Neurocomputing
Every Cell has a Story to Tell.
Let’s Discover Yours
神经计算使用活神经元网络来探索生物信息处理、学习和适应的原理。
体外 神经计算实验涉及定义的记录和刺激范式来执行计算任务。在这些研究中，可以训练、扰动和监测生物神经元网络，以研究可塑性、记忆形成、模式识别和信号整合的核心机制，将神经科学与仿生计算和神经形态技术联系起来。
MaxWell Biosystems 的高密度微电极阵列 (HD-MEA) 平台非常适合神经计算应用。凭借数千个可寻址电极和灵活的刺激功能，研究人员可以提供精确的输入模式并记录整个网络中的高分辨率响应。HD-MEA 的超高灵敏度可以检测单个峰值、突发和动态活动流，从而可以实时跟踪网络的计算、适应和演变方式。这使得 MaxWell Biosystems 的 HD-MEA 技术成为理解生物计算和构建下一代生物混合系统的强大工具。
用神经元模型开创计算的未来
在生物学和技术的交汇处，研究人员正在研究如何 体外 大脑模型，例如类神经器官，可以形成类似于人脑的复杂功能回路。通过使用MaxOne HD-MEA芯片精确记录和刺激这些网络内的活动，生物混合计算的新前沿正在出现。一个例子是大脑处理单元（BPU）的概念，这是一种能够以受人脑启发的方式学习、适应和处理信息的生命系统。
使用高分辨率记录和刺激精确地与每个细胞相互作用
要解码生物回路的计算方式，必须与网络中的每个细胞进行交互。MaxWell Biosystems 的密集电极布局和灵活的刺激可提供精确的输入，并支持实时观察动态活动，从而支持以细胞分辨率绘制、控制和扰动功能连接的实验。
通过 API 实现实时、闭环的实验控制
该API使研究人员能够定义刺激范例，实时调整HD-MEA命令并建立基于反馈的控制回路。此功能支持尖端的神经计算用例，例如实时训练、强化学习和人工智能生物学接口实验。
通过跟踪整个网络的可塑性，揭示学习和适应能力
通过超灵敏的录制来检测活动模式的细微变化，揭开网络随时间推移而发生的变化。HD-MEA 支持对突触可塑性、存储器编码和网络级学习的详细研究。
通过无缝集成桥接生物混合系统
我们的 HD-MEA 系统可以直接与数字处理器和神经形态硬件接口，从而实现活神经元网络和外部设备之间的实时通信。这为连接神经形态系统和探索混合智能模型提供了灵活的基础。
Case studies
在 HD-MEAS 上使用皮质类器官进行自适应储层计算
这项研究证明了镀在HD-MEA上的皮质类器官如何充当名为Brainoware的神经计算任务的活体储存库。时空电输入被传送到类器官，在数千个电极上以高分辨率生成复杂的响应。通过使用机器学习对诱发活动进行解码，该系统实现了分类、预测和自适应计算 体外。这种方法利用与网络中每个细胞的精确交互，从而可以在受大脑启发的计算框架中对信息处理和无监督学习进行详细研究。在Brainoware框架的一个应用程序中，它接受了语音识别任务培训，成功地从不同的音频片段中识别出正确的说话者。阅读更多关于Cai等人的内容。， 自然电子，2024。
采用无监督学习的 Brainoware 储存库计算
(A) 使用 Brainoware 的自适应储层计算框架。 (B) 在 MaxOne HD-MEA 芯片上使用类脑器官设置 Brainoware。 (C) 皮质类器官的免疫染色（以 MAP2 标记的成熟神经元；使用 GFAP 标记的星形胶质细胞；使用 tuj1 进行早期分化阶段的神经元，使用 SOX2 标记的神经祖细胞）。比例尺：100 微米。 (D) 假设的网络重塑和学习是由突触可塑性和突触抑制驱动的。
数据改编自蔡等人，《自然电子》，2024年。
实时闭环生物混合计算
本研究描述了闭环系统如何将MaxOne HD-MEA上的皮质类器官（连接体）与在BioEMUS上模拟的硬件尖峰网络连接起来。在一个系统中检测到的神经爆发会触发另一个系统的刺激，所有检测和控制步骤都通过自定义 Python 接口自动执行。该实验展示了基于 MaxLab Live API 的实时反馈功能，支持生物混合神经计算的活网络和硅基网络之间的实时、双向通信。阅读有关 Beaubois 等人的更多信息。， 《自然通讯》，2024。
Connectoids 和 BioEMUS 神经仿真器之间的闭环交互
上衣： 示意图显示了带有连接体（两个相连的类器官）的 MaxOne HD-MEA 和使用 MaxLab Live API 模块通过自定义 Python 控制脚本连接的 BioEMUS 硬件神经网络。在任一系统中检测到爆裂时，将在另一个系统中触发刺激。
底部： 栅格图说明了一段时间内的锁定爆发事件（用颜色编码）和刺激触发器（三角形），说明了闭环架构。
数据改编自Beaubois等人，《自然通讯》，2024年。
合成生物智能：文化中自组织、以目标为导向的活动
这项研究展示了 DishBrain，它集成了 体外 MaxOne HD-MEA 上的神经网络搭配模拟 Pong 游戏，创建混合生物数字系统。通过闭环刺激和反馈，神经元实时调整其活动，表现出学习和自我组织以应对感官后果。我们的 HD-MEA 平台可以精确跟踪和调制生活网络中这些复杂的自适应行为，弥合生物计算和人工智能之间的差距。通过证明这一点 体外 神经回路可以在模拟环境中进行适应，这项工作为毒理学、药物发现和认知性能高通量筛查等功能分析开辟了途径。阅读更多关于 Kagan 等人的信息。， 神经元，2022年。
合成生物智能：DishBrain 中的学习和适应
图形示意图说明了 maxOne HD-MEA 芯片上的神经元培养与模拟 Pong 环境的联系。双向通信使网络能够接收感官输入（刺激），在游戏中采取行动，并根据结果反馈调整射击模式，支持目标导向行为和合成智能。
数据改编自卡根等人，《神经元》，2022年。
Selected Resources
Relevant
Applications
Relevant Biological Models
.avif)
Dr. Brett Kagan
“我真的很喜欢 HD-MEA 界面可以根据你正在读取或写入的内容进行高度配置。对于类器官等样品，这非常有用，因为在芯片上将它们完美对准可能很困难。但是，对于MaxWell Biosystems HD-MEA来说，这不是问题，因为你可以选择芯片上有哪些电极间距非常低。所以，我认为这是一个很棒的功能！”
Prof. Feng Guo
“在申领学习能力之前，我们检查了功能连接，使用MaxOne HD-MEA系统，我们观察到随着时间的推移，功能活动逐渐增加。通过突触出现的新连接证实了这一点，这表明我们在类器官内的神经网络越来越好。因此，我们重新审视了训练过程，发现在训练期间的准确性不断提高。”
