Creierul viu din cutia Petri – Neuronii crescuți în cultură au reușit să învețe
În acest articol
Proceedings of the National Academy of Sciences (PNAS) 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123 · Universitatea Tohoku & Future University Hakodate & Universitatea din Tokyo
Într-un laborator, pe un cip, trăiesc doar câteva sute de neuroni din cortexul unui șobolan. Dar acești neuroni nu mai sunt o cultură obișnuită: oamenii de știință i-au învățat să genereze unde sinusoidale, să urmărească unde triunghiulare și pătrate și chiar să imite tipare matematice haotice, precum atractorul Lorenz, în timp real . Studiul echipei Universității Tohoku, publicat în PNAS, deschide o nouă ușă la intersecția medicinei cu inteligența artificială: pot neuronii vii să realizeze învățare automată? Răspunsul este un „da” prudent, iar această reușită are un potențial de influență larg, de la cercetarea cancerului până la interfețele creier–computer.
Esența poveștii: neuronii cultivați generează o undă sinusoidală
Una dintre cele mai extraordinare capacități ale creierului viu este producerea unor mișcări musculare semnificative și coordonate dintr-o activitate neuronală aparent haotică. Aruncarea mingii la coș de către un baschetbalist, precizia cu care degetele unui pianist apasă clapele sau sunetele vorbirii unui copil sunt toate tipare temporale ordonate, născute din activitatea spontană haotică a miliarde de neuroni. Dar cum se produce această transformare? Și, poate, o întrebare și mai interesantă: este posibil să imităm o transformare asemănătoare crescând doar câteva sute de neuroni pe un cip?
Răspunsul acestui studiu este clar: da, este posibil. Echipa japoneză a integrat neuroni corticali de șobolan crescuți în cultură cu matrice de microelectrozi de înaltă densitate (HD-MEA — high-density microelectrode arrays) și a construit un sistem care funcționează cu feedback în buclă închisă, în timp real. Rezultatul: rețelele de neuroni vii au învățat, adaptându-se la un semnal extern „profesor”, să genereze unde sinusoidale cu perioade de 4–30 de secunde, unde triunghiulare și pătrate și chiar atractorul Lorenz haotic tridimensional.
ÎNTREBAREA FUNDAMENTALĂ: DE CE ESTE IMPORTANT?
Computerele sunt mașini uriașe consumatoare de energie. Creierul, în schimb, funcționează cu aproximativ 20 de wați, cât un bec LED. Dacă putem integra capacitatea de calcul a neuronilor vii în inteligența artificială, eficiența energetică ar putea fi revoluționată. Acest studiu este unul dintre cei mai concreți pași realizați până acum spre conceptul de „substrat biologic de calcul” (wetware).
Ce este calculul cu rezervor? Cum se obține ordine din haos?
Pentru a înțelege acest studiu trebuie să cunoaștem un concept din învățarea automată: calculul cu rezervor (reservoir computing). Ideea de bază este următoarea: utilizarea dinamicii tranzitorii a unui sistem complex, de înaltă dimensionalitate și neliniar, rezervorul, ca „resursă de calcul gata disponibilă”. În loc să încercăm să modificăm activitatea complexă din rezervor, antrenăm doar un decodor liniar simplu (linear decoder), care citește ieșirea. În rețelele neuronale artificiale, această abordare reduce dramatic costul antrenării și produce rezultate impresionante în sarcini precum prelucrarea seriilor temporale.
Creierul mamiferelor este sursa de inspirație a calculului cu rezervor. Totuși, folosirea rețelelor de neuroni vii ca rezervoare fizice a rămas mult timp limitată, deoarece neuronii cultivați in vitro (în afara sticlei, adică în condiții de laborator) prezintă de obicei activitate în rafale excesiv sincronizată . Toți neuronii descarcă simultan, ceea ce reprezintă exact opusul stării de „dinamică bogată și variată” de care are nevoie rezervorul.
Adaptat după Figura 1A din Sono și colab., PNAS 2026
Ruperea sincronizării excesive: o operă de artă microfluidică
Metoda folosită de echipă pentru a depăși această problemă este foarte elegantă din punct de vedere ingineresc: crearea unei arhitecturi modulare a rețelei cu dispozitive microfluidice (microfluidic). Pe suprafața electrozilor a fost așezată o peliculă microfluidică din polidimetilsiloxan (PDMS — polydimethylsiloxane). Aceasta limitează neuronii la godeuri pătrate de 100×100 de micrometri; conexiunile dintre godeuri sunt asigurate numai prin microcanale subțiri, cu lățimea de ~5 micrometri.
Echipa a dezvoltat două configurații microfluidice diferite:
- Fiecare godeu este conectat la 4 vecini
- Topologie de grilă pătrată
- Conexiuni relativ uniforme între godeuri
- Frecvența medie a descărcărilor: 0,56 ± 0,09 Hz
- Cea mai bună performanță de învățare în acest grup
- Conexiuni grupate la patru scări
- Tipar de conexiuni eterogen
- Comunicare mai rară între godeuri
- Frecvența medie a descărcărilor: 0,32 ± 0,08 Hz
- Performanță inferioară grilei
Ca al treilea grup, grupul de control, au fost folosite culturi neuronale omogene crescute fără peliculă microfluidică. Rezultatele au arătat o diferență izbitoare. Culturile omogene au prezentat tiparul așteptat de rafale excesiv sincronizate: corelația medie dintre electrozi era 0,45 ± 0,04. Dar în configurațiile grilă și ierarhică această corelație a scăzut dramatic, respectiv la 0,11 ± 0,01 și 0,12 ± 0,03. Așadar, aceste rețele nu mai erau excesiv sincronizate, ci prezentau o dinamică mult mai bogată și mai variată.
Cum au fost „învățați” neuronii? Algoritmul FORCE
Pentru ca neuronii să „învețe” să producă tiparul dorit, echipa a folosit algoritmul FORCE (First-Order Reduced and Controlled Error — Eroare de ordinul întâi redusă și controlată). Logica sa de bază poate fi rezumată astfel: la fiecare pas temporal, sistemul calculează diferența dintre ieșirea produsă de neuroni și semnalul țintă și actualizează continuu ponderile decodorului pentru a minimiza această diferență. În același timp, trimite neuronilor stimulare de feedback, orientând activitatea rețelei spre țintă.
Inițial, neuronii prezentau activitate spontană și neregulată. Când a început învățarea FORCE, ponderile decodorului au început să fluctueze rapid, iar această fluctuație a determinat neuronii rețelei să treacă la un tipar periodic de descărcare, adaptat semnalului țintă, de exemplu unei unde sinusoidale de 30 de secunde. În timp, fluctuația ponderilor s-a redus, iar sistemul a ajuns la o configurație stabilă a matricei, capabilă să genereze funcția țintă. Și mai impresionant: chiar după oprirea învățării, sistemul a putut continua activitatea oscilatorie de unul singur .
Compilat după Figura 3C din Sono și colab., PNAS 2026 · MSE: Mean Squared Error (eroare pătratică medie)
După cum arată graficul, rețelele modelate prin microfluidică, mai ales configurația grilă, au avut erori mai mici la toate perioadele undelor sinusoidale decât culturile omogene și chiar decât condiția de control fără celule. Un rezultat remarcabil: la unda sinusoidală rapidă, de 4 secunde, culturile omogene au avut rezultate atât de slabe încât nu puteau fi diferențiate de controlul fără celule, adică neuronii prezenți se comportau ca și cum ar fi lipsit. Rețelele grilă, în schimb, s-au evidențiat constant la toate perioadele.
Ce s-a învățat? Sinus, triunghi, pătrat și atractor haotic
Forța practică a studiului constă în posibilitatea de a reantrena aceeași cultură pentru semnale țintă diferite. Aceeași rețea de neuroni a putut învăța succesiv următoarele sarcini:
📈 1. Unde sinusoidale (perioade de 4, 10, 30 de secunde)
Aceeași cultură s-a adaptat cu succes la unde sinusoidale de frecvențe diferite. Reantrenarea ușoară a aceleiași culturi pentru frecvențe diferite este cea mai puternică dovadă a flexibilității sistemului.
📐 2. Undă triunghiulară
Un semnal mai complex, care conține mai multe componente de frecvență și puncte nederivabile. Rețeaua neuronală a reușit să îl urmărească și pe acesta, deși la colțurile ascuțite s-a observat o anumită eroare.
▅ 3. Undă pătrată
Cea mai dificilă țintă periodică: tranziții bruște și niveluri constante de platou. Întârzierea de 332 ms a sistemului actual a limitat reproducerea fidelă a undelor pătrate de frecvență foarte înaltă.
🦋 4. Atractor Lorenz (semnal haotic)
O serie temporală tridimensională, neliniară și haotică. Echipa a reușit și acest lucru la nivel de dovadă de concept: corelația a depășit 0,8 în toate cele trei dimensiuni. Deși s-a observat o anumită eroare la vârfurile de amplitudine mare ale cozii haotice, sistemul și-a păstrat comportamentul oscilatoriu haotic chiar și după oprirea învățării.
Neuronii chiar „învață” sau doar reacționează?
Poate cea mai filosofică întrebare a acestui studiu este: neuronii vii realizează aici cu adevărat învățare sau sunt doar o componentă a buclei de feedback controlate de un computer extern? Răspunsul le include parțial pe amândouă.
Din punct de vedere tehnic, învățarea se desfășoară în două etape. Prima este actualizarea continuă a ponderilor decodorului de către un algoritm extern, FORCE. A doua, mai interesantă, este reorganizarea dinamicii intrinseci a rețelei neuronale împreună cu acest feedback. Studiul a arătat că activarea feedbackului trece activitatea neuronală dintr-o stare neregulată, cu variație mare, la o dinamică mai structurată și de dimensionalitate redusă. În această stare structurată, neuronii efectuau tranziții stabile între două stări atractoare (attractor) , corespunzătoare vârfurilor pozitive și negative ale undei sinusoidale. Este o imitație în miniatură a procesului despre care se crede că are loc în creierul viu atunci când produce comenzi motorii reale.
Nu totul merge atât de lin: limitări și probleme deschise
Cercetătorii au prezentat transparent mai multe limitări ale lucrării. Această onestitate consolidează calitatea științifică a rezultatelor:
- Întârziere în buclă închisă de 332 ms — insuficientă pentru semnale de frecvență înaltă
- Performanța se degradează după învățare (MSE a crescut în 99% dintre încercări)
- Tranzițiile nederivabile ale undelor triunghiulare și pătrate nu sunt reproduse clar
- Vârfurile de amplitudine mare ale atractorului Lorenz nu sunt complet exacte
- Sistemul este fragil în fața perturbărilor rezervorului
- S-au folosit neuroni de șobolan — neuronii umani se pot comporta diferit
- Durata de viață a culturii este de 14-31 de zile — stabilitate pe termen lung incertă
- Doar 128 de godeuri și câteva sute de neuroni — scară foarte limitată
- Sistemul depinde de mediul nutritiv; funcționarea autonomă este limitată
- Dinamica pe termen scurt a plasticității sinaptice nu a putut fi inclusă în model
Unde ar putea ajunge această tehnologie în viitor?
În concluziile studiului, autorii evidențiază câteva domenii de aplicare promițătoare:
Din perspectiva oncologiei și neurooncologiei, una dintre cele mai interesante posibilități este folosirea în sisteme similare a neuronilor derivați din celule stem pluripotente induse umane (iPSC — induced pluripotent stem cell). Aceasta înseamnă o platformă care ar putea înlocui experimentele pe animale. În plus, probele de neuroni prelevate de la pacienți cu tumori cerebrale ar putea deschide calea spre teste personalizate de răspuns la medicamente și proiectarea de neuroproteze.
🎓 Academia DROZDOGAN — Comentariu și dezbatere
REȚELE NEURONALE BIOLOGICE · CALCUL CU REZERVOR · TEHNOLOGIE NEUROMORFĂ · DEZBATERE ETICĂ ȘI MEDICALĂ
Importanța acestui studiu
Acest studiu reprezintă un prag important la intersecția inteligenței artificiale cu biologia. Demonstrarea faptului că neuronii vii pot fi antrenați de un algoritm de inteligență artificială concretizează ideea că „inteligența” nu este exclusivă sistemelor bazate pe siliciu. Cea mai valoroasă contribuție pentru medicină este demonstrarea posibilității de a modela în laborator mecanismele de generare a comenzilor motorii din creierul uman, adică transformarea unui semnal haotic într-o mișcare motorie coerentă. Aceasta deschide un orizont pe termen lung pentru strategiile terapeutice în numeroase afecțiuni, precum boala Parkinson, ALS, pierderea funcției motorii după accident vascular cerebral și leziunile măduvei spinării.
Puncte forte
Cea mai originală contribuție a studiului este combinarea ingineriei microfluidice cu un control fin al dinamicii rețelelor biologice. Rezolvarea sincronizării excesive prin conexiuni modulare este o abordare elegantă nu doar biologic, ci și din perspectiva științei rețelelor și a teoriei sistemelor complexe. Faptul că aceeași cultură poate învăța semnale de frecvențe și tipuri diferite este o dovadă puternică a flexibilității sistemului. În plus, publicarea de către cercetători a datelor și software-ului cu acces deschis va contribui substanțial la progresul domeniului. Activitatea de aproximativ 15 ani a echipei Universității Tohoku în acest domeniu este, de asemenea, un factor important pentru maturitatea metodei.
Limitări și întrebări deschise
Studiul rămâne la nivel de dovadă de concept, iar aplicațiile în lumea reală întâmpină obstacole importante. În primul rând, problema scării: nu se știe dacă acest experiment, realizat cu doar câteva sute de neuroni, va funcționa la fel de consecvent la scară de mii, zeci de mii sau milioane de neuroni. În al doilea rând, stabilitatea: culturile trăiesc numai câteva săptămâni, iar performanța se degradează rapid după învățare. În al treilea rând, semnificația funcțională: deși producerea unei unde sinusoidale este impresionantă, acești neuroni nu realizează încă un calcul autentic în sensul „îndeplinirii unei sarcini”. În al patrulea rând, și poate cel mai important, apar întrebări etice: ce înseamnă să conferim neuronilor vii „memorie” sau „experiență”? Pot aceste rețele neuronale dobândi „conștiință”? Cadrul etic al domeniului brainoid și al inteligenței organoide nu este încă pe deplin matur.
Implicații pentru practica clinică și neurooncologie
Această tehnologie nu va avea astăzi un efect direct asupra practicii oncologice, dar pe termen mediu și lung ar putea deschide câteva domenii importante de aplicare. În primul rând, la pacienții cu tumori cerebrale, minirețelele formate din neuroni corticali normali după îndepărtarea tumorii ar putea deveni o platformă pentru teste personalizate de răspuns la medicamente. În al doilea rând, pot fi folosite pentru modelarea in vitro a efectelor electrofiziologice ale unor tumori precum glioblastomul asupra țesutului sănătos învecinat. În al treilea rând, astfel de sisteme au potențialul de a înlocui experimentele pe animale în evaluarea neurotoxicității după chimioterapie și radioterapie. Cea mai promițătoare posibilitate este ca mecanismele și strategiile de tratament ale unor afecțiuni precum declinul cognitiv indus de radioterapie (radiotherapy-induced cognitive decline) sau neuropatia periferică indusă de chimioterapie să poată fi testate pe culturi neuronale specifice pacientului, derivate din iPSC.
Întrebările viitorului
Întrebările de cercetare esențiale pentru acest domeniu sunt următoarele: pot neuronii umani derivați din iPSC să prezinte aceeași flexibilitate în această paradigmă și în ce modele de boală pot fi utilizați? Cum poate fi redusă întârzierea buclei închise la scara milisecundelor pentru a învăța tipare mai complexe? Ce avantaje pot oferi rețelele neuronale tridimensionale față de sistemele microfluidice bidimensionale, dacă sunt integrate cu tehnologia organoidelor? Pot lucrările grupului Tohoku și ale altor echipe, precum proiectul DishBrain din Australia, să se combine într-un nou standard de „calcul biologic”? Și poate întrebarea cea mai importantă: poate apărea inteligență antrenabilă în sisteme vii cu milioane sau miliarde de neuroni și ce cadre etice și de reglementare vor fi necesare atunci? Răspunsurile vor influența profund, în următorii 10-20 de ani, nu doar ingineria, ci și medicina și antropologia filosofică.
Surse științifice
- Sono Y, Yamamoto H, Nishi Y, Sumi T, Sato Y, Hirano-Iwata A, Katori Y, Sato S. Online supervised learning of temporal patterns in biological neural networks under feedback control. Proc Natl Acad Sci USA 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123
- Sussillo D, Abbott L. Generating coherent patterns of activity from chaotic neural networks. Neuron 2009;63:544–557.
- Nicola W, Clopath C. Supervised learning in spiking neural networks with FORCE training. Nat Commun 2017;8:2208.
- Yada Y, Yasuda S, Takahashi H. Physical reservoir computing with FORCE learning in a living neuronal culture. Appl Phys Lett 2021;119:173701.
- Sumi T și colab. Biological neurons act as generalization filters in reservoir computing. Proc Natl Acad Sci USA 2023;120:e2217008120.
- Cai H și colab. Brain organoid reservoir computing for artificial intelligence. Nat Electron 2023;6:1032–1039.
- Kagan BJ și colab. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron 2022;110:3952–3969.e8.
- Yamamoto H și colab. Modular architecture facilitates noise-driven control of synchrony in neuronal networks. Sci Adv 2023;9:eade1755.
- Smirnova L și colab. Organoid intelligence (OI): The new frontier in biocomputing and intelligence-in-a-dish. Front Sci 2023;1:1017235.
- Beniaguev D, Segev I, London M. Single cortical neurons as deep artificial neural networks. Neuron 2021;109:2727–2739.e3.
Acest articol a fost creat în cadrul procesului editorial folosind diverse instrumente de editare, inclusiv inteligență artificială. Înainte de publicare, a fost examinat de editori umani.
Ți-a fost util acest articol?
Feedbackul tău ne ajută să îmbunătățim conținutul.
Comentariile cititorilor
Împărtășește comentariul tău
Numele și comentariul dumneavoastră sunt publicate numai după aprobarea administratorului. Adresa de e-mail nu este afișată niciodată vizitatorilor.
Fii primul care comentează.