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
Pertumbuhan teknologi komputasi modern terus meningkatkan kebutuhan terhadap metode pengolahan data yang efisien. Selama ini, aktivitas komputasi digital menggunakan rangkaian semikonduktor. Walaupun kemampuan perangkat keras semakin meningkat, penggunaan daya perangkat digital memerlukan pendekatan yang lebih efisien. Dalam upaya mengeksplorasi metode baru, ilmuwan University of Bristol mengevaluasi penggunaan organoid otak sebagai jaringan saraf hidup untuk mengolah sinyal. Pendekatan ini memadukan sel saraf dengan sistem digital untuk menguji potensi pemrosesan berbasis jaringan saraf.
Pada studi yang dipublikasikan, tim ilmuwan memanfaatkan organoid yang dikembangkan dari sel manusia untuk menerima rangsangan listrik. Struktur sel saraf tersebut hanya merepresentasikan sebagian karakteristik jaringan otak. Kendati bentuknya jauh lebih sederhana, organoid menyimpan kumpulan sel yang dapat menghasilkan aktivitas listrik. Peneliti kemudian memberikan pola stimulasi yang mewakili huruf Braille. Sinyal yang dihasilkan jaringan saraf dievaluasi dengan metode pembelajaran mesin untuk mengidentifikasi pola huruf. Pengujian tersebut menunjukkan hubungan antara sensor buatan dan jaringan biologis.
Cara Kerja Organoid Otak dalam Memproses Pola Huruf Braille
Untuk menjalankan eksperimen, ilmuwan memanfaatkan perangkat pendeteksi taktil untuk merekam karakteristik susunan titik Braille. Sistem tulisan Braille mengandalkan susunan titik tertentu yang memiliki konfigurasi berbeda untuk setiap huruf. Dalam eksperimen tersebut, peneliti menggunakan seluruh 26 karakter alfabet dalam pengujian. Data hasil pembacaan sensor kemudian dikodekan sebagai sinyal yang dapat diberikan kepada organoid. Tahapan konversi ini menjadi penghubung utama antara sensor mekanis dan jaringan saraf.
Ketika pola stimulasi telah disiapkan, peneliti menggunakan susunan mikroelektroda untuk memberikan stimulasi. Multielectrode array atau MEA merupakan susunan elektroda yang memungkinkan interaksi dengan sel biologis. Melalui perangkat tersebut, organoid diberikan rangsangan yang mewakili informasi Braille. Sebagai respons terhadap stimulasi, organoid menunjukkan pola impuls saraf yang dipantau menggunakan perangkat elektronik. Dengan demikian, pola Braille menghasilkan aktivitas saraf yang dapat dibedakan. Namun, proses tersebut tidak berarti organoid memahami bahasa Braille.
Teknologi Pembelajaran Mesin untuk Membaca Sinyal Jaringan Saraf
Sesudah sinyal biologis dikumpulkan, peneliti memanfaatkan metode machine learning untuk mengidentifikasi pola informasi. Algoritma yang digunakan adalah support vector machine atau SVM, yaitu teknik pembelajaran mesin untuk mengelompokkan data. Dalam eksperimen, sistem mempelajari hubungan antara aktivitas saraf dan stimulus Braille. Pada tahap klasifikasi, algoritma menentukan kategori sinyal yang diterima. Dengan cara tersebut, jaringan saraf hidup berperan sebagai komponen biologis dalam sistem klasifikasi.
Peran pembelajaran mesin perlu dipahami secara tepat. Dalam penelitian tersebut, organoid bukan pihak yang menentukan label alfabet secara mandiri. Sebaliknya, sinyal biologis diukur lalu dianalisis melalui model pembelajaran mesin. Hasil klasifikasi tersebut mengindikasikan jaringan biologis mampu menghasilkan respons informatif. Namun demikian, hasilnya belum dapat digunakan untuk menyimpulkan adanya pembelajaran biologis jangka panjang. Pemahaman ini penting untuk menghindari kesimpulan berlebihan.
Hasil Eksperimen Komputasi Biohibrida dengan Satu dan Tiga Organoid
Pencapaian penting dalam penelitian adalah perbedaan akurasi antara penggunaan satu dan tiga organoid. Dalam pengujian menggunakan satu organoid, algoritma mampu mengklasifikasikan huruf dengan akurasi rata-rata 61 persen. Sementara itu, penggunaan tiga organoid menghasilkan ketepatan klasifikasi sekitar 83 persen. Kenaikan performa tersebut menunjukkan manfaat penggabungan respons biologis. Dalam konteks eksperimen, hasil itu menunjukkan ketepatan klasifikasi sinyal, bukan kemampuan organoid mengenali tulisan seperti manusia.
Eksperimen tersebut memperlihatkan bahwa penggabungan respons biologis meningkatkan ketahanan klasifikasi terhadap gangguan tertentu. Dalam pengujian tambahan, ilmuwan memodifikasi data masukan menggunakan noise sintetis. Pada tahap analisis berikutnya, peneliti membandingkan klasifikasi respons organoid dengan pemrosesan langsung sinyal yang terganggu. Berdasarkan perbandingan tersebut, respons gabungan organoid lebih tahan terhadap sejumlah gangguan. Meski demikian, mekanisme di balik keunggulan tiga organoid masih memerlukan kajian.
Manfaat Jaringan Saraf Biologis bagi Teknologi Komputasi Generasi Baru
Eksperimen pengolahan sinyal biologis memunculkan peluang menarik bagi teknologi komputer masa depan. Jaringan neuron alami mampu menjalankan pemrosesan kompleks dengan konsumsi daya relatif rendah. Dengan mempertimbangkan kemampuan biologis tersebut, ilmuwan tertarik mempelajari penggunaan organoid sebagai bagian dari sistem komputasi. Jika penelitian lanjutan menunjukkan hasil yang konsisten, organoid dapat menjadi bagian dari pendekatan pemrosesan alternatif. Walaupun memiliki potensi tersebut, efisiensi daya perangkat biohibrida lengkap belum terbukti unggul.
Dalam perjalanan menuju komputasi biohibrida komersial, sejumlah hambatan pengembangan harus diselesaikan. Organoid merupakan jaringan hidup sehingga memerlukan lingkungan pemeliharaan khusus. Selain itu, aktivitas neuron tidak selalu identik antarsampel karena hubungan antarneuron dapat bervariasi. Ketidakseragaman biologis tersebut memerlukan metode kalibrasi dan pengendalian yang lebih baik. Selain tantangan rekayasa, penggunaan jaringan biologis manusia juga memerlukan tata kelola penelitian yang bertanggung jawab, termasuk pengawasan penggunaan material biologis.
Prospek Pengembangan Komputer Biologis setelah Eksperimen Braille
Eksperimen komputasi biohibrida yang dilakukan ilmuwan Inggris menghadirkan temuan menarik dalam pengembangan antarmuka jaringan saraf dan perangkat elektronik. Berkat pengodean informasi Braille, susunan mikroelektroda, serta algoritma pembelajaran mesin, peneliti berhasil mengidentifikasi pola huruf dari respons organoid. Keunggulan konfigurasi multi-organoid memberikan dasar penelitian sistem biohibrida yang lebih kompleks. Kendati membuka kemungkinan pengembangan, penelitian belum menunjukkan kemampuan berpikir atau membaca secara sadar. Pada tahap pengembangan selanjutnya, eksperimen dengan tekstur dan pola berbeda mungkin memberikan informasi mengenai pemrosesan saraf yang lebih mendalam. Apa pendapat Anda, apakah komputasi biohibrida berbasis organoid mampu menghadirkan pendekatan baru yang bermanfaat? Silakan bagikan pendapat Anda mengenai potensi komputer biologis.
