编辑推荐：
本文聚焦合成生物智能（SBI）这一新兴多学科领域，详细阐述了从零搭建相关实验室的关键要素，涵盖神经细胞培养、电生理记录等多个方面，为推动 SBI 在神经 AI 和疾病建模等应用中的发展提供了全面指导。
合成生物智能（SBI）研究背景
合成生物智能（SBI）是一个前沿交叉领域，致力于在体外培养神经细胞形成生物神经网络（BNN），通过反馈训练使其执行类似深度学习任务。近年来，大语言模型（LLMs）等人工智能模型虽取得显著成果，但能耗巨大。相比之下，生物神经网络具备高效处理信息的能力，能以极少数据样本和极低能耗完成任务，这引发了科研人员对 SBI 的浓厚兴趣，有望为人工通用智能（AGI）乃至人工超级智能（ASI）发展开辟新路径 。
类器官智能（OI）作为 SBI 的重要分支，聚焦于脑类器官研究，被认为能更好地模拟大脑结构和功能。同时，利用合成生物学方法从人类诱导多能干细胞（hiPSCs）生成神经细胞培养物，不仅为 SBI 提供了细胞来源，还在个性化药物开发等领域展现出应用潜力。此前的研究已证实，体外培养的神经细胞可完成多种复杂任务，如盲源信号分离、在模拟游戏世界中学习等，这些成果推动了国际间在该领域的合作，相关研究团体还发布了《巴尔的摩宣言》，旨在规范和促进 OI 领域的研究。
神经细胞培养
- 培养环境搭建
- 无菌设备：细胞培养需要严格的无菌环境，必备设备包括生物安全柜、CO2培养箱、离心机、水浴锅、冰箱和显微镜等。对于初学者，建议使用细胞培养核心设施，共享资源并积累经验。同时，还需准备细胞培养基、无菌移液管、培养板等耗材，以及乙醇、漂白剂等维持环境无菌的物品。
- 环境控制：细胞对环境变化敏感，培养时需严格控制温度、CO2浓度和湿度。短期实验可使用商业培养箱，长期实验则需配备开放或闭环培养基灌注系统，该系统能整合微电极阵列（MEA）设备支持、动态培养基调节和连续显微镜扫描等功能，有助于维持细胞活力和稳定，满足 SBI 研究对长期监测神经活动的需求。
- 细胞类型选择与获取
- 原代神经元：直接从生物体脑组织获取，如小鼠、大鼠、人类等。原代神经元具有较高的生理相关性，但存在增殖受限、个体差异大以及动物取材的伦理和后勤挑战等问题。例如，C57BL/6 小鼠或 Sprague - Dawley 大鼠的神经细胞常被用于原代培养，此外，还可培养脑切片进行研究。
- 干细胞分化的神经元：胚胎干细胞（ESCs）、神经干细胞（NSCs）、神经祖细胞（NPCs）和诱导多能干细胞（iPSCs）等干细胞可通过化学重编程或基因操作分化为神经元。这类细胞具有可重复性、基因可修饰性和疾病建模潜力等优势，但分化过程可能耗时较长，且存在一定的异质性。其中，NPCs 因易于处理和分化时间较短而受到青睐。
- 永生细胞系：源于原代组织，通过自发适应或基因改造获得无限增殖能力。然而，连续分裂可能导致突变积累，因此需严格控制质量。常见的细胞系来源机构有美国典型培养物保藏中心（ATCC）和 WiCell 研究机构等，也可从众多商业供应商处获取细胞。
- 培养关键步骤
- 培养准备：根据细胞类型选择合适的包被试剂和培养基。包被试剂可选用生物聚合物（如层粘连蛋白、纤连蛋白等）或合成聚合物（如聚 - D - 赖氨酸、聚乙烯亚胺等），通常先使用合成聚合物进行初次包被，再用生物聚合物二次包被。培养基需根据细胞类型添加特定成分，以满足细胞生长和代谢需求。
- 培养方式：分为 2D 和 3D 培养。2D 培养是最常见的单层培养方式，细胞在包被的培养表面形成单层连接。3D 培养则包括多层培养和球形类器官培养，3D 培养能提供更多细胞间连接，但存在营养供应困难的问题，如类器官的半径和多层培养的深度一般不宜超过 300μm，以确保营养物质的有效扩散。
- 培养流程：原代神经培养主要包括清洗培养孔（如 MEA 孔）、包被表面、接种细胞和更换培养基等步骤。清洗可去除杂质和污染物；包被有助于细胞附着和伸展；接种细胞前需进行细胞解离、洗涤和计数，以保证接种密度合适；定期更换培养基可维持细胞健康和成熟。
- 细胞培养评估与问题应对
- 细胞状态评估：定期使用显微镜观察细胞形态，健康细胞呈圆形，树突和轴突伸展良好且连接正常，而不健康细胞形态异常。还可通过荧光成像进行活死细胞检测，如使用 Calcein AM 标记活细胞（发绿色荧光），碘化丙啶（PI）标记死细胞（发红色荧光），或使用细胞追踪荧光染料、量子点进行细胞监测。此外，通过测量细胞阻抗也能评估细胞活力，活细胞阻抗通常较高。
- 污染问题：细胞培养的主要障碍是污染，包括微生物污染和交叉污染。微生物污染可源于环境、设备或试剂，可通过严格的操作规范、使用抗生素和抗真菌剂预防。交叉污染常发生于共享设备时，需合理分配资源、加强设备清洁和严格管理耗材使用来避免。
- 后勤与记录：实验前需确保试剂未过期、设备齐全，并建立详细的试剂和耗材库存记录。同时，要记录实验操作过程，包括实验时间、细胞培养天数等关键信息，以保证实验的可重复性，便于监管部门检查。
电生理学与设备连接
- 信号采集技术：记录神经细胞电活动的技术主要有细胞内记录和细胞外记录。细胞内记录如膜片钳技术可精确分析单个神经元的膜电位和离子通道活动，但通量较低；钙成像和电压成像分别利用敏感染料或基因编码指示剂实现高通量群体记录和高时间分辨率记录，但存在时间分辨率低或信噪比低的问题。细胞外记录中，神经探针可记录特定位置小神经元群体活动，MEA 则适合大规模网络记录，虽单细胞分辨率有限，但利于研究神经元整体相互作用和长期变化，适合 SBI 研究，初学者可优先选择 MEA - based 方法。
- MEA 选择要点：MEA 市场上供应商众多，选择时需考虑电极材料、尺寸、密度、基底和表面处理、可重复性等因素，以及噪声性能、电解风险和刺激通道容量等。MEA 大致分为被动平面电极阵列和有源高密度互补金属氧化物半导体（CMOS）阵列。CMOS MEAs 具有高密度记录优势，但存在刺激能力不均、电解风险和可视化困难等问题；被动 MEAs 虽记录电极稀疏，但细胞可视化容易，刺激通道多且电荷控制更精细。此外，控制 MEA 的系统也很重要，现有商业系统可通过编程实现实时闭环电生理记录和刺激，但在亚毫秒级闭环环境中存在技术限制。
- 电活动记录与刺激：使用 MEA 记录培养神经细胞的电活动，可观察到自发爆发活动和对外部刺激的反应。不同 MEA 芯片记录的细胞电活动存在差异，但都能反映细胞密度在可接受范围。自发活动模式多样且随时间变化，部分细胞存在同步活动，表明细胞间存在连接。提供外部刺激时，需考虑多种因素，如刺激频率、波形、间隔等，以实现特定研究目的，如引发动作电位、研究突触可塑性等。在 SBI 应用中，需设计结构化的时空刺激协议，为神经培养提供有效信息。
- 编程反馈实现：实现与外部环境的双向传感器运动交互，需在闭环中进行实时反馈。多数现有方法使用现场可编程门阵列（FPGA）和专用集成电路（ASIC）芯片实现硬件和软件集成，但对科研人员技术要求较高。更易操作的方法是结合 Python 等高级语言进行高层决策、信号处理和服务器管理，利用 C 或 C++ 进行底层数据访问，构建灵活的底层系统与高级语言交互，以实现所需性能和易用性。不过，目前引导神经细胞行为的方法仍在发展中，需要多学科研究人员共同努力。
讨论
- 专用实验装置的重要性：初期实验室可采用简易设置进行神经元电生理学研究，但随着发展，过渡到专用设置至关重要。专用设置包括封闭环境、自动培养基交换和密封计算机连接等，可确保神经培养的长期存活，这对于评估 SBI 和 OI 能否替代硅基系统至关重要。目前已有多个平台提供类似环境，如 UC Santa Cruz 的物联网微流体系统、Indiana University 的 Brainoware 等，但需与科学界合作进行充分验证。
- SBI 和 OI 在疾病建模中的应用潜力：稳定的实验设备不仅有助于研究神经网络，还能推动疾病建模发展。脑类器官在模拟复杂神经系统疾病（如阿尔茨海默病、帕金森病等）方面比传统 2D 神经培养更具优势，因其 3D 结构更接近人类大脑。SBI 和 OI 通过电生理读数可探索疾病的功能和认知方面，分析疾病模型与健康模型的神经活动模式差异，研究药物对脑类器官的影响，为疾病建模和治疗开发提供更全面的方法。
- 伦理考量的必要性：SBI 和 OI 研究需考虑伦理问题，包括体外培养 BNN 用于实验的伦理影响，以及组织采购过程中涉及动物和人类实验的伦理规范。研究人员需获得相关委员会的授权，确保实验符合伦理标准，保护患者隐私。此外，还需建立跨学科的术语共识，促进沟通交流。在合理规范下，技术进步还可用于 “实验神经伦理学” 研究，通过迭代方法发现伦理相关指标。
结论
搭建专注于 SBI/OI 的实验室极具挑战性，需要综合考虑生物学和计算学科的多个方面。希望本文分享的经验能促进不同领域人员合作，推动 SBI 和 OI 在神经 AI 和疾病建模等应用中的发展，为构建更强大的替代硅基计算机的技术体系奠定基础，创造健康、富有成效的科研未来。
