图1 | 类器官智能 (OI) 系统的基本架构示意

三维脑类器官作为核心计算单元，其神经网络动态用于信息处理。外部输入（如电刺激与化学信号）作用于系统，输出则通过电生理记录与成像手段获取，并用于分析与反馈调控。人工智能方法参与信号的编码与解码，构建生物与计算系统结合的混合计算框架。图中展示了实现类器官高分辨率记录与刺激交互的三维电极平台 (3Brain CorePlate™ 3D) 示意。图片改编自 Smirnova et al., 2023。

让神经系统“可读可写”：类器官智能走向计算的关键一步
在人工智能中，模型性能的提升早已被证明高度依赖于数据的规模与质量。对于试图直接利用生物神经系统本身作为信息处理载体的类器官智能而言，我们需要面对一个基础问题：如果要让生物系统参与计算，这些系统产生的数据是否真正“有效”，是否具备足够的稳定性、可比性与可解释性？是否能够被用于分析与计算？

体外培养的神经系统类器官具有高度自组织性，其活动状态会随时间不断变化，并在不同样本之间表现出显著差异。即使在相同刺激条件下，不同培养体系、不同时间点甚至同一样本的重复实验之间，其神经响应也可能存在明显波动。这种内在异质性，使得实验结果难以直接比较，也对数据的可靠性提出了更高要求：类器官的神经信号是否能够在网络尺度上被稳定捕获，并在不同实验之间保持可比性？

在这一背景下，数据获取方式本身成为限制研究的关键因素。传统电生理方法（如低密度微电极阵列MEA或单点记录）在空间覆盖范围、分辨率以及并行采集能力方面存在明显限制，难以完整表征复杂神经网络的动态行为。因此，高分辨率高密度微电极阵列 (HD-MEA) 逐渐成为关键技术路径。通过显著提升电极密度与空间采样能力，HD-MEA 能够在接近单细胞尺度上记录神经活动，并在网络层级上解析其传播与同步特征。

与此同时，神经类器官作为三维结构，也对记录方式提出了新的挑战。传统二维电极在与类器官耦合时，往往面临接触面积有限、空间耦合不足等问题，从而影响信号质量与空间覆盖范围。因此，引入三维电极结构成为重要的发展方向，使记录不再局限于表面，而能够在空间上实现对类器官更全面的信号采集，从而更真实地反映其内部神经网络的活动状态（图2）。
 

图2 | 类器官电生理记录技术的演进与3D微电极阵列
(a) 传统低密度微电极阵列 (LD-MEA) 在空间采样与分辨率方面存在限制，而高分辨率高密度微电极阵列 (HD-MEA) 通过显著提升电极密度，使神经网络活动能够在更精细的空间尺度上被记录。
(b) 三维微电极柱结构示意（3Brain 专利产品 CorePlate™ 3D），3D电极柱高度约90 μm，实现对类器官的空间穿透式记录，获得更高质量的电生理数据。
(c) 电极柱之间形成的微流通道结构有助于培养过程中营养与氧气的交换，促进类器官与芯片界面的稳定耦合及提高样本在芯片上的活性时长。
(d) 3Brain HD-MEA CorePlate™ 3D 对脑类器官（如 brain chimeroids）进行高分辨率神经活动记录。左侧展示类器官在MEA系统上的记录场景，右侧为对应的神经活动空间分布图。图片改编自：Birtele et al. (2025), Antón-Bolaños et al. (2024) 及 3Brain 产品资料。

在实现高质量记录之后，另一个关键问题随之出现：单个样本的数据，是否足以支撑对复杂系统的理解？在人工智能中，一个模型往往需要在成千上万甚至百万级样本上进行训练与验证，以确保其泛化能力。相比之下，脑类器官研究中基于单一样本的观察，往往难以反映系统的整体特征，也难以支持跨条件比较与统计分析。因此，仅有高质量数据还不够，我们还需要在可控条件下获取足够多的样本数据。这也使得“高通量”逐渐变得不可或缺。例如，多孔板格式（如24孔或96孔）的电生理系统，使多个类器官能够在相同条件下并行记录，从而在保证实验一致性的同时显著提升数据获取效率，并为跨样本比较提供必要基础 （视频1）。

视频1 | 基于24孔 HD-MEA 系统的类器官神经网络并行电生理记录
3Brain CorePlate™ 24孔平台可支持多达约100个类器官或者神经球体的同步记录。视频中可观察到所有孔位中样本自发放电活动spikes的实时采集过程，可为大规模功能表型分析与药物筛选提供技术基础。视频源自3Brain 产品推广资料。

当数据的质量与规模逐步具备之后，我们才真正有条件去讨论类器官神经系统的“计算能力”：这些系统，是否能够在输入与输出之间建立稳定的对应关系？换句话说，在定义明确的输入条件下，系统能否产生可重复、可预测的响应？计算神经活动数据，仅依赖被动记录 (record) 往往是不够的。如果无法控制输入，我们就无法判断输出所对应的因果关系，也就无法建立稳定的计算模型。因此，引入可控的外部刺激 (stimulation) 并非技术上的补充，而是理解这一系统的必要条件。这也对实验技术提出了更高要求：不仅需要高分辨率的记录能力，还需要能够在空间与时间上精确施加刺激，使研究者能够在同一系统中实现对神经网络的“读”与“写”（图3）。只有在这样的双向交互框架下，神经系统的输入—输出关系才能被系统性地解析，从而为后续的计算分析与功能建模奠定基础。

图3 | 类器官神经系统中的刺激—响应关系示例。
(a) 类脑组装体 (brain assembloid) 在 3Brain CorePlate™ 3D 平台上的记录场景：左侧为三叉神经核区域（刺激侧），右侧为丘脑区域（记录侧）。
(b) 在局部电刺激输入下，丘脑侧立即出现频繁且时间锁定的神经放电响应，表明系统能够在输入与网络活动之间建立稳定关联。
(c) 刺激前后平均放电水平的对比分析，作为整体活动变化的量化指标。
图片引自：Pang et al. (2024)。

读写之后：如何与神经系统“对话”
当我们能够在类器官神经系统中建立稳定的输入—响应关系之后，才有可能讨论其“计算”能力，并进一步思考如何真正利用这一系统参与信息处理。不同于人工构建的计算模型，这类真实的生物神经网络具有自发活动与可塑性。因此，刺激的角色也随之拓展：它不再仅仅用于诱发神经活动，而是逐渐成为一种与神经系统建立交互的手段。通过特定模式的输入信号，外部信息可以被写入神经网络；而其产生的动态响应，则作为处理结果被读取出来。

这一思路在近年来的研究中已有初步实践。在一项基于体外培养神经元网络（二维体系）的生物储备池计算 (biological reservoir computing), 即利用复杂动态系统将输入信号转换为可用于分析的特征表示的方法）研究中，研究者利用 HD-MEA 作为双向接口，对神经网络进行刺激与记录：首先，将输入图像编码为空间与时间分布的电刺激模式，作用于神经网络；随后记录其产生的电活动响应，并将这些响应作为特征输入至一个简单的分类器中进行分析 (Iannello et al., 2025)。需要注意的是，在这一过程中，神经网络本身并不会被训练。研究者并不是去改变神经元之间的连接，而是利用其在刺激下产生的自然反应，并通过一个简单的方法来学习如何区分这些不同的响应。研究结果表明，即使在不直接优化神经网络本身的情况下，这类系统仍然能够对不同输入模式产生可区分的响应。这表明，体外神经网络的动态活动本身已经可以被用于信息处理，而不只是被动记录的生物信号（图4）。

图4 |基于体外培养神经网络的生物储备池计算框架示意。
(1) 输入信息被编码为空间分布的电刺激模式，并通过3Brain高分辨率微电极阵列的选定电极施加到神经网络上；
(2) 这些刺激作用于铺设在HD-MEA表面的体外培养皮层神经网络，从而实现对神经活动的精确刺激与高分辨率记录；
(3) 刺激诱导产生的神经响应由记录通道采集，并转化为高维的“储备池状态”，反映了神经网络的非线性与瞬态动态特性；
(4) 在此基础上，线性读出模块对这些状态进行学习，并将其映射到对应的输入类别，使该神经网络能够作为物理储备池执行模式识别任务。图片改编自：Ciampi et al. (2026)。

尽管上述研究基于二维培养体系，但其提供了一个重要起点：我们不仅可以“观察”神经系统的活动，还可以在一定程度上“利用”其动态行为参与信息处理。相比之下，三维脑类器官在结构复杂性、网络连接以及动态特性方面更接近真实脑组织。如果能够在三维体系中建立稳定的记录与刺激接口，并实现可控的输入-响应映射，其作为计算载体的潜力将得到进一步拓展。

讨论与展望
从人工系统到生物系统，我们或许正在经历一次方向上的转变：不再只是试图让计算机逼近大脑，而是开始思考如何在真实的神经系统中理解并利用其内在的动态过程。在这一过程中，类器官智能所提出的，并不仅仅是一种新的技术路径，更是一种关于“计算”的重新定义。

然而，无论是计算能力的建立，还是进一步实现有效的交互，其前提始终不变：我们是否能够获得足够可靠、可解析的数据，并在可控条件下与这一系统建立稳定的联系。只有当神经系统变得“可读、可写、可交互”，这些复杂的动态活动才可能从生物现象转化为可以被理解和利用的信息过程。或许，我们距离真正“理解”这些系统仍有很长的路要走。这条路径的起点，或许并不只是构建更复杂的模型，还在于我们如何更精确地记录它、干预它，并逐步与之建立有效的对话。

参考与图片来源
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 链接未来，加速药物发现