Para peneliti dari University of Bristol, Inggris, berhasil menunjukkan kemampuan organoid otak manusia dalam memproses pola huruf Braille melalui eksperimen komputasi biohibrida. Penelitian yang dipublikasikan pada 16 Oktober 2026 dalam jurnal Frontiers in Artificial Intelligence ini menggabungkan jaringan saraf biologis, sensor sentuhan, dan sistem pembelajaran mesin. Hasil pengujian menunjukkan bahwa penggunaan satu organoid menghasilkan akurasi klasifikasi 61 persen, sedangkan kombinasi tiga organoid meningkat menjadi 83 persen. Temuan tersebut membuka peluang pengembangan teknologi komputer biologis yang berpotensi lebih hemat energi, meskipun kemampuan pembelajaran organoid dalam eksperimen ini belum terbukti.
Peneliti University of Bristol Kembangkan Komputasi Biohibrida Berbasis Organoid Otak
Kemajuan inovasi pemrosesan informasi terus meningkatkan kebutuhan terhadap pendekatan pemrosesan informasi alternatif. Dalam sistem komputer konvensional, pelaksanaan perhitungan elektronik menggunakan rangkaian semikonduktor. Namun demikian, konsumsi listrik sistem pemrosesan memerlukan pendekatan yang lebih efisien. Sebagai bagian dari penelitian alternatif, ilmuwan University of Bristol mengevaluasi penggunaan organoid otak sebagai komponen pemrosesan biologis. Konsep tersebut menggabungkan jaringan biologis dan perangkat elektronik untuk menguji potensi pemrosesan berbasis jaringan saraf.
Pada studi yang dipublikasikan, tim ilmuwan menggunakan organoid yang ditumbuhkan menggunakan teknik laboratorium untuk merespons sinyal elektronik. Struktur sel saraf tersebut tidak memiliki seluruh kemampuan otak manusia. Kendati bentuknya jauh lebih sederhana, organoid mengandung ribuan neuron. Dalam pengujian berikutnya, ilmuwan memberikan pola stimulasi yang mewakili huruf Braille. Aktivitas listrik yang muncul dianalisis menggunakan algoritma komputer untuk membedakan informasi yang diberikan. Pengujian tersebut menunjukkan hubungan antara sensor buatan dan jaringan biologis.
Cara Kerja Organoid Otak dalam Memproses Pola Huruf Braille
Dalam merancang pengujian, ilmuwan mengoperasikan sensor yang mampu membaca pola permukaan untuk mengumpulkan informasi huruf Braille. Metode representasi karakter Braille mengandalkan susunan titik tertentu yang dapat dikenali melalui sentuhan. Melalui proses perekaman sensor, peneliti mengambil informasi dari 26 huruf alfabet Braille. Sinyal sentuhan yang direkam kemudian diterjemahkan ke dalam rangkaian impuls elektronik. Tahapan konversi ini berfungsi sebagai antarmuka penting antara sensor mekanis dan jaringan saraf.
Sesudah data taktil diubah menjadi sinyal listrik, peneliti menggunakan susunan mikroelektroda untuk memberikan stimulasi. Multielectrode array atau MEA merupakan sistem antarmuka elektronik untuk jaringan saraf. Dalam rancangan pengujian, organoid merespons impuls elektronik yang sudah dikodekan. Sebagai respons terhadap stimulasi, organoid memperlihatkan perubahan aktivitas neuron yang dapat direkam dan dianalisis. Melalui mekanisme tersebut, informasi sentuhan dapat direpresentasikan dalam respons biologis. Akan tetapi, proses tersebut tidak berarti organoid memahami bahasa Braille.
Algoritma Machine Learning Membantu Mengenali Respons Organoid
Sesudah sinyal biologis dikumpulkan, peneliti menerapkan sistem klasifikasi berbasis komputer untuk mengidentifikasi pola informasi. Pendekatan klasifikasi tersebut adalah support vector machine atau SVM, yaitu teknik pembelajaran mesin untuk mengelompokkan data. Pada proses analisis, sistem menganalisis perbedaan sinyal biologis yang dihasilkan. Selanjutnya, algoritma menentukan kategori sinyal yang diterima. Melalui kombinasi biologis dan digital, jaringan saraf hidup mendukung pembentukan sinyal yang dapat dibaca komputer.
Fungsi algoritma SVM perlu dipahami secara tepat. Melalui sistem yang diuji, organoid bukan pihak yang menentukan label alfabet secara mandiri. Sementara itu, sinyal biologis diukur lalu dianalisis melalui model pembelajaran mesin. Hasil klasifikasi tersebut mengindikasikan jaringan biologis mampu menghasilkan respons informatif. Walaupun memperlihatkan potensi besar, penelitian belum membuktikan kemampuan belajar organoid. Pemahaman ini penting untuk menghindari kesimpulan berlebihan.
Pengujian Multi-Organoid Menunjukkan Klasifikasi Huruf Lebih Akurat
Hasil paling menonjol adalah peningkatan kemampuan klasifikasi ketika beberapa organoid digabungkan. Dalam pengujian menggunakan satu organoid, algoritma mencatat keberhasilan klasifikasi sebesar 61 persen. Sebagai perbandingan, penggunaan tiga organoid meningkatkan akurasi menjadi 83 persen. Peningkatan tersebut menunjukkan manfaat penggabungan respons biologis. Berdasarkan rancangan penelitian tersebut, persentase tersebut menggambarkan keberhasilan decoder, bukan pemahaman bahasa oleh jaringan biologis.
Peneliti juga menemukan bahwa sistem multi-organoid lebih kuat menghadapi noise buatan. Untuk mengevaluasi ketahanan sistem, ilmuwan menambahkan gangguan buatan pada sinyal Braille. Setelah gangguan diterapkan, peneliti mengevaluasi hasil biohibrida terhadap decoder tanpa organoid. Berdasarkan perbandingan tersebut, pengolahan melalui organoid membantu mempertahankan informasi. Kendati menunjukkan ketahanan terhadap noise, peneliti belum mengetahui secara pasti penyebab peningkatannya.
Potensi Komputasi Biohibrida untuk Mengembangkan Komputer Hemat Energi
Penelitian organoid otak memberikan arah pengembangan alternatif bagi komputasi hemat energi. Otak manusia menjadi inspirasi bagi rancangan komputasi efisien. Dengan mempertimbangkan kemampuan biologis tersebut, ilmuwan mengeksplorasi pemanfaatan jaringan neuron hidup sebagai bagian dari sistem komputasi. Jika penelitian lanjutan menunjukkan hasil yang konsisten, organoid mungkin membantu pengembangan perangkat komputasi baru. Walaupun memiliki potensi tersebut, belum ada bukti bahwa sistem eksperimen ini lebih hemat energi secara keseluruhan.
Sebelum sistem dapat diterapkan secara luas, berbagai tantangan teknis masih perlu diatasi. Komponen saraf yang digunakan masih membutuhkan kondisi biologis sesuai sehingga membutuhkan pengaturan suhu dan nutrisi. Tantangan lainnya, variasi biologis dapat memengaruhi hasil karena hubungan antarneuron dapat bervariasi. Ketidakseragaman biologis tersebut memerlukan metode kalibrasi dan pengendalian yang lebih baik. Tidak hanya berkaitan dengan performa, pemanfaatan sel manusia dalam perangkat komputasi juga harus memperhatikan prinsip penelitian biologis, termasuk batas pengembangan sistem saraf hidup.
Masa Depan Teknologi Komputasi Biohibrida Berbasis Jaringan Saraf
Pengembangan sistem pengolahan Braille menggunakan organoid otak menunjukkan perkembangan penting dalam penelitian komputasi generasi baru. Dengan memanfaatkan sensor sentuhan, antarmuka elektronik jaringan biologis, serta metode klasifikasi digital, peneliti membuktikan respons biologis dapat digunakan untuk membedakan stimulus. Perbaikan hasil melalui penggunaan tiga organoid memberikan dasar penelitian sistem biohibrida yang lebih kompleks. Walaupun menunjukkan hasil positif, eksperimen ini belum membuktikan pembelajaran organoid. Ke depan, eksperimen dengan tekstur dan pola berbeda dapat membantu memahami kemampuan adaptasi organoid. Apa pendapat Anda, apakah teknologi komputer yang memanfaatkan jaringan saraf hidup dapat membuka peluang inovasi komputasi hemat energi? Silakan bagikan pendapat Anda mengenai masa depan penelitian organoid otak.
