Biocomputing: Rechner aus Hirnzellen

Computer bestehen normalerweise aus Silizium, Transistoren und Speicherchips. Beim Biocomputing kommt dagegen lebendes Gewebe ins Spiel. Menschliche Nervenzellen oder dreidimensionale Hirnorganoide werden mit elektronischen Schnittstellen verbunden. Dadurch können Forschende elektrische Signale einspeisen, Zellantworten messen und neuronale Netzwerke durch Rückkopplung beeinflussen. Das Ziel ist jedoch kein menschliches Gehirn im Computer. Vielmehr sollen biologische Netzwerke besondere Lern-, Forschungs- und Signalverarbeitungsaufgaben übernehmen. Projekte wie DishBrain, Brainoware und der kommerzielle CL1 zeigen erste praktische Ansätze. Trotzdem steht die Technologie noch am Anfang und wirft neben technischen auch grundlegende ethische Fragen auf.

Das Wichtigste in Kürze

Biocomputing nutzt lebende Nervenzellen als Teil eines hybriden Systems aus Biologie, Elektronik und Software.
Organoide Intelligenz, kurz OI, konzentriert sich auf dreidimensionale Hirnorganoide aus menschlichen Stammzellen.
Elektrodenarrays übertragen elektrische Reize an die Zellen und lesen deren Reaktionen wieder aus.
Der CL1 arbeitet mit kultivierten Neuronen auf einem Siliziumchip, jedoch nicht mit einem dreidimensionalen Hirnorganoid.
Die größten Hürden sind Reproduzierbarkeit, Skalierung, Lebensdauer, verlässliche Leistungsmaßstäbe und ethische Regeln.

Was Biocomputing und Organoide Intelligenz bedeuten

Biocomputing ist ein Oberbegriff für Informationsverarbeitung mithilfe biologischer Systeme. Dazu können DNA-Moleküle, Proteine, einzelne Zellen oder neuronale Netzwerke gehören. Im Umfeld der Organoiden Intelligenz stehen lebende Nervenzellen im Mittelpunkt. Der Begriff „Wetware“ grenzt diese biologische Komponente von Hardware und Software ab. Es handelt sich jedoch nicht um ein vollständiges Gehirn in einer Petrischale. Auch die oft verwendete Bezeichnung „Minigehirn“ ist wissenschaftlich missverständlich. Hirnorganoide bilden nur ausgewählte Eigenschaften und Entwicklungsprozesse von Gehirngewebe nach.

Organoide Intelligenz bezeichnet ein interdisziplinäres Forschungsfeld. Es verbindet Stammzellbiologie, Neurowissenschaften, Bioengineering, Informatik und maschinelles Lernen. Ein 2023 vorgestellter Forschungsfahrplan beschreibt, wie dreidimensionale Hirnorganoide mit Ein- und Ausgabeschnittstellen gekoppelt werden könnten. Langfristig sollen solche Systeme Lern- und Gedächtnisprozesse nachbilden. Der Ansatz soll außerdem helfen, Gehirnerkrankungen genauer zu untersuchen. Die Entwickler betonen zugleich, dass ethische Fragen von Beginn an Teil der Forschung sein müssen. Der Fachbegriff OI steht daher nicht für eine bereits vorhandene menschenähnliche Intelligenz, sondern für ein Forschungsziel. Das geht aus dem grundlegenden Fachbeitrag zur Organoiden Intelligenz hervor.

Begriff	Kurzdefinition	Technische Rolle
CL1	Kommerziell angebotene Biocomputing-Plattform von Cortical Labs mit kultivierten Neuronen auf einem Siliziumchip.	Ermöglicht Experimente mit neuronaler Informationsverarbeitung, Rückkopplung und Lernen.
Elektrodenarray	Anordnung zahlreicher Mikroelektroden, die neuronale Signale senden und empfangen kann.	Bildet die Schnittstelle zwischen lebenden Zellen und Elektronik.
Organoid	Dreidimensionale Zellstruktur, die aus Stammzellen gezüchtet wird und bestimmte Gewebeeigenschaften nachbildet.	Dient als biologisches Modell sowie als mögliches Rechensubstrat.
Wetware	Lebendes biologisches Material, das Informationen verarbeitet oder Teil eines technischen Systems ist.	Ergänzt klassische Hardware und Software um eine biologische Ebene.
OI	Abkürzung für Organoid Intelligence beziehungsweise Organoide Intelligenz.	Bezeichnet die Nutzung von Hirnorganoiden für Lernen, Forschung und Biocomputing.

Wie aus Stammzellen lebende Hardware entsteht

Viele Hirnorganoide entstehen aus induzierten pluripotenten Stammzellen, kurz iPS-Zellen. Dafür können Forschende beispielsweise Haut- oder Blutzellen eines erwachsenen Menschen entnehmen. Diese Zellen werden zunächst in einen stammzellähnlichen Zustand zurückversetzt. Anschließend bringen Wachstumsfaktoren sie dazu, sich zu Nervenzellen und weiteren Zelltypen zu entwickeln. Unter passenden Kulturbedingungen organisieren sich die Zellen zu dreidimensionalen Strukturen. Dabei können synaptische Verbindungen und spontane elektrische Aktivitätsmuster entstehen. Das Max Delbrück Center erklärt solche Organoide deshalb als Modelle, die bestimmte Vorgänge des menschlichen Gehirns im Labor zugänglich machen.

Ein Hirnorganoid ist trotzdem kein verkleinertes menschliches Gehirn. Ihm fehlen unter anderem eine vollständige anatomische Organisation, ein Körper, Sinnesorgane und eine normale Blutversorgung. Zudem bildet ein einzelnes Organoid meist nur bestimmte Zelltypen oder Eigenschaften einer Gehirnregion ab. Seine Entwicklung folgt nicht vollständig den Abläufen im menschlichen Körper. Das schränkt sowohl medizinische Vergleiche als auch mögliche Computeranwendungen ein. Zugleich ist diese Vereinfachung für die Forschung nützlich. Wissenschaftler können dadurch einzelne Entwicklungsprozesse, Krankheiten oder Reaktionen auf Wirkstoffe kontrolliert beobachten.

Größere Organoide benötigen eine zuverlässige Versorgung mit Sauerstoff und Nährstoffen. Ohne Blutgefäße gelangt die Nährlösung nur begrenzt in das Innere des Gewebes. Deshalb können im Zentrum größere Zellbereiche absterben. Mikrofluidische Systeme sollen dieses Problem lösen. Sie führen Nährstoffe und Wachstumsfaktoren zu und transportieren Abfallstoffe ab. Der OI-Forschungsfahrplan nennt solche künstlichen Versorgungssysteme als Voraussetzung für größere und langlebigere Organoide. In frühen Konzepten waren Systeme mit mehreren Millionen Zellen vorgesehen, während kleinere Modelle oft deutlich unter dieser Größenordnung liegen. Mehr Zellen bedeuten jedoch nicht automatisch mehr Intelligenz, denn auch ihre Vernetzung und kontrollierte Ansteuerung sind entscheidend.

Wie lebende Nervenzellen Informationen verarbeiten

Nervenzellen kommunizieren durch elektrische und chemische Signale. Verändert sich die Spannung an ihrer Zellmembran ausreichend stark, entsteht ein Aktionspotenzial. Über Synapsen beeinflusst dieses Signal weitere Zellen. Wiederholte Aktivität kann die Stärke bestimmter Verbindungen verändern. Diese synaptische Plastizität ist eine wichtige Grundlage biologischen Lernens. Biocomputing versucht, genau diese Anpassungsfähigkeit technisch nutzbar zu machen. Dabei wird kein Programm wie bei einem gewöhnlichen Prozessor direkt in die Zellen geschrieben.

Die Verbindung zur Elektronik erfolgt meist über ein Mikroelektrodenarray. Einige Elektroden senden elektrische Impulse an das Zellnetz. Andere messen, wann und wo Neuronen aktiv werden. Eine Software übersetzt digitale Informationen zunächst in Stimulationsmuster. Anschließend werden die Zellantworten erfasst, gefiltert und wieder in digitale Werte umgewandelt. Damit entsteht eine geschlossene Rückkopplungsschleife. Flexible und dreidimensionale Elektrodenstrukturen sollen künftig einen größeren Teil eines Organoids erreichen als flache Chips. Ein von der EU vorgestelltes Kirigami-Konzept für Elektrodenarrays zeigt, wie sich eine Elektrodenhülle um dreidimensionales Gewebe legen lässt.

„Training“ besitzt in diesem Zusammenhang eine andere Bedeutung als bei einem klassischen KI-Modell. Die Forschenden können keine Fehlerkorrektur per Backpropagation direkt durch das Gewebe schicken. Stattdessen verändern zeitlich abgestimmte Reize und Rückmeldungen die Dynamik des Zellnetzes. Nützliche Reaktionen können durch vorhersagbare Signale bestätigt werden. Ungeeignete Reaktionen können dagegen mit unvorhersehbaren oder veränderten Reizmustern verbunden werden. Ob dadurch wirklich Lernen entstanden ist, muss anschließend anhand objektiver Leistungstests geprüft werden. Eine bloße Veränderung elektrischer Aktivität reicht als Nachweis nicht aus. Auch Ermüdung, Stress, Zellwachstum oder Schwankungen der Messung können die Signale verändern.

Ein weiterer Ansatz ist das sogenannte Reservoir Computing. Das biologische Netzwerk dient dabei als dynamisches Reservoir, das zeitabhängige Eingangssignale in komplexe Aktivitätsmuster umwandelt. Häufig wird nur die digitale Auswertungsschicht gezielt trainiert. Das Zellnetz selbst muss keine klar definierte Rechenregel ausführen. Es stellt vielmehr seine nichtlineare Dynamik und sein kurzfristiges „Gedächtnis“ zur Verfügung. Dadurch eignet sich das Verfahren besonders für Sprach-, Zeitreihen- und andere Signalaufgaben. Trotzdem ist diese Form des Rechnens noch nicht mit frei anwendbarer künstlicher Intelligenz gleichzusetzen.

Was CL1, DishBrain und Brainoware unterscheidet

Der CL1 wird von Cortical Labs als programmierbarer biologischer Computer angeboten. Im Inneren wachsen lebende Neuronen in einer Nährlösung auf einem Siliziumchip. Dieser Chip sendet elektrische Impulse und zeichnet neuronale Antworten auf. Das zugehörige Biological Intelligence Operating System, kurz biOS, erzeugt eine digitale Umgebung und übersetzt deren Zustände in Reizmuster. Die Antworten der Neuronen können wiederum die simulierte Umgebung verändern. Laut Hersteller enthält der CL1 außerdem Aufzeichnungstechnik, Steuerung und ein eigenes Versorgungssystem. Dieses soll die Zellkultur unter geeigneten Bedingungen bis zu sechs Monate erhalten. Die aktuelle Produktbeschreibung nennt zudem einen Touchscreen, USB-Anschlüsse und eine Cloud-Anbindung für Experimente. Diese Angaben stammen aus der offiziellen CL1-Produktbeschreibung.

Wichtig ist jedoch die Abgrenzung zur Organoiden Intelligenz. Der CL1 nutzt ein kultiviertes neuronales Netzwerk auf einer flachen Chipoberfläche. Es handelt sich daher nicht um einen Computer mit einem dreidimensionalen Hirnorganoid. Auch Begriffe wie „Synthetic Biological Intelligence“ sind zunächst Bezeichnungen des Herstellers. Sie ersetzen keinen unabhängigen Leistungsnachweis. Bei seiner Vorstellung wurde für das Gerät ein Preis von rund 35.000 US-Dollar genannt. Eine Cloud-Version soll Forschungsgruppen den Zugang ermöglichen, ohne dass sie selbst ein vollständiges Zellkulturlabor betreiben müssen.

Der wissenschaftliche Vorläufer DishBrain verband menschliche sowie aus Mäusen gewonnene Nervenzellen mit einer simulierten Pong-Umgebung. Das System übermittelte Informationen über die Position des Balls als elektrische Reize. Die Aktivität der Zellkulturen beeinflusste anschließend den virtuellen Schläger. In bestimmten Versuchsbedingungen verbesserte sich die Leistung der Kulturen. Die 2022 in Neuron veröffentlichte DishBrain-Studie wertete dies als Hinweis auf zielgerichtete Anpassung. Daraus folgt jedoch nicht, dass die Zellen das Spiel wie ein Mensch verstanden. Ebenso wenig belegt der Versuch ein Bewusstsein der Zellkultur.

Brainoware ist wiederum ein anderer Ansatz. Hier kam tatsächlich ein dreidimensionales Hirnorganoid zum Einsatz. Ein hochauflösendes Elektrodenarray übermittelte räumlich und zeitlich strukturierte Signale. Das System nutzte die Dynamik des Organoids als biologisches Reservoir. In Experimenten wurde es für Sprachklassifikation und die Vorhersage einer nichtlinearen Gleichung eingesetzt. Die Ergebnisse zeigten, dass biologische Netzwerke prinzipiell für Reservoir Computing genutzt werden können. Sie bewiesen jedoch noch keinen universell einsetzbaren Organoidcomputer. Die Einzelheiten wurden 2023 in Nature Electronics veröffentlicht.

System	Biologische Grundlage	Technischer Ansatz	Entwicklungsstand
DishBrain	Flache Kulturen menschlicher und tierischer Nervenzellen	Geschlossene Rückkopplung mit einer Pong-Simulation	Wissenschaftlicher Machbarkeitsnachweis
CL1	Auf einem Siliziumchip kultivierte Neuronen	Programmierbare Stimulation, Messung und integrierte Zellversorgung	Kommerzielle Forschungsplattform
Brainoware	Dreidimensionales menschliches Hirnorganoid	Biologisches Reservoir Computing über ein Elektrodenarray	Experimenteller Forschungsprototyp
OI-Konzept	Skalierbare und langfristig versorgte Hirnorganoide	Lernfähige Organoid-Computer-Schnittstellen	Langfristiges Forschungsprogramm

Welche Chancen Biocomputing tatsächlich bietet

Ein wichtiger Anwendungsbereich ist die Erforschung neurologischer Erkrankungen. Organoide können aus Zellen bestimmter Patientinnen und Patienten entstehen. Dadurch tragen sie einen Teil der individuellen genetischen Eigenschaften des Spenders. Forschende könnten untersuchen, wie sich Epilepsie, Demenz oder Entwicklungsstörungen auf neuronale Netzwerke auswirken. Medikamente ließen sich direkt an menschlichen Zellmodellen testen. Das könnte bestimmte Tierversuche ergänzen oder langfristig reduzieren. Ein vollständiger Ersatz aller Tiermodelle ist daraus jedoch nicht automatisch abzuleiten.

Biocomputing könnte außerdem neue Einblicke in Lernen und Gedächtnis liefern. Bei künstlichen neuronalen Netzen sind nur mathematische Modelle biologischer Nervenzellen aktiv. Ein lebendes Zellnetz zeigt dagegen echte synaptische Plastizität, biochemische Regulation und Selbstorganisation. Forschende können beobachten, wie Medikamente, Krankheiten oder Umweltbedingungen diese Prozesse verändern. Dadurch wird Biocomputing zunächst vor allem zu einem neuartigen neurowissenschaftlichen Messinstrument. Dieser Nutzen dürfte früher praktisch relevant werden als ein leistungsfähiger biologischer Universalcomputer.

Auch die potenzielle Energieeffizienz sorgt für großes Interesse. Das menschliche Gehirn bewältigt komplexe Aufgaben mit einer Leistungsaufnahme von ungefähr 20 Watt. Daraus lässt sich jedoch nicht direkt ableiten, dass ein Organoidcomputer automatisch sparsamer als ein moderner Chip wäre. Neben den Zellen benötigen heutige Systeme Pumpen, Temperaturregelung, Sensoren, Messverstärker und digitale Auswertung. Hinzu kommen sterile Herstellung und eine kontinuierliche Nährstoffversorgung. Faire Vergleiche müssen deshalb das gesamte System betrachten. Belastbare Energie-Benchmarks für typische Rechenaufgaben fehlen bislang.

Langfristig könnten biologische Netzwerke als Spezialbeschleuniger dienen. Denkbar wären Anwendungen bei zeitabhängigen Signalen, adaptiven Steuerungen oder der Erkennung komplexer biologischer Muster. Normale PCs, Rechenzentren und Grafikprozessoren würden dadurch nicht überflüssig. Exakte Mathematik, Datenspeicherung und reproduzierbare Programmausführung bleiben Stärken digitaler Technik. Ein realistisches Zukunftsmodell ist daher ein Hybridcomputer. Die digitale Seite übernimmt Kontrolle und Auswertung, während die Wetware ausgewählte adaptive Aufgaben bearbeitet. Organoide Intelligenz wäre damit eher ein biologischer Koprozessor als ein Ersatz für CPU, GPU oder Cloud.

Grenzen, ethische Fragen und realistischer Ausblick

Biologische Hardware ist schwieriger zu standardisieren als ein Siliziumchip. Zelllinien unterscheiden sich durch genetische Herkunft, Entwicklungszustand und Kulturbedingungen. Selbst zwei Organoide aus derselben Zelllinie können voneinander abweichende Netzwerke bilden. Außerdem verändern sich lebende Zellen während des Betriebs. Sie wachsen, bilden neue Verbindungen, altern oder sterben ab. Eine Aufgabe kann deshalb nach mehreren Wochen andere Ergebnisse liefern als zu Beginn. Für industrielle Anwendungen wären solche Schwankungen ein erhebliches Problem.

Hinzu kommt die begrenzte Ein- und Ausgabe. Ein menschliches Gehirn besitzt Milliarden Nervenzellen und eine enorme Zahl synaptischer Verbindungen. Ein Elektrodenarray erfasst davon nur einen kleinen Ausschnitt. Bei dreidimensionalen Organoiden erreichen flache Elektroden vor allem die äußere Oberfläche. Flexible Hüllen und implantierbare Sonden sollen die Abdeckung verbessern. Sie können das empfindliche Gewebe jedoch beeinflussen oder beschädigen. Damit wird die Schnittstelle häufig zum eigentlichen Flaschenhals des Systems.

Es fehlen zudem anerkannte Maßstäbe für die Rechenleistung. FLOPS, Taktfrequenz und Speichergröße lassen sich nicht sinnvoll auf eine lebende Zellkultur übertragen. Forschende benötigen stattdessen standardisierte Aufgaben für Lernzeit, Genauigkeit, Stabilität, Energiebedarf und Übertragbarkeit. Diese Tests müssten auch Kontrollkulturen ohne Training berücksichtigen. Nur so lässt sich echte Anpassung von zufälligen Schwankungen unterscheiden. Ebenso wichtig sind unabhängige Wiederholungen durch andere Labore. Spektakuläre Demonstrationen mit Videospielen ersetzen keine reproduzierbaren Benchmarks.

Ethisch steht vor allem die mögliche Entwicklung von Empfindungs- oder Bewusstseinsmerkmalen im Mittelpunkt. Derzeit gibt es keinen belastbaren Beleg dafür, dass heutige Hirnorganoide ein menschliches Bewusstsein besitzen oder Schmerzen erleben. Dennoch könnte die Frage dringlicher werden, wenn die Systeme komplexer, langlebiger und stärker mit Sensoren verbunden werden. Forschende müssten dann definieren, welche Aktivitätsmuster als Warnzeichen gelten. Auch Abbruchkriterien für Experimente wären erforderlich. Der OI-Forschungsfahrplan schlägt deshalb eine „eingebettete Ethik“ vor. Dabei begleiten Fachleute aus Forschung, Ethik und Gesellschaft die technische Entwicklung fortlaufend.

Weitere Fragen betreffen die Menschen, deren Zellen verwendet werden. Aus iPS-Zellen lassen sich genetische und möglicherweise medizinisch relevante Informationen ableiten. Ein Spender könnte einer Krankheitsstudie zugestimmt haben, jedoch nicht der Nutzung seiner Zellen in einem lernfähigen Computersystem. Deshalb müssen Einwilligung, Datenschutz und mögliche kommerzielle Verwertung klar geregelt sein. Unklar ist außerdem, wem trainierte biologische Modelle und ihre Ergebnisse gehören. Der Nuffield Council on Bioethics warnt zugleich davor, mit Begriffen wie „Minigehirn“ falsche Vorstellungen über den Entwicklungsstand zu erzeugen.

Neuer Blickwinkel: Die Zukunft des Biocomputings hängt möglicherweise weniger von der Zahl der Nervenzellen als von einem neuen Konzept der „biologischen Versionierung“ ab. Bei normaler Software kann eine bestimmte Version archiviert und später identisch ausgeführt werden. Lebende Hardware verändert sich dagegen täglich. Ein vollständiger Versuchsdatensatz müsste daher nicht nur Programmcode enthalten. Er müsste auch Zelllinie, Spenderhintergrund, Alter der Kultur, Nährmedium, Temperatur, Elektrodenkontakt und Aktivitätsgeschichte dokumentieren. Biocomputer benötigen somit eine Art biologischen Lebenslauf. Ohne diesen Lebenslauf könnten Ergebnisse weder zuverlässig verglichen noch später reproduziert werden.

Fazit

Biocomputing macht aus lebenden Nervenzellen noch keinen denkenden PC. Doch die Verbindung aus Zellkultur, Elektroden und Software eröffnet ein bemerkenswertes Forschungsfeld. Kurzfristig dürfte sie vor allem Medikamente, Krankheitsmodelle und Grundlagenforschung verbessern. Langfristig könnten biologische Netzwerke spezielle Lern- und Signalaufgaben übernehmen. Entscheidend sind jedoch belastbare Benchmarks, reproduzierbare Zellkulturen und strenge ethische Leitplanken. Der wahre Durchbruch wäre deshalb nicht das künstliche Minigehirn, sondern ein kontrollierbarer Hybridcomputer, der biologische Anpassungsfähigkeit sinnvoll, sparsam und verantwortbar nutzt. Bis dahin bleibt sie faszinierende Forschung, keine Computerrevolution.

Bewerte den Beitrag hier!

[Total: 1 Average: 5]

Nico Nuss

Website

Der Autor Nico Nuss beschäftigt sich seit 2001 mit den Themen Mobile Computing und Automation Software. Auf Grund seiner Erfahrung und dem starken Interesse für Zukunftstechnologien gilt seine Aufmerksamkeit den Themen Robotik und AI.