圖1 | 類器官智能 (OI) 系統(tǒng)的基本架構(gòu)示意

三維腦類器官作為核心計算單元，其神經(jīng)網(wǎng)絡(luò)動態(tài)用于信息處理。外部輸入（如電刺激與化學(xué)信號）作用于系統(tǒng)，輸出則通過電生理記錄與成像手段獲取，并用于分析與反饋調(diào)控。人工智能方法參與信號的編碼與解碼，構(gòu)建生物與計算系統(tǒng)結(jié)合的混合計算框架。圖中展示了實(shí)現(xiàn)類器官高分辨率記錄與刺激交互的三維電極平臺 (3Brain CorePlate™ 3D) 示意。圖片改編自 Smirnova et al., 2023。

讓神經(jīng)系統(tǒng)“可讀可寫”：類器官智能走向計算的關(guān)鍵一步
在人工智能中，模型性能的提升早已被證明高度依賴于數(shù)據(jù)的規(guī)模與質(zhì)量。對于試圖直接利用生物神經(jīng)系統(tǒng)本身作為信息處理載體的類器官智能而言，我們需要面對一個基礎(chǔ)問題：如果要讓生物系統(tǒng)參與計算，這些系統(tǒng)產(chǎn)生的數(shù)據(jù)是否真正“有效”，是否具備足夠的穩(wěn)定性、可比性與可解釋性？是否能夠被用于分析與計算？

體外培養(yǎng)的神經(jīng)系統(tǒng)類器官具有高度自組織性，其活動狀態(tài)會隨時間不斷變化，并在不同樣本之間表現(xiàn)出顯著差異。即使在相同刺激條件下，不同培養(yǎng)體系、不同時間點(diǎn)甚至同一樣本的重復(fù)實(shí)驗之間，其神經(jīng)響應(yīng)也可能存在明顯波動。這種內(nèi)在異質(zhì)性，使得實(shí)驗結(jié)果難以直接比較，也對數(shù)據(jù)的可靠性提出了更高要求：類器官的神經(jīng)信號是否能夠在網(wǎng)絡(luò)尺度上被穩(wěn)定捕獲，并在不同實(shí)驗之間保持可比性？

在這一背景下，數(shù)據(jù)獲取方式本身成為限制研究的關(guān)鍵因素。傳統(tǒng)電生理方法（如低密度微電極陣列MEA或單點(diǎn)記錄）在空間覆蓋范圍、分辨率以及并行采集能力方面存在明顯限制，難以完整表征復(fù)雜神經(jīng)網(wǎng)絡(luò)的動態(tài)行為。因此，高分辨率高密度微電極陣列 (HD-MEA) 逐漸成為關(guān)鍵技術(shù)路徑。通過顯著提升電極密度與空間采樣能力，HD-MEA 能夠在接近單細(xì)胞尺度上記錄神經(jīng)活動，并在網(wǎng)絡(luò)層級上解析其傳播與同步特征。

與此同時，神經(jīng)類器官作為三維結(jié)構(gòu)，也對記錄方式提出了新的挑戰(zhàn)。傳統(tǒng)二維電極在與類器官耦合時，往往面臨接觸面積有限、空間耦合不足等問題，從而影響信號質(zhì)量與空間覆蓋范圍。因此，引入三維電極結(jié)構(gòu)成為重要的發(fā)展方向，使記錄不再局限于表面，而能夠在空間上實(shí)現(xiàn)對類器官更全面的信號采集，從而更真實(shí)地反映其內(nèi)部神經(jīng)網(wǎng)絡(luò)的活動狀態(tài)（圖2）。
 

圖2 | 類器官電生理記錄技術(shù)的演進(jìn)與3D微電極陣列
(a) 傳統(tǒng)低密度微電極陣列 (LD-MEA) 在空間采樣與分辨率方面存在限制，而高分辨率高密度微電極陣列 (HD-MEA) 通過顯著提升電極密度，使神經(jīng)網(wǎng)絡(luò)活動能夠在更精細(xì)的空間尺度上被記錄。
(b) 三維微電極柱結(jié)構(gòu)示意（3Brain 專利產(chǎn)品 CorePlate™ 3D），3D電極柱高度約90 μm，實(shí)現(xiàn)對類器官的空間穿透式記錄，獲得更高質(zhì)量的電生理數(shù)據(jù)。
(c) 電極柱之間形成的微流通道結(jié)構(gòu)有助于培養(yǎng)過程中營養(yǎng)與氧氣的交換，促進(jìn)類器官與芯片界面的穩(wěn)定耦合及提高樣本在芯片上的活性時長。
(d) 3Brain HD-MEA CorePlate™ 3D 對腦類器官（如 brain chimeroids）進(jìn)行高分辨率神經(jīng)活動記錄。左側(cè)展示類器官在MEA系統(tǒng)上的記錄場景，右側(cè)為對應(yīng)的神經(jīng)活動空間分布圖。圖片改編自：Birtele et al. (2025), Antón-Bolaños et al. (2024) 及 3Brain 產(chǎn)品資料。

在實(shí)現(xiàn)高質(zhì)量記錄之后，另一個關(guān)鍵問題隨之出現(xiàn)：單個樣本的數(shù)據(jù)，是否足以支撐對復(fù)雜系統(tǒng)的理解？在人工智能中，一個模型往往需要在成千上萬甚至百萬級樣本上進(jìn)行訓(xùn)練與驗證，以確保其泛化能力。相比之下，腦類器官研究中基于單一樣本的觀察，往往難以反映系統(tǒng)的整體特征，也難以支持跨條件比較與統(tǒng)計分析。因此，僅有高質(zhì)量數(shù)據(jù)還不夠，我們還需要在可控條件下獲取足夠多的樣本數(shù)據(jù)。這也使得“高通量”逐漸變得不可或缺。例如，多孔板格式（如24孔或96孔）的電生理系統(tǒng)，使多個類器官能夠在相同條件下并行記錄，從而在保證實(shí)驗一致性的同時顯著提升數(shù)據(jù)獲取效率，并為跨樣本比較提供必要基礎(chǔ) （視頻1）。

視頻1 | 基于24孔 HD-MEA 系統(tǒng)的類器官神經(jīng)網(wǎng)絡(luò)并行電生理記錄
3Brain CorePlate™ 24孔平臺可支持多達(dá)約100個類器官或者神經(jīng)球體的同步記錄。視頻中可觀察到所有孔位中樣本自發(fā)放電活動spikes的實(shí)時采集過程，可為大規(guī)模功能表型分析與藥物篩選提供技術(shù)基礎(chǔ)。視頻源自3Brain 產(chǎn)品推廣資料。

當(dāng)數(shù)據(jù)的質(zhì)量與規(guī)模逐步具備之后，我們才真正有條件去討論類器官神經(jīng)系統(tǒng)的“計算能力”：這些系統(tǒng)，是否能夠在輸入與輸出之間建立穩(wěn)定的對應(yīng)關(guān)系？換句話說，在定義明確的輸入條件下，系統(tǒng)能否產(chǎn)生可重復(fù)、可預(yù)測的響應(yīng)？計算神經(jīng)活動數(shù)據(jù)，僅依賴被動記錄 (record) 往往是不夠的。如果無法控制輸入，我們就無法判斷輸出所對應(yīng)的因果關(guān)系，也就無法建立穩(wěn)定的計算模型。因此，引入可控的外部刺激 (stimulation) 并非技術(shù)上的補(bǔ)充，而是理解這一系統(tǒng)的必要條件。這也對實(shí)驗技術(shù)提出了更高要求：不僅需要高分辨率的記錄能力，還需要能夠在空間與時間上精確施加刺激，使研究者能夠在同一系統(tǒng)中實(shí)現(xiàn)對神經(jīng)網(wǎng)絡(luò)的“讀”與“寫”（圖3）。只有在這樣的雙向交互框架下，神經(jīng)系統(tǒng)的輸入—輸出關(guān)系才能被系統(tǒng)性地解析，從而為后續(xù)的計算分析與功能建模奠定基礎(chǔ)。

圖3 | 類器官神經(jīng)系統(tǒng)中的刺激—響應(yīng)關(guān)系示例。
(a) 類腦組裝體 (brain assembloid) 在 3Brain CorePlate™ 3D 平臺上的記錄場景：左側(cè)為三叉神經(jīng)核區(qū)域（刺激側(cè)），右側(cè)為丘腦區(qū)域（記錄側(cè)）。
(b) 在局部電刺激輸入下，丘腦側(cè)立即出現(xiàn)頻繁且時間鎖定的神經(jīng)放電響應(yīng)，表明系統(tǒng)能夠在輸入與網(wǎng)絡(luò)活動之間建立穩(wěn)定關(guān)聯(lián)。
(c) 刺激前后平均放電水平的對比分析，作為整體活動變化的量化指標(biāo)。
圖片引自：Pang et al. (2024)。

讀寫之后：如何與神經(jīng)系統(tǒng)“對話”
當(dāng)我們能夠在類器官神經(jīng)系統(tǒng)中建立穩(wěn)定的輸入—響應(yīng)關(guān)系之后，才有可能討論其“計算”能力，并進(jìn)一步思考如何真正利用這一系統(tǒng)參與信息處理。不同于人工構(gòu)建的計算模型，這類真實(shí)的生物神經(jīng)網(wǎng)絡(luò)具有自發(fā)活動與可塑性。因此，刺激的角色也隨之拓展：它不再僅僅用于誘發(fā)神經(jīng)活動，而是逐漸成為一種與神經(jīng)系統(tǒng)建立交互的手段。通過特定模式的輸入信號，外部信息可以被寫入神經(jīng)網(wǎng)絡(luò)；而其產(chǎn)生的動態(tài)響應(yīng)，則作為處理結(jié)果被讀取出來。

這一思路在近年來的研究中已有初步實(shí)踐。在一項基于體外培養(yǎng)神經(jīng)元網(wǎng)絡(luò)（二維體系）的生物儲備池計算 (biological reservoir computing), 即利用復(fù)雜動態(tài)系統(tǒng)將輸入信號轉(zhuǎn)換為可用于分析的特征表示的方法）研究中，研究者利用 HD-MEA 作為雙向接口，對神經(jīng)網(wǎng)絡(luò)進(jìn)行刺激與記錄：首先，將輸入圖像編碼為空間與時間分布的電刺激模式，作用于神經(jīng)網(wǎng)絡(luò)；隨后記錄其產(chǎn)生的電活動響應(yīng)，并將這些響應(yīng)作為特征輸入至一個簡單的分類器中進(jìn)行分析 (Iannello et al., 2025)。需要注意的是，在這一過程中，神經(jīng)網(wǎng)絡(luò)本身并不會被訓(xùn)練。研究者并不是去改變神經(jīng)元之間的連接，而是利用其在刺激下產(chǎn)生的自然反應(yīng)，并通過一個簡單的方法來學(xué)習(xí)如何區(qū)分這些不同的響應(yīng)。研究結(jié)果表明，即使在不直接優(yōu)化神經(jīng)網(wǎng)絡(luò)本身的情況下，這類系統(tǒng)仍然能夠?qū)Σ煌�輸入模式產(chǎn)生可區(qū)分的響應(yīng)。這表明，體外神經(jīng)網(wǎng)絡(luò)的動態(tài)活動本身已經(jīng)可以被用于信息處理，而不只是被動記錄的生物信號（圖4）。

圖4 |基于體外培養(yǎng)神經(jīng)網(wǎng)絡(luò)的生物儲備池計算框架示意。
(1) 輸入信息被編碼為空間分布的電刺激模式，并通過3Brain高分辨率微電極陣列的選定電極施加到神經(jīng)網(wǎng)絡(luò)上；
(2) 這些刺激作用于鋪設(shè)在HD-MEA表面的體外培養(yǎng)皮層神經(jīng)網(wǎng)絡(luò)，從而實(shí)現(xiàn)對神經(jīng)活動的精確刺激與高分辨率記錄；
(3) 刺激誘導(dǎo)產(chǎn)生的神經(jīng)響應(yīng)由記錄通道采集，并轉(zhuǎn)化為高維的“儲備池狀態(tài)”，反映了神經(jīng)網(wǎng)絡(luò)的非線性與瞬態(tài)動態(tài)特性；
(4) 在此基礎(chǔ)上，線性讀出模塊對這些狀態(tài)進(jìn)行學(xué)習(xí)，并將其映射到對應(yīng)的輸入類別，使該神經(jīng)網(wǎng)絡(luò)能夠作為物理儲備池執(zhí)行模式識別任務(wù)。圖片改編自：Ciampi et al. (2026)。

盡管上述研究基于二維培養(yǎng)體系，但其提供了一個重要起點(diǎn)：我們不僅可以“觀察”神經(jīng)系統(tǒng)的活動，還可以在一定程度上“利用”其動態(tài)行為參與信息處理。相比之下，三維腦類器官在結(jié)構(gòu)復(fù)雜性、網(wǎng)絡(luò)連接以及動態(tài)特性方面更接近真實(shí)腦組織。如果能夠在三維體系中建立穩(wěn)定的記錄與刺激接口，并實(shí)現(xiàn)可控的輸入-響應(yīng)映射，其作為計算載體的潛力將得到進(jìn)一步拓展。

討論與展望
從人工系統(tǒng)到生物系統(tǒng)，我們或許正在經(jīng)歷一次方向上的轉(zhuǎn)變：不再只是試圖讓計算機(jī)逼近大腦，而是開始思考如何在真實(shí)的神經(jīng)系統(tǒng)中理解并利用其內(nèi)在的動態(tài)過程。在這一過程中，類器官智能所提出的，并不僅僅是一種新的技術(shù)路徑，更是一種關(guān)于“計算”的重新定義。

然而，無論是計算能力的建立，還是進(jìn)一步實(shí)現(xiàn)有效的交互，其前提始終不變：我們是否能夠獲得足夠可靠、可解析的數(shù)據(jù)，并在可控條件下與這一系統(tǒng)建立穩(wěn)定的聯(lián)系。只有當(dāng)神經(jīng)系統(tǒng)變得“可讀、可寫、可交互”，這些復(fù)雜的動態(tài)活動才可能從生物現(xiàn)象轉(zhuǎn)化為可以被理解和利用的信息過程�；蛟S，我們距離真正“理解”這些系統(tǒng)仍有很長的路要走。這條路徑的起點(diǎn)，或許并不只是構(gòu)建更復(fù)雜的模型，還在于我們?nèi)绾胃�精確地記錄它、干預(yù)它，并逐步與之建立有效的對話。

參考與圖片來源
Antón-Bolaños, N., Faravelli, I., Faits, T., Andreadis, S., Kastli, R., Trattaro, S., Watson, I. A., Micali, N., Quadrato, G., & Arlotta, P. (2024). Brain chimeroids reveal individual susceptibility to neurotoxic triggers. Nature, 631(8019), 142–149. https://doi.org/10.1038/s41586-024-07603-1

Ciampi, L., Iannello, L., Tonelli, F., Lagani, G., Di Garbo, A., Cremisi, F., & Amato, G. (2026). Neuro-inspired visual pattern recognition via biological reservoir computing. arXiv. https://doi.org/10.48550/arXiv.2602.05737

Iannello, L., Ciampi, L., Tonelli, F., Lagani, G., Calcagnile, L. M., Cremisi, F., Di Garbo, A., & Amato, G. (2025). From neural activity to computation: Biological reservoirs for pattern recognition in digit classification. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCV Workshops).

Lancaster, M. A., Renner, M., Martin, C. A., Wenzel, D., Bicknell, L. S., Hurles, M. E., Homfray, T., Penninger, J. M., Jackson, A. P., & Knoblich, J. A. (2013). Cerebral organoids model human brain development and microcephaly. Nature, 501(7467), 373–379. https://doi.org/10.1038/nature12517

Pang, W., Zhu, J., Yang, K., Zhu, X., Zhou, W., Jiang, L., Zhuang, X., Liu, Y., Wei, J., & Lu, X. (2024). Generation of human region-specific brain organoids with medullary spinal trigeminal nuclei. Cell Stem Cell, 31(10), 1501–1512. https://doi.org/10.1016/j.stem.2024.08.004

Quadrato, G., Nguyen, T., Macosko, E. Z., Sherwood, J. L., Yang, S. M., Berger, D. R., Maria, N., Scholvin, J., Goldman, M., Kinney, J. P., Boyden, E. S., Lichtman, J. W., Williams, Z. M., & McCarroll, S. A. (2017). Cell diversity and network dynamics in photosensitive human brain organoids. Nature, 545(7652), 48–53. https://doi.org/10.1038/nature22047

Smirnova, L., Caffo, B. S., Gracias, D. H., Huang, Q., Morales Pantoja, I. E., Tang, B., ... & Hartung, T. (2023). Organoid intelligence (OI): The new frontier in biocomputing and intelligence-in-a-dish. Frontiers in Science, 1, 1017235. https://doi.org/10.3389/fsci.2023.1017235

END
3Brain 鏈接未來，加速藥物發(fā)現(xiàn)