośmioma elektrodami oddalonymi od siebie o 200 μm. Po rozpoczęciu stymulacji rejestrowano aktywność przez 510 ms, ale pierwsze 10 ms pomijano, aby ograniczyć wpływ artefaktów elektrycznych. Do klasyfikacji trafiały zliczenia zdarzeń z okna od 10 do 510 ms, po jednym wyniku dla każdej elektrody.

Testowano kilka metod klasyfikacji, między innymi algorytm najbliższych sąsiadów, las losowy i maszynę wektorów nośnych, czyli SVM. Najlepiej w walidacji krzyżowej wypadł SVM. Dla pojedynczego organoidu uzyskiwał około 57–61% poprawnych klasyfikacji. Artykuł podaje wartość około 57%, natomiast komunikat University of Bristol mówi o około 61%. Zakres oddaje tę rozbieżność lepiej niż jedna pozornie dokładna liczba.

Przy 26 klasach losowe zgadywanie dawałoby 3,85%. Aktywność pojedynczej sieci zawierała więc informację pozwalającą odróżniać litery znacznie częściej, niż wynikałoby to z przypadku, choć wynik wciąż pozostawał daleki od niezawodnego rozpoznawania.

Dlaczego trzy organoidy wypadły lepiej

Pojedyncza sieć neuronowa dostarczała tylko ośmiu cech, po jednej z każdego kanału elektrody. Badacze sprawdzili więc, czy kilka organoidów może dostarczyć klasyfikatorowi bardziej zróżnicowanego obrazu tego samego bodźca.

W tej serii pomiarowej trzy organoidy osiągały osobno 59%, 62% i 67% poprawnych klasyfikacji. Ich ośmiowymiarowe odpowiedzi połączono w jeden wektor 24 cech. Dokładność wzrosła wtedy do 83%.

Najprostsze wyjaśnienie zakłada, że poszczególne sieci reagowały częściowo odmiennie. Jeśli każda wychwytywała inny fragment informacji o stymulacji, połączenie odpowiedzi mogło dać klasyfikatorowi cechy komplementarne. Nie wiadomo jednak, czy właśnie ten mechanizm odpowiada za wzrost wyniku. Nie zaobserwowano tu dowodu biologicznej komunikacji między organoidami.

Porównanie z bezpośrednim dekodowaniem pokazuje jeszcze jedną rzecz. Gdy klasyfikator pracował bezpośrednio na zakodowanych parametrach stymulacji, bez organoidów, osiągał 82% w warunkach bez zakłóceń. Układ trzech organoidów uzyskał 83%. Sama obecność tkanki nie dała więc wyraźnej przewagi nad algorytmem analizującym czyste wejście. Jej potencjalny wkład ujawnił się dopiero przy sprawdzaniu odporności na modyfikacje danych.

Odporność na zakłócenia i granice tego wyniku

W kolejnym teście badacze sztucznie modyfikowali połowę cech wejściowych klasyfikatora. Sprawdzali cztery rodzaje zakłóceń: szum Gaussa, szum o rozkładzie jednostajnym, brakujące dane i wartości odstające. Dla bezpośredniego dekodowania parametrów stymulacji dokładność wynosiła odpowiednio 55%, 67%, 59% i 65%. Układ trzech organoidów uzyskiwał 83%, 82%, 72% i 68%.

W zastosowanym stress teście wieloorganoidowy tor zachowywał więc większą dokładność. Nie był to jednak test awarii całego czujnika, zakłóceń elektrycznych ani zmian zachodzących w hodowanej tkance. Modyfikacje wprowadzono na cechach, które otrzymywał klasyfikator. Wynik mówi zatem o odporności na konkretny, sztucznie zdefiniowany zestaw perturbacji, a nie o odporności na dowolne problemy przyszłego urządzenia.

Zakres demonstracji pozostaje wąski. Badano jeden typ zadania, jeden czujnik i zasadniczo jeden schemat kodowania. Nie sprawdzono niezależnej generalizacji na inne rodzaje dotyku, tekstury, krawędzie ani czujniki. Eksperyment nie obejmował uczenia w czasie, długoterminowej adaptacji, zmian stanu kultury ani zamkniętej pętli, w której odpowiedź systemu wpływałaby na dalsze działanie czujnika. Ośmioelektrodowa macierz dawała ponadto ograniczony wgląd w aktywność całej sieci.

Czy to już biohybrydowy komputer?

Eksperyment pokazuje wykonalność konkretnego łańcucha: sensor dostarcza dane, żywa sieć neuronowa przekształca zakodowaną stymulację, a algorytm odzyskuje część informacji o bodźcu. To wystarczający powód, by badać biohybrydowe układy przetwarzania informacji. Nie wystarcza jednak, by nazwać ten układ praktycznym komputerem biologicznym.

Autorzy uzasadniają ten kierunek między innymi energooszczędnością biologicznych sieci neuronowych. Przywoływane porównania z poborem mocy ludzkiego mózgu dotyczą jednak ogólnej motywacji programu badawczego, a nie pomiaru opisanego urządzenia. Ten eksperyment wymagał czujnika, ramienia robota, elektrod, perfuzji, monitorowania i klasyfikatora. Nie wykonano bilansu energetycznego całego systemu, więc nie można stwierdzić, że już teraz zużywa on mniej energii niż zoptymalizowany układ elektroniczny.

Organoidy są modelami tkanki nerwowej, a nie miniaturowymi, kompletnymi mózgami. Badanie nie wykazało świadomości, rozumienia symboli, uczenia się zadania ani przewagi nad elektroniką w praktycznym zastosowaniu. Pokazało coś węższego, ale technicznie interesującego: określony wcześniej zarejestrowany sygnał dotykowy można zakodować, przepuścić przez żywą sieć neuronową i odzyskać z jej aktywności na tyle dobrze, by rozróżniać 26 klas.