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.
Terobosan Teknologi Organoid Otak dalam Mengenali Pola Braille
Perkembangan inovasi pemrosesan informasi memperbesar kebutuhan terhadap arsitektur komputasi hemat energi. Dalam sistem komputer konvensional, aktivitas komputasi digital bergantung pada komponen elektronik. Namun demikian, penggunaan daya perangkat digital menjadi perhatian penting. Sebagai bagian dari penelitian alternatif, ilmuwan University of Bristol menguji penggunaan organoid otak sebagai komponen pemrosesan biologis. Rancangan penelitian ini memadukan sel saraf dengan sistem digital untuk mempelajari respons biologis terhadap data.
Melalui eksperimen yang dilakukan, tim ilmuwan menempatkan organoid yang dikembangkan dari sel manusia untuk memproses stimulasi yang diberikan. Organoid tersebut hanya merepresentasikan sebagian karakteristik jaringan otak. Kendati bentuknya jauh lebih sederhana, organoid menyimpan kumpulan sel yang dapat menghasilkan aktivitas listrik. Peneliti kemudian mengirim rangsangan listrik berdasarkan pola sentuhan. Aktivitas listrik yang muncul diproses melalui sistem klasifikasi digital untuk mengidentifikasi pola huruf. Pendekatan penelitian tersebut memberikan dasar pengembangan sistem komputasi biohibrida.
Cara Kerja Organoid Otak dalam Memproses Pola Huruf Braille
Dalam merancang pengujian, ilmuwan mengoperasikan sensor yang mampu membaca pola permukaan untuk merekam karakteristik susunan titik Braille. Huruf Braille mengandalkan susunan titik tertentu yang digunakan sebagai media komunikasi taktil. Pada tahap pengumpulan data, peneliti mengambil informasi dari 26 huruf alfabet Braille. Informasi taktil yang diperoleh kemudian diubah menjadi pola stimulasi listrik. Mekanisme pengodean tersebut menjadi penghubung utama antara sensor mekanis dan jaringan saraf.
Sesudah data taktil diubah menjadi sinyal listrik, peneliti mengirimkan rangsangan melalui multielectrode array. Multielectrode array atau MEA merupakan sistem antarmuka elektronik untuk jaringan saraf. Dalam rancangan pengujian, organoid diberikan rangsangan yang mewakili informasi Braille. Jaringan saraf kemudian, organoid memperlihatkan perubahan aktivitas neuron yang dipantau menggunakan perangkat elektronik. Melalui mekanisme tersebut, data taktil dapat diteruskan melalui jaringan neuron hidup. Namun, proses tersebut tidak membuktikan adanya pemahaman simbol secara sadar.
Algoritma Machine Learning Membantu Mengenali Respons Organoid
Setelah memperoleh respons listrik organoid, peneliti menggunakan algoritma pembelajaran mesin untuk membedakan respons terhadap setiap huruf. Pendekatan klasifikasi tersebut adalah support vector machine atau SVM, yaitu algoritma yang dapat membedakan kategori berdasarkan karakteristik informasi. Pada proses analisis, sistem mengidentifikasi karakteristik respons dari setiap pola huruf. Pada tahap klasifikasi, algoritma memperkirakan huruf yang sesuai. Dengan cara tersebut, jaringan saraf hidup berperan sebagai komponen biologis dalam sistem klasifikasi.
Keterlibatan sistem klasifikasi penting dibedakan dari kemampuan organoid. Pada konfigurasi eksperimen, organoid tidak menghasilkan keluaran berupa karakter tertulis. Sementara itu, respons saraf dikumpulkan lalu diklasifikasikan menggunakan perangkat lunak. Hasil klasifikasi tersebut membuktikan adanya pola sinyal yang dapat dibedakan. Walaupun memperlihatkan potensi besar, penelitian belum membuktikan kemampuan belajar organoid. Pembedaan tersebut menjaga ketepatan interpretasi teknologi.
Tiga Organoid Otak Tingkatkan Akurasi Pengenalan Braille Menjadi 83 Persen
Pencapaian penting dalam penelitian adalah peningkatan kemampuan klasifikasi ketika beberapa organoid digabungkan. Dalam pengujian menggunakan satu organoid, algoritma mencatat keberhasilan klasifikasi sebesar 61 persen. Pada konfigurasi berikutnya, penggunaan tiga organoid menghasilkan ketepatan klasifikasi sekitar 83 persen. Peningkatan tersebut mengindikasikan informasi tambahan dari sejumlah organoid dapat membantu klasifikasi. Berdasarkan rancangan penelitian tersebut, persentase tersebut menggambarkan keberhasilan decoder, bukan pemahaman bahasa oleh jaringan biologis.
Eksperimen tersebut memperlihatkan bahwa penggabungan respons biologis meningkatkan ketahanan klasifikasi terhadap gangguan tertentu. Untuk mengevaluasi ketahanan sistem, ilmuwan menambahkan gangguan buatan pada sinyal Braille. Pada tahap analisis berikutnya, peneliti mengukur perbedaan pengenalan pola dengan dan tanpa pemrosesan biologis. Hasilnya, pengolahan melalui organoid membantu mempertahankan informasi. Meski demikian, alasan biologis peningkatan performa belum sepenuhnya dipahami.
Potensi Komputasi Biohibrida untuk Mengembangkan Komputer Hemat Energi
Pengembangan sistem biohibrida memberikan arah pengembangan alternatif bagi komputasi hemat energi. Jaringan neuron alami mampu menjalankan pemrosesan kompleks dengan konsumsi daya relatif rendah. Berdasarkan prinsip kerja jaringan saraf, ilmuwan tertarik mempelajari penggunaan organoid sebagai komponen pengolah informasi. Apabila teknologi ini terus berkembang, organoid mungkin membantu pengembangan perangkat komputasi baru. Walaupun memiliki potensi tersebut, efisiensi daya perangkat biohibrida lengkap belum terbukti unggul.
Untuk mencapai penggunaan praktis, peneliti menghadapi berbagai persoalan penting. Material biologis tersebut terdiri dari sel aktif sehingga memerlukan lingkungan pemeliharaan khusus. Di samping kebutuhan pemeliharaan, aktivitas neuron tidak selalu identik antarsampel karena struktur jaringan dan kondisi perkembangan tidak seragam. Ketidakseragaman biologis tersebut memerlukan metode kalibrasi dan pengendalian yang lebih baik. Di samping aspek teknis, penggunaan jaringan biologis manusia juga harus memperhatikan prinsip penelitian biologis, termasuk pengawasan penggunaan material biologis.
Masa Depan Teknologi Komputasi Biohibrida Berbasis Jaringan Saraf
Eksperimen komputasi biohibrida yang dilakukan ilmuwan Inggris menunjukkan perkembangan penting dalam pengembangan antarmuka jaringan saraf dan perangkat elektronik. Berkat pengodean informasi Braille, sistem elektroda berukuran kecil, serta teknologi machine learning, peneliti membuktikan respons biologis dapat digunakan untuk membedakan stimulus. Peningkatan akurasi dari 61 persen menjadi 83 persen memberikan dasar penelitian sistem biohibrida yang lebih kompleks. Meskipun demikian, eksperimen ini belum membuktikan pembelajaran organoid. Ke depan, pengembangan sistem umpan balik dua arah dapat membantu memahami kemampuan adaptasi organoid. Menurut pandangan Anda, apakah teknologi komputer yang memanfaatkan jaringan saraf hidup mampu menghadirkan pendekatan baru yang bermanfaat? Sampaikan pandangan Anda mengenai manfaat dan tantangan teknologi tersebut.
