Проект: «Mycelium Code» — Дорожная карта создания гибридного биовычислительного интерфейса на основе сетевой динамики кардиомиоцитов

Фундаментальная квантовая биология Биовычисления Кардиомиоциты Гибридный интерфейс

Абстракт

Современные вычислительные парадигмы, включая квантовые вычисления, сталкиваются с фундаментальными ограничениями: экспоненциальной сложностью масштабирования, высокими энергозатратами и необходимостью экстремальных условий эксплуатации. Вдохновляясь эффективностью биологических систем, мы предлагаем альтернативный путь: использование живых клеточных сетей в качестве природных, энергоэффективных вычислительных субстратов.

В данной работе представлена концепция и детальная дорожная карта проекта «Mycelium Code», направленного на создание гибридного биовычислительного интерфейса. В качестве модельной системы выбраны первичные культуры кардиомиоцитов млекопитающих, образующие самоорганизующиеся синхронизированные сети с четкой электрогенной активностью. Мы постулируем, что такая сеть, помещенная в замкнутый контур обратной связи через многоэлектродную матрицу (MEA), способна функционировать как аналоговый сопроцессор для решения задач оптимизации и распознавания паттернов.

В статье последовательно излагаются теоретическое обоснование, выбор биологической платформы, архитектура экспериментальной установки, протоколы верификации и методология интерпретации данных. Цель работы — заложить методический фундамент для нового направления на стыке биофизики, нейроинформатики и неклассических вычислений.

Введение

Проблематика современных вычислительных систем. Несмотря на прогресс в области квантовых вычислений, достижение практического квантового превосходства для широкого класса задач сдерживается шумом, декогеренцией и инженерной сложностью масштабирования логических кубитов [1, 2]. Параллельно, закон Мура приближается к физическим пределам, вынуждая искать принципиально новые вычислительные парадигмы [3].

Биологические системы как прототипы вычислителей. Живые организмы, от бактерий до нейронных ансамблей, демонстрируют способность к эффективной обработке информации, принятию решений и адаптации в реальном времени, расходуя на порядки меньше энергии, чем современные компьютеры [4]. Классическим примером является экспериментально наблюдаемая способность бактериальных популяций к быстрой адаптации в градиенте антибиотика, что по сути представляет собой решение сложной оптимизационной задачи путем массового параллельного поиска [5]. Этот прецедент указывает на то, что вычислительный потенциал может быть имманентным свойством живой материи, реализуемым через сетевую динамику и эмерджентные свойства.

Клеточные сети как готовые вычислительные субстраты. Для использования этого потенциала требуется переход от метафор к инженерной реализации. Идеальным кандидатом являются excitable cell networks (возбудимые клеточные сети), такие как культуры нейронов или кардиомиоцитов. Они обладают ключевыми свойствами: 1) способностью генерировать и распространять электрические сигналы; 2) наличием естественных механизмов синаптической или электротонической связи; 3) свойством ритмогенеза и самосинхронизации [6, 7]. Кардиомиоциты, в частности, образуют в культуре стабильно бьющиеся монослои, чья электрическая активность легко регистрируется и модулируется, что делает их превосходной моделью для доказательства концепции [8].

Цель и задачи работы. Целью данной работы является разработка последовательной дорожной карты (research roadmap) для создания и экспериментальной валидации гибридного биовычислительного интерфейса. Для этого мы ставим следующие задачи:

Обосновать выбор кардиомиоцитов в качестве базовой биологической платформы.
Описать архитектуру замкнутого контура «био-силиконового» интерфейса.
Предложить протоколы экспериментов для демонстрации базовых вычислительных примитивов (адаптация, память, классификация).
Определить методологию анализа данных и критерии успеха.
Обрисовать этические рамки и долгосрочные перспективы направления.

Выбор биологической платформы и теоретическое обоснование

От прецедента — к принципу. Ключевым прецедентом для нашей работы служит эксперимент по эволюции устойчивости к антибиотикам в гигантской чашке Петри [5]. Его суть не в генетике, а в вычислительной парадигме: популяция бактерий решила задачу выживания в градиенте смертельного агента через масштабированный параллельный поиск в реальном времени. Это демонстрирует, что живая система может выступать в роли физического решателя оптимизационных задач, где среда определяет «вопрос», а эмерджентное поведение популяции — «ответ». Наша цель — перенести эту парадигму на контролируемую, измеримую и более быструю систему.

Критерии выбора биологической платформы

Для инженерной реализации такого «биорешателя» система должна обладать следующими свойствами:

Чёткий и регистрируемый выходной сигнал. Необходим для однозначного считывания «ответа».
Сетевое поведение и эмерджентные свойства. Вычислительный потенциал рождается из взаимодействия множества элементов.
Динамическая адаптивность. Способность изменять своё состояние в ответ на внешние воздействия.
Технологическая доступность и воспроизводимость. Культура должна быть относительно простой в приготовлении и стабильной в работе.

Кардиомиоциты как идеальная модель

Первичные культуры желудочковых кардиомиоцитов новорождённых крыс (или мышей) удовлетворяют всем критериям [8, 9]:

Сигнал: Они генерируют чёткие, периодические потенциалы действия (ПД), легко регистрируемые как внеклеточно (с помощью MEA), так и внутриклеточно.
Сетевое поведение: В культуре клетки спонтанно образуют электротонически coupled syncytium (электрически сопряжённый синцитий) через щелевые контакты (коннексины), что приводит к самосинхронизации и распространению волн возбуждения по всему монослою [10]. Эта сеть демонстрирует коллективные режимы, аналогичные осцилляторным ансамблям.
Адаптивность: Частота и паттерн ритма кардиомиоцитов модулируются нейрогормонами (норадреналин, ацетилхолин), изменением ионного состава среды, а также электрической стимуляцией — что предоставляет нам прямой канал «ввода данных» [11].
Доступность: Протоколы изоляции и культивирования кардиомиоцитов стандартизированы, коммерчески доступны готовые культуры и оборудование для их содержания.

Теоретическая модель: Сеть как аналоговый ассоциативный процессор

Мы рассматриваем синхронизированный монослой кардиомиоцитов не как набор дискретных переключателей, а как сплошную нелинейную активную среду. Её динамика может быть описана в рамках моделей связанных осцилляторов (например, модифицированной модели Курамото) [12]. В таком представлении, устойчивые паттерны активности (например, стабильный ритм с определённой частотой) являются аттракторами в фазовом пространстве системы.

Ключевая гипотеза: Применяя специфические внешние воздействия (электрические стимулы), мы можем переводить сеть из одного аттракторного состояния в другое. Процесс релаксации сети к новому устойчивому состоянию после воздействия и есть акт «вычисления». Задача сети — минимизировать «энергию» возмущения, найдя новый консенсус. Это напрямую аналогично принципу квантового отжига, но реализованному в тёплой, влажной биологической среде [13].

Отличие от нейронных сетей. В отличие от культур корковых нейронов, активность которых сложна, полимодальна и требует длительного созревания синапсов, культура кардиомиоцитов предлагает более простую, предсказуемую и циклически повторяющуюся динамику, что критически важно для отладки первого прототипа биовычислительного интерфейса.

Материалы и методы: Архитектура гибридного контура

Общая схема. Гибридный контур представляет собой замкнутую систему Bio-Physical-Computer Interface (BPCI):

[Кремниевый компьютер] <=(Цифровой поток данных)=> [АЦП/ЦАП и контроллер] <=(Аналоговые сигналы)=> [Многоэлектродная матрица (MEA)] <=(Электрофизиологическое взаимодействие)=> [Живая сеть кардиомиоцитов]

Биологический компонент

Культура клеток: Первичные желудочковые кардиомиоциты новорождённых крыс линии Sprague-Dawley, выделенные стандартным протоколом ферментативной дисперсии [9].
Культивирование: Клетки высеваются на покрытые фибронектином коммерческие MEA-чипы (например, Multichannel Systems или Axion BioSystems) плотностью ~50-100 тыс./см² в среде, обогащённой сывороткой и антибиотиками. Ритмическая активность обычно устанавливается на 3-5 день in vitro [8].
Мониторинг: Использование флуоресцентных красителей (например, Fluo-4 AM для Ca²⁺) для визуализации волн возбуждения (опционально).

Аппаратный компонент

Многоэлектродная матрица (MEA): Чип с 60-256 микроэлектродами (диаметр 10-30 мкм, шаг 100-200 мкм), интегрированный с усилителем. Функция: Считывание внеклеточных потенциалов (field potentials) со всего монослоя.
Система усиления и сбора данных: Коммерческая MEA-система (например, MultiChannel Systems MEA2100 или Axion Maestro). Обеспечивает усиление сигнала (×1000), фильтрацию (полоса 1-3000 Гц) и аналогово-цифровое преобразование с частотой дискретизации ≥10 кГц на канал.
Система стимуляции: Встроенные в MEA-систему генераторы стимулов, позволяющие подавать биполярные импульсы напряжения или тока через любые выбранные электроды.
Вычислительный блок: Стандартный ПК под управлением ОС Linux/Windows, получающий поток данных в реальном времени.

Программный компонент (Middleware)

Среда разработки: Python 3.x как центральная платформа.

Ключевые библиотеки:

pyopenephys, neo или специфичные SDK от производителя MEA для приёма данных.
numpy, scipy для цифровой обработки сигналов (фильтрация, выделение спайков/всплесков).
scikit-learn для анализа паттернов и классификации.
pyqtgraph или matplotlib для визуализации в реальном времени.
tensorflow или pytorch (опционально) для реализации сложных алгоритмов обратной связи на основе машинного обучения.

Алгоритм реального времени: Программа в непрерывном цикле выполняет:

Приём данных с MEA.
Анализ текущего состояния сети: вычисление интегральных метрик (средняя частота ритма, индекс синхронности, карта пространственной когерентности).
Принятие решения на основе заложенного алгоритма. (Протоколы экспериментов и критерии верификации).
Генерацию управляющего сигнала и его отправку на стимулирующие электроды.

Задержка контура (латентность) должна быть <50 мс для адекватного взаимодействия с сетью.

Протоколы экспериментов и критерии верификации

Данный раздел описывает пошаговый план экспериментальных работ, разделённый на последовательные фазы возрастающей сложности. Каждая фаза имеет четкую цель, протокол и количественные критерии успеха (Key Success Indicators — KSIs).

Фаза 0: Подготовка и характеризация биологической платформы

Цель: Получить стабильную, электрически активную синхронизированную сеть кардиомиоцитов на MEA и охарактеризовать её базовые электрофизиологические параметры.

Протокол:

Приготовление культуры: Первичные желудочковые кардиомиоциты новорожденных крыс выделяются стандартным двухэтапным протоколом ферментативной дисперсии коллагеназой/панкреатином [9, Halbach et al., 2003]. Клетки высеваются на покрытые фибронектином MEA-чики (60 электродов, Multichannel Systems) плотностью 50-100 тыс./см².
Культивирование и мониторинг: Культуры содержатся в инкубаторе (37°C, 5% CO₂). Спонтанная электрическая активность (field potentials, FP) начинает регистрироваться на 2-4 день in vitro (DIV). Ежедневно проводится 10-минутная запись активности для оценки развития сети.
Базовый анализ: Для каждой записи рассчитываются:
- Средняя частота биения (Mean Beat Rate, MBR): Количество FP-всплесков в минуту на каждом электроде, усредненное по массиву.
- Индекс синхронности (Synchronization Index, SI): Рассчитывается как средняя попарная корреляция сигналов между всеми электродами в окне 1-2 секунды. Значение, близкое к 1, указывает на высокую синхронность.
- Карта проведения (Conduction Velocity Map): По временным задержкам между всплесками на разных электродах реконструируется направление и скорость распространения волны возбуждения.

Критерии успеха (KSIs для перехода к Фазе 1):

KSI 0.1: На 5-7 DIV сеть демонстрирует стабильную спонтанную активность (MBR в диапазоне 30-120 уд./мин) на протяжении ≥ 3 последовательных дней.

KSI 0.2: Высокая синхронность — средний SI > 0.8 для минимум 80% электродов.

KSI 0.3: Воспроизводимая карта проведения, свидетельствующая о формировании функционального синцития.

Фаза 1: Демонстрация управляемости и адаптивного отклика («Вынужденная аритмия»)

Цель: Показать, что состояние сети можно детерминированно нарушать внешним воздействием, и что сеть способна к адаптивной компенсации.

Протокол:

Дестабилизирующая стимуляция: На стабильно бьющуюся сеть (состояние |0⟩) подается серия хаотичных электрических импульсов (параметры: амплитуда 200-500 мВ, длительность 2 мс, случайные интервалы 50-500 мс) через выбранный «дестабилизирующий» электрод [Wagenaar et al., 2004].
Регистрация ответа: Фиксируется переход сети в десинхронизированное состояние |1⟩ (аритмия): снижение SI, увеличение вариабельности MBR.
Анализ адаптации: Стимуляция прекращается. Измеряется время восстановления (Recovery Time, RT) — интервал, за который SI возвращается к 90% от исходного (базального) уровня. Эксперимент повторяется 20 раз.

Критерии успеха (KSIs):

KSI 1.1: Стимуляция достоверно вызывает переход |0⟩ → |1⟩ (статистически значимое снижение SI, p < 0.01, t-критерий Стьюдента).

KSI 1.2: Сеть демонстрирует адаптацию: среднее RT в последних 5 экспериментах серии статистически значимо меньше, чем в первых 5 (p < 0.05). Это свидетельствует о простейшей форме «обучения» или гомеостатической пластичности.

Фаза 2: Реализация бинарной классификации («Распознавание паттерна стимула»)

Цель: Показать, что сеть может переключаться между двумя различными устойчивыми состояниями в ответ на разные паттерны входного сигнала, реализуя функцию памяти и классификации.

Протокол:

Определение двух стимулов-образцов:
- Стимул А: Одиночный импульс (500 мВ, 5 мс) на электроде E1.
- Стимул Б: Парный импульс (500 мВ, 5 мс, интервал 100 мс) на электроде E2.
Обучение (Conditioning): В случайном порядке предъявляется 50 стимулов А и 50 стимулов Б. После каждого стимула записывается 2-секундное «постстимульное окно» активности.
Анализ паттернов ответа: Для каждого постстимульного окна вычисляется вектор признаков: MBR, SI, доля энергии в определенных частотных полосах, фрактальная размерность [Pasquale et al., 2017].
Классификация: Используется алгоритм машинного обучения (например, линейный дискриминантный анализ — LDA) для проверки, можно ли по вектору признаков предсказать, какой стимул (А или Б) был предъявлен.

Критерии успеха (KSIs):

KSI 2.1: Точность классификации методом перекрестной проверки (cross-validation) превышает 85%. Это будет строгим доказательством, что сеть кодирует информацию о разных входных сигналах в виде статистически различимых паттернов своей активности.

Фаза 3: Демонстрация решения оптимизационной задачи («Биологический отжиг»)

Цель: Использовать адаптивные свойства сети для поиска устойчивого состояния в условиях сложных ограничений, продемонстрировав прототип вычислительной функции.

Протокол (концепт):

Постановка задачи: Создается виртуальный «энергетический ландшафт», где целевое (оптимальное) состояние сети соответствует глобальному минимуму. Например, целевое состояние — стабильный ритм с частотой ровно 2 Гц и SI > 0.9.
Ввод ограничений: Через несколько стимулирующих электродов сети постоянно предъявляется субпороговая дестабилизирующая помеха, которая «искажает» ландшафт, создавая локальные минимумы (ложные устойчивые состояния, например, аритмию).
Процесс «отжига»: Параметры помехи (амплитуда, локализация) медленно изменяются во времени по детерминированному алгоритму, имитирующему снижение «температуры» в алгоритме отжига.
Оценка результата: Фиксируется конечное состояние сети. Эксперимент повторяется многократно (n > 30), начиная с разных исходных условий.

Критерии успеха (KSIs):

KSI 3.1: В статистически значимом большинстве запусков (≥70%) сеть приходит в целевое состояние (2 Гц, SI>0.9), минуя локальные минимумы.

KSI 3.2: Эффективность сети (доля успешных достижений цели) сравнивается с эффективностью классического стохастического алгоритма (например, метод Монте-Карло), решающего ту же формализованную задачу на симуляторе. Успехом будет равная или лучшая эффективность биологической сети.

Ожидаемые результаты и их интерпретация

Для каждой фазы мы прогнозируем количественные результаты и их значение для валидации нашей концепции.

Фаза	Ожидаемый количественный результат	Интерпретация и значение для концепции BQCP
0. Характеризация	Стабильный SI > 0.8, MBR 60±20 уд/мин, воспроизводимая карта проведения.	Подтверждение, что мы создали не случайный набор клеток, а функционально интегрированную сеть — наш базовый «вычислительный субстрат». Это аналог успешной загрузки операционной системы на «железо».
1. Управляемость	Достоверное снижение SI при стимуле (p<0.01). Уменьшение времени восстановления (RT) на 20-40% к концу серии.	Доказательство принципа управления. Сеть не просто активна — её состояние можно детерминированно изменять (ввод данных) и она проявляет элементарную адаптивность (пластичность). Это минимальное требование для любого вычислительного устройства.
2. Классификация	Точность различения паттернов стимулов > 85% по данным кросс-валидации.	Ключевой результат. Доказывает, что сеть не просто реагирует, а кодирует информацию о входе в виде устойчивых внутренних паттернов. Это проявление памяти и дискриминативной функции — основа для создания логических операций и ячеек хранения данных в биологическом процессоре.
3. Оптимизация	Доля успешного достижения целевого состояния ≥70%, что сопоставимо или превосходит эффективность простого алгоритма Монте-Карло.	Демонстрация практически полезной вычислительной функции. Сеть использует свою коллективную динамику и свойства нелинейной среды для эффективного поиска глобального оптимума в зашумлённых условиях. Это прямое указание на её потенциал как специализированного сопроцессора для задач, сложных для классических архитектур.

Совокупность этих результатов создаст причинно-следственную цепочку доказательств: от создания управляемой сети (Фаза 1) через демонстрацию её способности кодировать информацию (Фаза 2) к использованию этой способности для решения полезной задачи (Фаза 3).

Потенциальные ограничения и пути их минимизации

Честное обсуждение ограничений усиливает, а не ослабляет план, показывая его реалистичность.

1. Вариабельность биологического материала.

Суть: Разные партии клеток, возраст животных, мелкие различия в протоколах могут влиять на базовые параметры сети (MBR, возбудимость).

Стратегия минимизации: Стандартизация всех протоколов, использование клеток из одного источника, проведение внутреннего контроля — сравнение данных не между разными культурами, а внутри одной культуры во времени (как в Фазе 1). Все количественные критерии (KSIs) должны быть выполнены для каждой отдельной культуры, что подтвердит воспроизводимость эффекта на уровне единичной системы.

2. Сложность интерпретации «вычисления».

Суть: Трудно однозначно отличить целенаправленное «решение» сети от пассивной гомеостатической реакции на стресс.

Стратегия минимизации: Мы не интерпретируем семантику. Мы определяем вычисление функционально. Если при предъявлении задачи X (определённый паттерн стимула или ограничение) сеть стабильно переходит в предсказанное состояние Y (измеряемый паттерн активности) — это, по определению, акт вычисления «X → Y». Мы оперируем входами и выходами, минуя «черный ящик» намерений [Graham & Duke, 2005].

3. Технический шум и артефакты.

Суть: Электрические помехи, дрейф электродов, пузырьки в среде могут искажать сигнал.

Стратегия минимизации: Использование профессионального экранированного оборудования, цифровых фильтров (например, band-pass 1-100 Гц), визуальный контроль формы сигналов. Критерии успеха должны опираться на статистическую значимость данных, полученных в многочисленных повторностях, что нивелирует влияние случайных артефактов.

4. Этические ограничения и общественное восприятие.

Суть: Работа с клетками животных и создание «полуживых» машин может вызывать вопросы.

Стратегия минимизации: Четкое следование этическим нормам работы с лабораторными животными (принципы 3R), прозрачность целей (фундаментальные исследования в области биологии и вычислительных наук). Важно позиционировать проект не как создание «киборга», а как исследование фундаментальных принципов обработки информации в живых системах с потенциальными приложениями в медицине (создание биологических моделей болезней сердца, тестирование лекарств) [Clark & Chalmers, 1998].

Заключение и перспективы

Настоящая работа представляет собой детальную дорожную карту для создания гибридного биовычислительного интерфейса первого поколения. Мы обосновали выбор высокосинхронной сети кардиомиоцитов в качестве идеальной биологической платформы, детально описали архитектуру замкнутого контура «кремний-биология» и предложили инкрементальный план экспериментов с четкими количественными критериями успеха.

Перспективы развития проекта лежат в нескольких плоскостях:

Технологическая: Переход от 2D монослоев к 3D кардиосферидам или engineered heart tissues, что позволит изучать более сложную, похожую на орган, динамику. Интеграция оптогенетических инструментов для прецизионного контроля конкретных клеточных популяций внутри сети.
Вычислительная: Формализация наблюдаемой динамики сети в виде новых алгоритмов, вдохновленных биологией (например, «Cardiac Annealing Algorithm»). Использование более сложных культур (сочетанные культуры нейронов и кардиомиоцитов) для исследования иерархических вычислительных систем.
Прикладная: Создание «живого биосенсора» на основе такой сети для скоростного скрининга кардиотоксичности лекарств. Долгосрочная цель — разработка биогибридных имплантируемых устройств, способных в реальном времени отслеживать и корректировать патологические ритмы сердца, используя те же принципы обратной связи, что и в нашем контуре.

Философский итог: Проект «Mycelium Code» бросает вызов антропоцентрическому взгляду на интеллект и вычисления. Мы не наделяем природу разумом — мы признаём, что эффективные, элегантные и крайне энергоэффективные алгоритмы уже встроены в ткань живой материи. Наша задача — не изобретать их заново, а научиться подключаться, считывать и перенаправлять эту врожденную вычислительную мощь для решения задач, актуальных для человечества.

Таким образом, представленный план не является утопией. Он представляет собой последовательный, технически реализуемый сценарий для первого шага в этом направлении. Успешная реализация даже Фазы 1 станет значимым прорывом, открывающим дверь в новую область — биофизическую инженерию вычислений.

Список литературы

Arute F, Arya K, Babbush R, et al. Quantum supremacy using a programmable superconducting processor. Nature. 2019;574(7779):505-10. DOI: 10.1038/s41586-019-1666-5.
Preskill J. Quantum Computing in the NISQ era and beyond. Quantum. 2018;2:79. DOI: 10.22331/q-2018-08-06-79.
IBM Quantum Roadmap. IBM; 2023.
Moses SA, Covey JP, Miecnikowski MT, et al. A race-track trapped-ion quantum processor. arXiv:2305.03828 [Preprint]. 2023. Доступно по ссылке: https://arxiv.org/abs/2305.03828
Baym M, Lieberman TD, Kelsic ED, et al. Spatiotemporal microbial evolution on antibiotic landscapes. Science. 2016;353(6304):1147-51. DOI: 10.1126/science.aag0822.
Rohr S, Schölly DM, Kleber AG. Patterned growth of neonatal rat heart cells in culture. Morphological and electrophysiological characterization. Circ Res. 1991;68(1):114-30. DOI: 10.1161/01.RES.68.1.114.
Bursac N, Parker KK, Iravanian S, Tung L. Cardiomyocyte cultures with controlled macroscopic anisotropy: a model for functional electrophysiological studies of cardiac muscle. Circ Res. 2002;91(12):e45-e54. DOI: 10.1161/01.RES.0000047533.67542.0C.
Halbach M, Egert U, Hescheler J, Banach K. Characterization of cell cultures (cardiomyocytes) using microelectrode arrays (MEAs). Med Biol Eng Comput. 2003;41(5):516-22. DOI: 10.1007/BF02345310.
Kaneko T, Nomura F, Hamada T, et al. Electrical stimulation of cultured cardiomyocyte networks using ITO microelectrode arrays for pathogenicity assessment of drugs. J Toxicol Sci. 2017;42(4):481-8. DOI: 10.2131/jts.42.481.
Maccione A, Garofalo M, Nieus T, et al. Emerging functional connectivity patterns in hPSC-derived neuronal networks cultured on microelectrode arrays. J Neurosci Methods. 2012;206(2):290-5. DOI: 10.1016/j.jneumeth.2012.03.014.
Pasquale V, Martinoia S, Chiappalone M. Complexity and regularity in the dynamics of cultured neuronal networks. Sci Rep. 2017;7:43571. DOI: 10.1038/srep43571.
Wagenaar DA, Pine J, Potter SM. Effective parameters for stimulation of dissociated cultures using multi-electrode arrays. J Neurosci Methods. 2004;138(1-2):27-37. DOI: 10.1016/j.jneumeth.2004.03.005.
Novellino A, Chiappalone M, Sanguineti V, et al. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Comput Intell Neurosci. 2011;2011:383925. DOI: 10.1155/2011/383925.
Adamatzky A, editor. Physarum Machines: Computers from Slime Mould. Singapore: World Scientific Publishing; 2010.
Graham L, Duke T. The logical repertoire of ligand-binding proteins. Phys Biol. 2005;2(3):159-65. DOI: 10.1088/1478-3975/2/3/004.
Miranda ER, Brouse A. Interfacing the brain directly with musical systems: On developing systems for making music with brain signals. Leonardo. 2005;38(4):331-6. DOI: 10.1162/0024094054762133.
Kac E. Life transformation – art mutation. In: Kac E, editor. Signs of Life: Bio Art and Beyond. Cambridge (MA): The MIT Press; 2007. p. 163-84.
Clark A, Chalmers D. The Extended Mind. Analysis. 1998;58(1):7-19. DOI: 10.1093/analys/58.1.7.
Johnson MW, Amin MHS, Gildert S, et al. Quantum annealing with manufactured spins. Nature. 2011;473(7346):194-8. DOI: 10.1038/nature10012.
Bretthorst GL, Hutton WC, Garbow JR, et al. Bayesian analysis of biological systems. In: Rychert TJ, Erickson GJ, Smith CR, editors. Bayesian Inference and Maximum Entropy Methods in Science and Engineering: 22nd International Workshop. Melville (NY): American Institute of Physics; 2003. p. 1-22. (AIP Conference Proceedings; vol. 659).