技術要約: MC-BRIDGE

問題提起

オルガノイド指向のリードアウトのための分子通信（MC）には、細胞外の化学輸送、受容体結合キネティクス、および有機電気化学トランジスタ（OECT）による変換を、最終的な検出指標へと結びつけるフレームワークが必要である。既存のモデルは、各コンポーネントを個別に扱ったり、幾何学的形状、ノイズ共分散、キャリブレーション、および受容体のメモリ（記憶）の結合を考慮した統一的なエンドツーエンドのフレームワークを欠いていたりすることが多い。具体的には、物理層の効果（拡散、結合）と受信機処理の効果（ノイズ、キャリブレーション、決定ロジック）を区別しつつ、マルチチャネルの相関ノイズや符号間干渉（ISI）を処理できる、モジュール式のシミュレーション環境が求められている。

手法

本論文では、モジュール式のシミュレーションフレームワークであるMC-BRIDGE（Molecular Communication Bioelectronic Receiver-chain Integrated Design and Guided Evaluation）を導入する。この手法は、送信されたシンボルシーケンスを以下のステージを通じてマッピングする、置換可能なモジュールチェーンで構成されている：

1. 放出（Release）: 分子（例：ドーパミン、セロトニン）の有限な矩形バーストまたは確率的なポアソン放出。
2. 輸送およびISI（Transport & ISI）: 拡散、屈曲率（tortuosity）、クリアランス、および有限領域観測（点ではなく正方形ゲート上での平均化）を考慮した、3D有効細胞外グリーン関数によるモデリング。
3. 結合（Binding）: 決定論的なラングミュア・キネティクスと、受容体サイトの確率的な出生死滅プロセス（Gillespie SSA）の両方の実装。
4. 変換（Transduction）: トランスコンダクタンスと体積容量を介して、結合したサイトを電流に変換する準静的なOECTモデル。
5. ノイズおよび参照（Noise & Referencing）: 独立した電気的タイムグリッド上でのマルチチャネル・カラーノイズ（熱雑音、フリッカーノイズ、ドリフト）の合成。これには、コモンモードノイズを低減するための、マッチドコントロール参照（コントロールチャネル信号の減算）が含まれる。
6. 検出（Detection）: 決定ウィンドウにおける電荷ドメイン積分に続き、校正済み閾値を用いたMoSK、CSK、またはハイブリッド決定ロジック。

検証プロトコル:
本フレームワークは、解析解、独立した数値リファレンス（ブラウン運動シミュレーション、Gillespie SSA）、および収束テストを組み合わせた厳格な検証プロトコルを採用している。主要な検証ステップは以下の通りである：

• 解析的な輸送モデルとブラウン運動シミュレーションの比較。
• 確率的結合と正確な遷移法の検証。
• 有限領域の求積法と点観測者リミット間の一貫性の確保。
• オーバーフィッティングを防ぎ、偏りのない性能推定を保証するために、キャリブレーション、適応探索、およびホールドアウト評価に対して互いに素なシードセットを使用すること。

主要な貢献

1. モジュール式フレームワーク: 物理的および統計的な意味を保持する明示的な入出力インターフェースを通じて、放出、輸送、結合、OECT変換、および検出を連結する統一されたアーキテクチャ。
2. 一貫した電気的・統計的処理: 分子のステップとは独立した電気的グリッド上で、一般的な半正定値相関行列と共通の一側パワースペクトル密度（PSD）慣習を利用して、フルシーケンスのマルチチャネル・カラーノイズを生成する。
3. 検証および転移のエビデンス:
   • 有限領域観測と中心点モデルの検証。
   • 集約結合（lumped binding）とノード単位結合（nodewise binding）の比較。
   • 動作点（分子予算、距離、コントロールゲインの変化）を横断するキャリブレーション転移の分析。
   • ISIおよびメモリ深度の感度分析。
4. ホールドアウト・バジェット・バウンド: 検索およびキャリブレーションとは異なるシードを持つ独立した「ホールドアウト」レコードを使用することで、シンボル誤り率（SER）目標を満たす最小分子予算のテスト済みグリッド上界を確立する手法。

結果

脳オルガノイド界面を対象とした、リファレンスとなるトリチャネル・シナリオ（ドーパミン選択的、セロトニン選択的、およびハイドロゲル適合コントロールチャネル）を用いた結果は以下の通りである：

• 有限領域効果: 中心点観測者を有限領域（200 µm正方形ゲート）の観測者に置き換えると、公称分離距離において中心点決定電荷量の**27.5%**しか保持されず、信号スケールが大幅に変化する。
• コントロール参照: コントロール参照（CTRL）の恩恵は共分散に依存する。選択的チャネルとCTRLの相関が有利な場合、CTRLはSERを低減する（例：特定の予算において0.017から0.005へ）。しかし、相関がゼロの場合、CTRLは性能を低下させる可能性がある。
• キャリブレーション転移: 固定された公称閾値は、動作点のミスマッチ下で失敗する（SERが0.609まで上昇）。定期的な更新および各点での再校正はこれを大幅に緩和するが、各点での再校リブレーションは依然として楽観的なベンチマークである。
• メモリおよびISI: 受容体メモリ（シンボル間で占有状態を伝播させる）を保持し、ISI対策を行わない場合、高いSERを招く（例：$H_{ISI}=3$ で0.686）。受信機処理の性能を単独で評価するためには、占有状態リセット（no-ISI）のベンチマークが必要である。
• バジェット・バウンド: パッシブフィールド、no-ISI、各点校正のシナリオにおいて、適応探索とホールドアウト評価は、SER目標$10^{-2}$を満たすための最小分子予算の境界が、約300,848分子/シンボル（0.50 amol）であることを支持している。

重要性と主張

本論文は、MC-BRIDGEがOECT-MC受信機の仮説を制御された再現可能な比較を行うために必要な計算手法を提供すると主張している。その重要性は以下の点にある：

• 効果の分離: 幾何学、共分散、キャリブレーション、およびメモリの影響を分離しており、これらは単一のエンドツーエンド曲線では混同されやすい。
• 再利用性: モジュール式インターフェースにより、中間的な物理状態を保持したまま、同じOECT電荷統計量を用いて候補設計を比較できる。
• 厳格な評価: キャリブレーションと評価に対して互いに素なシードセットを強制し、ブロック・ブートストラップ区間を用いて誤差推定を行うことで、本フレームワークはSERや相互情報量といった性能指標に対して統計的に堅牢な境界を提供する。

著者らは、報告された境界値は、パッシブ観測者モデル、占有状態リセット、および各点校正の特定の設定に依存していることを強調している。また、実世界のシナリオにおけるデバイス性能を予測するには、質量保存型の反応輸送モデルや実際のデバイスパラメータの測定が必要であり、それらは本シミュレーションフレームワークの範囲外であることも述べている。