生きた神経細胞、つまり培養したニューロンを使い、教師あり時系列パターン学習を達成しました。これは、入力と正解を与えて学ばせる学習法です。これまで人工システム専用と考えられてきた領域に、生物ニューロンが踏み込みました。

この研究成果は、2026年3月12日に学術誌PNAS（米国科学アカデミー紀要）第123巻11号へオンライン掲載されました。つまり、今回の発表は構想段階ではありません。査読を経た研究成果として公表された点が重要です。

なぜこの研究が重要なのか

現在のAIでは、人工ニューラルネットワーク（ANN）やスパイキングニューラルネットワーク（SNN）が広く使われています。ANNは脳の神経回路を模した計算手法です。一方でSNNは、神経の発火をより生物らしく再現する方式です。

しかし、これらの人工システムは高性能な半面、膨大なエネルギーを消費するという課題があります。脳は非常に少ないエネルギーで複雑な処理をこなします。そのため、研究チームは「生物ニューラルネットワークを計算資源にできないか」という問いに挑みました。

つまり、この研究は単なる話題性だけではありません。AIの省エネルギー化、適応性の向上、そして脳の理解そのものに関わるテーマです。こうした中で、生きた脳細胞を計算に使う試みは、神経科学と機械学習の接点として大きな意味を持ちます。

研究の出発点となった考え方

研究チームが注目したのは、生物ニューラルネットワーク（BNN）です。BNNは、生きた神経細胞どうしが形成するネットワークを指します。実際に脳や神経系が持つ情報処理の仕組みに近い存在です。

一方で、人工システムは設計しやすく、再現性も高いです。しかし、生物の脳が示す柔軟性や効率性を完全には再現できていません。そのため、研究チームは、生物そのもののダイナミクスを利用する方向へ進みました。

「生物の神経ネットワークを計算資源として使えれば、AIと生命科学の両方に革命をもたらせるのではないか」。この問いが、本研究の出発点になりました。

リザバーコンピューティングという枠組み

研究チームが採用したのは、リザバーコンピューティングという機械学習の枠組みです。これは、内部で複雑に変化するネットワークの状態を利用して、時系列データを処理する手法です。時間とともに変化するデータを扱うのに向いています。

実際に、リザバーコンピューティングでは、再帰的につながったネットワークが重要な役割を担います。ネットワーク内部の豊かな変化をそのまま計算資源として使うため、効率の高い処理が期待できます。また、生物ニューラルネットワークとの相性もよいと考えられました。

一方で、この方式では出力側の調整が重要です。そのため、研究チームは出力を読み取る仕組みの最適化にも力を入れました。

FORCE学習が果たした役割

リードアウト層、つまり出力を読み取る部分には、FORCE学習が使われました。FORCEはFirst-Order Reduced and Controlled Errorの略です。リアルタイムで誤差を見ながら、出力信号を連続的に調整する学習法です。

この手法を生物ニューロンと組み合わせることで、システムはさまざまな時系列パターンを生成し、再現できるようになりました。つまり、単に反応するだけではありません。目標の時間変化に合わせて、出力を学び取る仕組みを持たせたのです。

さらに、フィードバックをオンにすると、BNN内の不規則な活動が低次元の構造化されたダイナミクスへ変わりました。安定した神経状態のあいだを移りながら、コヒーレントな軌跡が生まれました。これは、ばらばらな活動が意味のある流れへ整っていくことを示します。

生物と機械を結んだ閉ループ統合

本研究でもっとも重要な技術的革新は、マイクロ流体デバイスと高密度マイクロ電極アレイ（HD-MEA）の閉ループ統合です。マイクロ流体デバイスは、非常に小さな流路を精密に設計したチップです。細胞の配置や成長方向を制御できます。

研究チームは、このチップ上でラット大脳皮質ニューロンの成長方向や接続パターンを整えました。そしてHD-MEAが、神経活動をリアルタイムで読み取りました。さらに、その情報をもとにFORCE学習のフィードバック信号を生成しました。

そのため、この仕組みは単なる観察装置ではありません。生物と機械が互いに作用し合う一体型システムです。こうした中で、オンラインの教師あり学習を生きた神経細胞で実現した点が、今回の世界初の中身です。

モジュール型構造が持つ意味

この統合アーキテクチャにより、研究チームはモジュール型ネットワーク構造を構築しました。モジュール型とは、ネットワーク全体が一様ではなく、複数のまとまりを持つ構造です。これにより、過剰な同期化を防ぎやすくなります。

神経活動が一斉に同じ動きになると、複雑な情報処理には不利です。しかし、モジュール型構造では、多様な内部状態を保ちやすくなります。そのため、高次元ダイナミクスが促進されます。これは、リザバーコンピューティングに必要な複雑な内部状態の実現につながります。

さらに、リアルタイムの閉ループ制御によって、オンライン教師あり学習も可能になりました。実際に、2023年のPNAS論文でも、このモジュール型構造が分類精度の向上に正の相関を持つと示されていました。今回の研究は、その延長線上にある成果です。

実験で何ができたのか

訓練を受けた生物ニューラルネットワークは、複雑な時系列信号の生成に成功しました。ここが本研究の核心です。単純な反応ではなく、目標とする時間変化を再現する力が示されました。

生成に成功したパターンは以下の通りです。

• 正弦波（サイン波）
• 三角波
• 矩形波（方形波）
• ローレンツアトラクター

ローレンツアトラクターは、カオス的な変化を示す時系列パターンとして知られます。つまり、規則的な波だけでなく、より複雑な動きにも対応したわけです。生きた神経細胞が、こうした多様な時間パターンを扱えた点は極めて重要です。

正弦波を複数周波数で再現

特に注目されたのが、正弦波の再現です。同一システムの中で、周期4秒から30秒までの複数の正弦波を制御し、学習し、安定して再現しました。これは、生物ニューロンの柔軟な適応性を強く示す結果です。

人工的に設計された回路なら、複数の周期を出すこと自体は想像しやすいです。しかし、今回は生きた神経ネットワークが対象です。そのため、単なる工学的制御ではなく、生物が持つ可塑性と学習能力を計算として引き出した点に価値があります。

さらに、三角波や矩形波のような異なる形状の信号も安定して再現しました。一方で、より複雑なローレンツアトラクターの再現にも成功しています。つまり、このシステムは単一用途ではなく、複数の時系列表現に対応できることを示しました。

研究者が示した意義

東北大学の山本英明教授は、今回の研究について次のように述べています。

「この研究は、生きた神経ネットワークが生物学的に意味のあるシステムであるだけでなく、新しい計算資源としても機能しうることを示しています。神経科学と機械学習を橋渡しすることで、生物システムの内在的なダイナミクスを活用した新しい形態のコンピューティングへの道を切り拓いています。」

このコメントが示す通り、研究の意義は二重です。ひとつは、生物学として神経ネットワークの理解を深めることです。もうひとつは、新しい計算資源として生物を活用する道を開くことです。

医療や神経疾患研究への広がり

この研究は、コンピューティング分野だけにとどまりません。今後は、薬剤応答の研究や神経疾患モデリングへの応用も視野に入っています。神経疾患モデリングとは、病気の状態を実験系で再現し、仕組みや治療法を探る研究です。

そのため、今回の成果は医療分野にもつながります。生きた神経ネットワークを制御しながら学習させる仕組みが進めば、病的な神経活動を調べる新しい足場になる可能性があります。また、マイクロ生理学的システムへの発展も期待されています。

さらに、運動制御など、より実用的な時系列パターン生成への応用も挙げられています。つまり、将来は医療と計算科学の両方で、生物神経ネットワークの活用が広がる可能性があります。

先行研究とのつながり

今回の成果は、突然現れたものではありません。2023年の前研究では、同じマイクロ流体デバイス上の培養ニューロンが、音声数字などの時系列データを分類できることが示されていました。

分類とは、入力されたデータを種類ごとに見分けることです。一方で今回は、出力パターンを学習して生成するところまで進みました。つまり、認識だけでなく生成へ進んだわけです。ここに大きな前進があります。

こうした中で、前研究の分類能力と今回の時系列生成能力が組み合わされば、バイオハイブリッドAIシステムの実現に向けた道筋はさらに具体化します。生物と人工システムが補完し合う新しいAI像が、少しずつ見えてきました。

生きているコンピュータの時代は来るのか

東北大学らの研究は、生物と機械の境界線そのものを問い直します。生きた脳細胞が機械学習タスクを担えるという事実は、ニューロサイエンス、AI、医療工学の融合を象徴しています。

一方で、これで直ちに「生きているコンピュータ」が実用化するわけではありません。しかし、エネルギー効率、適応性、並列処理能力という点で、生物神経ネットワークには大きな強みがあります。そのため、今後の研究次第で新しい計算基盤へ育つ可能性があります。

つまり、この研究は未来像を誇張した話ではなく、実験で示された具体的な一歩です。しかも世界初の成果として、生物神経ネットワークが教師あり機械学習を担えることを示しました。実際に、バイオインスパイアードコンピューティングの発展を力強く後押しする内容です。

今後の課題と展望

今後の研究方向として、まず訓練後の信号生成の安定性向上が挙げられています。また、FORCE学習アルゴリズムそのものの改良も課題です。つまり、より長く、より安定して、より正確に動作する仕組みへ進化させる必要があります。

一方で、応用面の広がりも大きいです。薬剤応答研究、神経疾患モデリング、運動制御など、現実的な用途が見え始めています。こうした中で、研究は基礎科学と応用研究の両輪で進むことになりそうです。

さらに、生物神経ネットワークを計算資源として本格活用できれば、AIの設計思想そのものが変わる可能性があります。生きた脳細胞が機械学習タスクを実行する時代は、まだ始まったばかりです。しかし、その入口はすでに開かれました。

論文情報

• タイトル：Online supervised learning of temporal patterns in biological neural networks under feedback control
• 筆頭著者：曽野有希（Yuki Sono）ほか
• 掲載誌：PNAS（Proceedings of the National Academy of Sciences）Vol. 123, No. 11
• 掲載日：2026年3月12日（オンライン公開）
• 研究機関：東北大学、公立はこだて未来大学

ソース

• 東北大学
• PNAS
• PubMed
• MaxWell Biosystems
• JST Science Japan
• 東北大学工学研究科

投稿 生きた脳細胞が機械学習を実行 東北大学が世界初の研究成果を発表 は 仕事終わりの小節 に最初に表示されました。

血液検査で高齢者の2年生存率を86％の精度で予測可能に

火曜日に学術誌Aging Cellに発表された研究で、血液検査により高齢者の2年生存率を最大86％の精度で予測できる可能性が示されました。

この研究は、従来の年齢やコレステロール値よりも高い予測性能を示した点で注目されています。

つまり、血液中の微小RNA分子が短期的な生存リスクの強力な指標になり得ることが明らかになりました。

研究の概要

今回の研究は、デューク・ヘルス と ミネソタ大学 の研究者らが実施しました。

対象は71歳以上の地域在住成人1,271人です。研究チームは血液サンプルを分析しました。

そして、828種類の低分子非コードRNAと187の臨床因子を精査しました。

piRNAとは何か

研究の中心となったのは、piRNA（piwi-interacting RNA）です。

piRNAは「非コードRNA」と呼ばれる分子です。タンパク質を作らないRNAの一種です。

これまで科学者は、piRNAが生殖細胞でDNAを保護すると理解してきました。

しかし、体内の他の部位での役割は十分に分かっていませんでした。

驚くべき分子シグナル

研究チームは機械学習と因果AIを活用しました。

機械学習とは、大量のデータからパターンを学習する人工知能技術です。

その結果、わずか6種類のpiRNAで2年生存率を最大86％の精度で予測できました。

さらに、その結果は独立した第二の参加者グループでも確認されました。

長寿との関連

研究では9種類のpiRNAが特定されました。

これらは長寿の個体でより低いレベルで検出されました。

一方で、従来の健康指標よりもpiRNAの方が短期予測に優れていました。

つまり、piRNAは細胞ストレスや加齢に伴う衰退を反映している可能性があります。

既存研究との整合性

線虫（C. elegans）を用いた研究でも、piRNAレベルの低下と寿命延長の相関が示されています。

C. elegansは老化研究で広く用いられる単純なモデル生物です。

今回の研究は、類似の仕組みがヒトにも存在する可能性を示唆しました。

今後の展望

研究責任者のバージニア・バイヤーズ・クラウス博士は、血液検査が将来の医療に役立つ可能性を示しました。

また、GLP-1受容体作動薬の影響も調査する予定です。

GLP-1受容体作動薬は糖尿病や肥満の治療に使われる薬です。

さらに、血中と組織中のpiRNA濃度の比較も行います。

臨床応用への課題

研究チームは慎重な姿勢も示しました。

より多様な集団での検証が必要だと明言しています。

そのため、直ちに医療現場で利用できる段階ではありません。

しかし、今回の成果は老化研究に新たな視点をもたらしました。

今後、血液検査による生存予測が実用化されれば、高齢医療の在り方が変わる可能性があります。

ソース

Medical Xpress（Aging Cell掲載研究報道）
bioengineer.org
miragenews.com
nature.com

投稿 高齢者の2年生存率を86％予測 血液検査で判明したpiRNAの新指標【Aging Cell研究】 は 仕事終わりの小節 に最初に表示されました。

研究成果は2月9日、国際的な物理学専門誌に掲載されました。
研究を率いたアーロン・リンデンバーグ教授は、「これまで理論上で語られてきた概念を、実際の物質で数値として捉えることができた点が最大の成果です」と述べています。

この研究は、ナノスケールで動作するデバイスの根本的なエネルギー消費の仕組みを理解するうえで、大きな一歩となります。

エントロピー生成とは何か

エントロピー生成とは、ある過程がどれだけ元に戻せない変化を含んでいるかを示す物理量です。
身近な感覚で言えば、エネルギーや情報がどれだけ「無駄として散らばってしまったか」を表す指標と考えると理解しやすくなります。

例えば、コンピュータが計算を行う際には、必ず電力が消費され、熱が発生します。
このとき生じる熱や情報の失われ方が、エントロピー生成と深く関係しています。

特に量子コンピュータや超小型電子デバイスでは、動作のたびに生じるエネルギーの無駄をどこまで減らせるかが、性能の限界を左右します。
そのため、エントロピー生成を正確に測ることは、将来技術の基礎を支える重要な課題でした。

なぜエントロピーは測れなかったのか

これまでエントロピー生成は、主に理論や数式の中で扱われてきました。
理由は単純で、実際の物質中で起こるエントロピー生成は非常に微小で、直接観測する手段がなかったからです。

現実の世界は、常にエネルギーが流れ続ける「非平衡状態」にあります。
天候の変化、生物の活動、電子機器の動作など、私たちの周囲の現象はすべて非平衡過程です。

しかし、こうした実在の非平衡系で、エントロピー生成そのものを測定した例はこれまで存在しませんでした。
今回の研究は、この長年の壁を初めて突破した点に大きな価値があります。

量子ドットという研究対象の特徴

研究チームが注目した量子ドットは、ナノメートルサイズの半導体粒子です。
非常に小さいため、通常の物質では目立たない量子力学的な性質が強く現れます。

量子ドットの大きな特徴のひとつが、光る状態と光らない状態を不規則に行き来する点滅現象です。
一見ランダムに見えるこの点滅には、エネルギーのやり取りや情報の散逸が反映されています。

研究チームは、この点滅の背後にある物理過程を丁寧に解析することで、エントロピー生成を捉えようとしました。

電場を使って意図的に非平衡状態を作る

実験では、量子ドットに外部から電場を加えたり、取り除いたりする操作が行われました。
電場が加わっていない状態では、量子ドットの点滅は一定の統計的な規則に従います。

一方で電場を加えると、点滅の仕方が変化し、量子ドットは意図的に非平衡状態へと押し出されます。
この操作によって、エネルギーや情報がどのように失われていくかを観測できる状況が作り出されました。

このように、実験条件を精密に制御することで、非平衡状態を再現できた点が重要です。

機械学習が果たした決定的な役割

実験から得られる点滅データは膨大で、そのままでは理解が困難です。
そこで研究チームは、機械学習を活用し、物理法則に基づくモデルのパラメータを最適化しました。

その結果、点滅データとエントロピー生成の関係を数値として導き出すことに成功しました。
理論、実験、データ解析を一体化した点が、この研究の最大の特徴と言えます。

これにより、エントロピー生成は抽象的な概念ではなく、測定可能な物理量として扱えるようになりました。

専門家でさえ疑ったほどの難易度

共著者のGrant Rotskoff助教授は、「本当にエントロピー生成を測れているのか、慎重に確認する必要がありました」と振り返っています。
それほどまでに、この測定は前例がなく、極めて難しい挑戦だったことが分かります。

研究チームは理論的な検証と実験データの突き合わせを重ね、結果の妥当性を慎重に確認しました。

将来のコンピュータ設計への意味

この成果は、将来の量子コンピュータやナノデバイスの設計に直結する可能性があります。
エネルギーがどこで、どの程度無駄になっているのかを直接測れるようになれば、無駄を減らす設計が可能になるからです。

リンデンバーグ教授は、「より少ないエネルギーで動作するデバイスや、より高速なデバイスを探る指針が得られます」と述べています。
これは、性能向上と省エネルギーを同時に実現するための重要な基盤となります。

理論と現実をつなぐ大きな一歩

今回の研究は、長年理論の中で語られてきたエントロピー生成を、現実の物質で測定可能な対象へと引き下ろした点に最大の意義があります。
理論物理と実用技術の間にあった距離を、確実に一歩縮めた成果と言えます。

今後、この手法が他の量子材料やデバイスにも応用されれば、エネルギー効率と情報処理の限界を実験的に探る新しい研究分野が広がる可能性があります。

ソース

Stanford University
Nature Physics
SLAC National Accelerator Laboratory
Chemical and Engineering News

投稿 スタンフォード大学、量子ドットでエントロピーを世界初測定　省エネ計算への道を開く は 仕事終わりの小節 に最初に表示されました。

近年、糖尿病患者が安全かつ快適に血糖値を管理できるよう、世界中の研究者たちが「針を使わない血糖測定技術」の開発に挑戦しています。そんな中、超音波技術と人工知能（AI）を組み合わせた新システムが実験室で成果を上げ、無痛の血糖モニタリング実現にまた一歩近づいたことが報告されました。

今回の研究は npj Acoustics（Natureポートフォリオ） に掲載されており、これまで数々の障壁があった非侵襲血糖測定の分野で注目すべき進展を示しています。

■ 高周波超音波 × AI が血糖値の違いを識別

研究チームは 80MHzの超音波トランスデューサー（非常に高い周波数の超音波を発する装置）と、
深層学習（Deep Learning）モデルを組み合わせることで、
血液中のグルコース濃度の違いを検出することに成功しました。

今回テストされたAIモデルは以下の4種類です：

• VGGNet
• InceptionNet
• ResNet
• EfficientNet

これらのモデルに、0〜250mg/dLまで幅のある血液サンプルの超音波信号を学習させたところ、
6段階の細かな血糖レベル区分の識別では65〜68％の精度を達成。
特に InceptionNet が 67.9％ と最も高い精度となりました。

一見すると控えめな精度ですが、研究チームはここからさらに踏み込み、
「臨床的に特に重要な部分」に着目します。

■ 危険な血糖値異常（低血糖／高血糖）の区別は “90％超” と高精度

6段階の細分化では精度が落ちた一方で、研究チームが分類をシンプルにし、

● 150mg/dL

を境に 低血糖（150mg/dL未満） と 高血糖（150mg/dL以上） に分ける
“バイナリー分類” へ変更すると結果は劇的に改善しました。

• InceptionNet：90%以上の精度
• ResNet：90%以上の精度

つまり、現時点では細かい血糖値の「数値の特定」は難しいものの、
危険な血糖値状態かどうかの判定には非常に有望な性能 が示されたのです。

これは現場での利用価値が高く、
「今すぐ低血糖かどうかを知りたい」という切迫した状況で特に役立つ可能性があります。

■ 他の非侵襲技術との比較：超音波の強みとは？

現在、非侵襲血糖測定の研究は活発で、今月だけでも２つの大きな成果がありました：

1. オプトアコースティック技術（光と音を組み合わせた解析法）による非侵襲測定に成功（ドイツ研究）
2. pHキャリブレーションを利用した逆イオントフォレシス方式の高精度化（Nature Communications）

一方、今回の超音波方式は以下の点で独自のメリットを持ちます：

◎ 皮膚の色・厚さ・状態の影響を受けにくい

光を使う方式が避けられない「皮膚の個人差」の問題を回避できる。

◎ 血液と間質液の時間差（タイムラグ）を避けられる可能性

既存のCGM（Dexcomなど）は皮下組織の間質液を測るため、
血糖値と数分のタイムラグが発生します。
超音波方式は血液そのものをターゲットにできる可能性があります。

■ 臨床利用にはまだ課題も多い

革新的な結果が出た一方で、研究者たちは課題を明確に認識しています。

● モデルの “過学習”

• トレーニング精度 86％以上
• テスト精度 65〜68％

この差から、AIが「学習データに特化しすぎて汎用性が低い」状況が見て取れます。

● 使用した血液は馬の全血サンプル

実験条件は極めて制御されており、
人間の皮膚越しの測定とは環境が大きく異なります。

● 全血は信号が複雑

血小板・白血球など多数の成分が混在し、超音波反射が複雑になるため、
ノイズが増加してAIがパターンを学びにくい。

今後は以下の改善が必要とされています：

• データセットの大幅拡張
• トランスデューサの動きによるノイズ低減
• 人の皮膚越しの測定条件への適応
• モデルの汎化性能向上

■ “針のいらない血糖測定” へ確実に前進

既存のCGM（持続血糖測定器）は便利ですが、

• 皮下にセンサーを刺す必要がある
• 数日ごとの交換が必要
• コストが高い

などの課題があります。

今回の超音波×AI技術はまだ初期段階にあるものの、

✔ 低血糖／高血糖を高精度で判別可能

✔ 無侵襲で痛みゼロ

✔ 光学方式の弱点を回避できる

という大きなポテンシャルを持っています。

研究チームは、
「無針での血糖モニタリングを実現するため、技術をさらに磨く」と述べており、
今後、非侵襲型血糖測定の分野が急速に進化することが期待されています。

ソース

• azonano
• nature
• Helmholtz Munich
• npj Acoustics（Natureポートフォリオ）

投稿 AI超音波システムが針なしで血糖値を検出する新技術を開発 は 仕事終わりの小節 に最初に表示されました。