2月28日,在国际学术期刊《人工智能前沿》杂志上,科学家发表标题为《建立类器官智能社区的首个类器官智能(OI)研讨会》的文章,提出了一个前所未有的新概念——类器官智能,并发布了首个“类器官智能”路线图。
事实上,不管是类器官,还是智能,科学界和科技界都有相当的研究,但类器官智能却是一个全新的概念。类器官智能试图让计算机在脑细胞上运行,将人脑类器官作为生物硬件进行计算,这对于计算机行业以及生物界都是一次颠覆性创新,这或许将开启一个快速、强大、高效的生物计算新时代。
从类器官到类器官智能
顾名思义,类器官,就是其类似于组织器官的人造器官模型。具体来说,类器官是在体外用3D培养技术对干细胞或器官祖细胞进行诱导分化形成的在结构和功能上都类似目标器官或组织的三维细胞复合体。类器官具有稳定的表型和遗传学特征,能够在体外长期培养。
由于类器官可以在很大程度模拟目标组织或器官的遗传特征和表观特征,因此,类器官在器官发育、精准医疗、再生医学、药物筛选、基因编辑、疾病建模等领域都被寄予厚望。研究人员可以通过使用患者的诱导性多能干细胞(iPSCs)可建立有价值的疾病模型,并能在体外模拟重现病人疾病模型;同时,类器官的建立可以实现对药物药效和毒性进行更有效、更真实的检测。
比如,在肿瘤治疗来说,类器官就具有独特的优势。一方面,研究人员可以从患者来源的健康和肿瘤组织样品中建立类器官。而类器官的培养和建立,则可用于研究肿瘤生成过程中的突变过程,通过从同一肿瘤的不同区域培养无性繁殖的类细胞器,可以用来研究肿瘤内部的异质性。
另一方面,类器官的培养可用于临床前癌症的治疗检测及药物药效和毒性测试,这可将肿瘤的遗传背景与药物反应相关联。来自同一患者健康组织的类器官的建立提供了通过筛选选择性杀死肿瘤细胞而又不损害健康细胞的化合物来开发毒性较小的药物的机会。自我更新的肝细胞类器官培养物可用于测试潜在新药的肝毒性,而这则是临床试验中药物失败的原因之一。
不过,不同于类器官在生物学和医学方向的应用,类器官智能提出,可以基于类器官基础,将类器官应用于计算。
长期以来,人工智能(AI)都受到人脑启发。比如,人工智能的深度学习就像生物神经大脑的工作机理一样,通过合适的矩阵数量,多层组织链接一起,形成神经网络“大脑”进行精准复杂的处理。深度学习的出现,让图像、语音等感知类问题取得了真正意义上的突破。
不可否认,模拟人脑机制的人工智能今天获得了前所未有的成功,尽管如此,今天,人脑在许多方面仍优于机器。
比如,人脑的神经元可以以千赫兹的频率来发放动作电位,超过计算机100万倍。并且,大脑是高度并行的,而计算机则是线性机器。计算机工作逻辑遵循TTL逻辑的刻板信号,大脑则以非常灵活且温和的方式发出信号,这是大脑在处理信号上的巨大优势。同时,大脑非常低耗能,但计算机耗能极高——训练 AlphaGo 所花费的能量远超过保持一个成年人思维活跃十年所需的能量。
相较于计算机,人脑所具有的种种优势也启发了科学家——我们为什么不直接用人脑类器官来模拟计算机呢?
用人脑类器官模拟计算机
基于用人脑类器官模拟计算机的设想,美国约翰·霍普金斯大学于 2022年2月22日至-24 日组织了第一个类器官智能研讨会,由此形成了一个类器官智能(OI )研究社区,并通过了探索类器官智能的巴尔的摩宣言。
巴尔的摩宣言呼吁国际科学界探索基于人脑的类器官细胞的潜力,促进我们对大脑的理解,并探索生物计算新形式,同时认识到和解决相关的伦理问题。会议创造了“类器官智能”(OI,Organoid Intelligence)一词来描述这种研究和开发方法。
该宣言称,OI有望阐明人类认知功能(如记忆和学习)的生理学。它为生物和混合计算提供了改变游戏规则的机会,可以克服硅基计算的重大限制。它提供了在大脑和机器之间的接口方面取得空前进步的前景。最后,OI可以在建模和治疗痴呆症和其他神经生成性疾病方面取得突破,这些疾病会在全球范围内造成巨大且不断增长的疾病负担。
2月28日,美国约翰·霍普金斯大学布隆伯格公共卫生学院教授教授托马斯·哈东(Thomas Hartung)在Frontiers in Science 上发表了一篇文章,提出了类器官智能的革命性策略。而这一文章正是于类器官智能(OI )研究社区首次研讨会结束十个月后的2022年12月5日投稿。
根据Hartung的说法,就大脑的体积而论,其计算能力无与伦比。对比来看下,2022 年,有一台超级计算机的计算能力最终超过了人脑,但耗资 6 亿美元,占地 680 平方米——约为一个网球场面积的两倍。
不仅如此,今天,计算能力也即将达到极限。按照摩尔定律,微芯片中的晶体管数量每两年翻一番,至今已经过了 60 年。过不了多久,芯片上实际安装的晶体管数量便无法再增加。而一个神经元却可以连接多达 10,000 个其他的神经元,是一种极为不同的信息处理和存储方式。而通过类器官智能,利用大脑的计算原理,就可以以不同的方式完成计算机构建。
不过,如果想实现类器官智能,脑类器官还需要扩大规模,Hartung解释道:“人脑类器官太小了,每个都包含大约 50,000 个细胞。对于类器官智能,我们需要将这一数字增加到 1,000 万。”
与此同时,研究人员也在研发与类器官通信的技术:换言之,向类器官发送信息并读出类器官的“想法”。Hartung计划优化生物工程和机器学习等各种学科中的已有设备,并设计新的设备来刺激大脑和记录脑信号。Hartung表示,他们研发了一种脑机接口设备,该设备是一种用于类器官的 EEG(脑电图)帽,Hartung已在去年 8 月份发表的一篇文章中介绍了该设备。该设备有一个柔性外壳,上面密布着微型电极,既能接收来自类器官的信号,又能向类器官传输信号。
Hartung设想,最终类器官智能将整合一系列刺激和记录工具。这些将协调互连类器官网络之间的相互作用,从而实现更复杂的计算。
我们离类器官智能还有多远?
尽管当前类器官智能仍处于起步阶段,但该文章的共同作者之一—— Cortical Labs 公司的 Brett Kagan 博士最近发表的一项研究已经为这一概念提供了证据。他的团队表明,标准脑细胞培养物能学会打“乒乓球” 电子游戏。他们已经在用大脑类器官进行实验,而用类器官对此进行复制正是Hartung所说的类器官智能的标准。
当然,要挖掘出类器官智能的全部潜力还有很长的路要走,其中最重要的也是首先要解决的,就是科学突破。比如,需要人类干细胞技术和生物工程的进步,以重建大脑结构,并模拟其潜在的伪认知能力;需要突破接口技术,以便向类器官传递输入信号,测量输出信号,并采用反馈机制来模拟学习过程。同时,还需要新的机器学习、大数据和人工智能技术,来让我们了解大脑类器官。
其中,就类器官的组织结构和功能而言,类器官研究面临的一个挑战就是如何使细胞组织成足以支持各细胞类型之间功能相互作用的空间型态。类器官的生长能力有限,当其超过一定大小时,很多细胞组织仍然是不成熟的。
对大脑类器官来说,祖细胞区域的初步组织是共同特征,但有丝分裂后神经元外套膜的形成更具变数,主要神经元层的组织也并没有精确地再现。就目前而言,类器官仍然存在细胞结构组织的变异性和多能细胞系之间的大小差异,而这些都应该以原位人类皮质发育的细胞结构特征为基准。
就类器官的保真性而言,尽管基因表达研究在解决细胞类型和状态方面有着前所未有的能力,并有助于改善体外方法,但它们在捕获细胞特性的特征方面仍然存在局限性。目前对类器官的代谢和生理机能保真度的评估仍是困难重重。
除了应对这些科学和技术挑战外,还需要预见并解决与这项研究相关并且很大程度上未被探索的伦理挑战。比如,人们对于从自己的细胞发育而成的类器官是否有权利,以及了解类器官智能是否具有意识。从技术伦理角度来看,人类都必须警惕类器官发展出意识的任何可能性,并减轻和防范这种情况。
也就是说,类器官智能计划至少包括四方面内容:通过人类干细胞技术和生物工程的进步来重建大脑架构,并对其认知能力潜力进行建模;通过接口方面的突破,让人们能够向类器官传递输入信号,测量输出信号,并采用反馈机制来模拟学习过程;通过新颖的机器学习、大数据和AI技术,让人们能够了解大脑类器官;在类器官智能的开发过程中讨论出一个公认的伦理框架。
不论如何,类器官智能的概念都开创了生物计算的新阶段,接下来,我们需要做的是建立社区生态、工具和技术,以实现类器官智能的全部潜力。