🧬 biology

Communicating Smartly in Molecular Communication Environments: Neural Networks in the Internet of Bio-Nano Things

本综述探讨了数据驱动的通信策略，特别是机器学习和神经网络架构，以解决生物纳米物联网中分子通信的建模挑战，同时涵盖了实现可行性、数据集生成以及新兴的研究挑战。

原作者： Jorge Torres Gómez, Pit Hofmann, Lisa Y. Debus, Osman Tugay Başaran, Sebastian Lotter, Roya Khanzadeh, Stefan Angerbauer, Bige Deniz Unluturk, Sergi Abadal, Werner Haselmayr, Frank H. P. Fitzek, Rober

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jorge Torres Gómez, Pit Hofmann, Lisa Y. Debus, Osman Tugay Başaran, Sebastian Lotter, Roya Khanzadeh, Stefan Angerbauer, Bige Deniz Unluturk, Sergi Abadal, Werner Haselmayr, Frank H. P. Fitzek, Robert Schober, Falko Dressler

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下你的身体是一个繁忙的微观城市。在这个城市里，微小的设备（纳米机器人）需要互相交流，以监测你的健康或对抗疾病。但它们不能像我们的手机那样使用 Wi-Fi 或无线电波；因为环境太拥挤且充满液体。相反，它们必须使用分子来传递信息——就像把信件装进瓶子里丢入水中，并寄希望于它能漂向正确的人。

这篇论文是一份关于如何教这些微小设备通过人工智能（AI），特别是**神经网络（Neural Networks）**进行智能通信的庞大“用户手册”和“现状报告”。

以下是该论文核心思想的简单拆方解：

1. 问题所在：“分子迷雾”

使用分子发送信息是非常混乱的。想象一下，试图在一个风大、拥挤且人们不断移动、碰撞甚至消失的房间里大声喊话。

问题： 由于分子会随机漂移（扩散），且环境不断变化，想要写出一个完美的数学公式来精确预测信息何时到达或强度如何，几乎是不可能的。
解决方案： 既然我们无法编写完美的数学规则，作者建议让设备从经验中学习。就像孩子通过尝试和失败来学习如何接球一样，这些设备使用**神经网络（NNs）**来自行摸索游戏的规则。

2. 工具箱：AI 如何提供帮助

论文回顾了 AI 如何解决这个分子城市中的四个主要问题：

绘制地形图（信道估计）：
- 类比： 想象一下，你仅凭声音的大小来猜测朋友离你有多远。
- 论文内容： AI 通过观察到达的分子，来推测发送者与接收者之间的距离，或者“风”（流体流动）的流速。由于它能处理复杂的形状和障碍物，因此比传统的数学公式表现得更好。
把握节奏（同步）：
- 类比： 如果两个人试图一起跳舞，但一个慢了一个，另一个快了一个，他们就会踩到对方的脚。他们需要一个共同的节拍。
- 论文内容： AI 学习如何在分子到达晚了或早了的情况下，识别出信息的“开始”。它就像一位聪明的指挥家，调整节奏，让接收者知道确切的聆听时刻。
解读信息（检测/解码）：
- 类比： 想象你在读一封被雨水打湿模糊了的信。你需要通过猜测来辨认哪些字母是什么。
- 论文内容： AI 扮演着超级智能解码器的角色。它观察到达的分子那混乱的模式，并判断出：“好吧，这一簇代表‘1’，而那个间隙代表‘0’。” 论文发现一种特定类型的 AI，即 BiRNN（它能同时观察过去和未来的信息），在清理“噪声”方面表现最佳。
“全能型”方案（自动编码器/Autoencoders）：
- 类比： 与其让一个人负责写信、另一个人负责邮寄、再由第三个人负责读信，不如想象一个智能系统，它能同时学习如何完美地编写和读取这封信。
- 论文内容： AI 在学习设计信息的同时也学习解码信息，通过优化整个过程，使其在混乱的环境中表现得更好。

3. 硬件：我们能造出来吗？

论文提出了疑问：“我们真的能在纳米机器人内部造出一个大脑吗？”

挑战： 真正的计算机芯片体积太大，且对于纳米机器人来说功耗过高。
创意解决方案： 作者研究了“生物计算”。
- DNA 电路： 利用 DNA 链条像导线一样进行数学运算。
- 微流控技术： 利用微小的管道和化学反应（如酸碱混合）来进行计算。
- 活细胞： 利用真实的细菌或脑类器官作为处理器。
现实情况： 虽然这些想法在实验室中可行，但与硅芯片相比，它们目前仍然缓慢且笨重。论文指出，我们仍处于构建这些“生物大脑”的“早期原型”阶段。

4. “黑箱”问题：你为什么这么做？

在医学领域，如果你不知道机器是如何做出决定的，你就不能仅仅信任它。如果 AI 说“这里有一个肿瘤”，医生需要知道它是如何得出这个结论的。

问题： AI 通常是一个“黑箱”——它给出了答案，但我们看不见其中的逻辑。
解决方案： 论文讨论了可解释人工智能（XAI）。这就像是给 AI 一把放大镜，向我们展示哪些线索（分子）对它的决策最为重要。例如，它可以证明：“我猜测距离是 5 微米，是因为分子是在这个特定时间到达的”，而不是随机猜测。

5. 燃料：数据

AI 需要数据作为燃料来学习，而这种燃料就是数据。

问题： 用于训练这些系统的绝大多数数据都是由计算机模拟生成的，而非来自真实的实验。这就像只在电子游戏中学习开车，当你遇到真实的道路时可能会发生车祸。
现状： 论文回顾了现有的数据集。有些数据集很出色（开放、记录详尽），但许多数据集缺失、隐藏或规模过小。作者呼吁从实际实验室实验中获取更多真实世界的数据，以使 AI 变得更聪明、更可靠。

总结

这篇论文是一份路线图。它告诉我们，神经网络是目前我们拥有的、能帮助纳米设备在人体这种混乱且不可预测的环境中进行通信的最佳工具。它回顾了软件（AI 模型）、硬件（生物电路）、安全检查（可解释性）以及燃料（数据）。

核心结论： 我们拥有让这些微小设备进行交谈的智能软件，但我们仍在摸索如何构建运行这些软件的微小生物大脑，以及如何获取足够的真实世界数据来对其进行完美的训练。

技术摘要：在分子通信环境中进行智能通信：生物纳米物联网中的神经网络

1. 问题定义

生物纳米物联网（IoBNT）构想了一个由远程协调的纳米设备组成的网络，这些设备位于人体内，用于监测并针对疾病采取行动。实现这一愿景的一个根本障碍是**分子通信（MC）**信道的本质。与传统的电磁无线信道不同，MC 信道的特征是受扩散、流体流动、化学反应和生物变异性驱动的复杂、随机且动态的行为。

这些特性使得在大多数现实场景中（例如具有反射器、漂移或变化流速的复杂几何结构）进行精确的物理建模和闭式解析表达式（CIR）变得不可行。因此，传统的基于模型的通信设计通常是不切实际的。本文指出，迫切需要数据驱动的通信策略，使其能够在无需依赖精确解析模型的情况下，适应未知的参数和不断变化的环境条件。

2. 方法论与范围

本综述对应用于 MC 系统的**神经网络（NN）**架构和机器学习（ML）方法进行了全面的回顾。其方法论涉及一个三阶段的文献检索过程（关键词：“Neural Network” AND “Molecular Communication” OR “IoBNT”），涵盖了 2017 年至 2025 年间发表的 133 篇论文。

本综述从以下维度构建其分析结构：

通信层： 详细检查了神经网络在物理层（PHY）（信道估计、同步、检测、自动编码器）到介质访问控制（MAC）及上层（定位、数据融合）的应用。
生物相容性： 回顾了在生物或化学环境中直接实现神经网络的技术（例如，DNA 电路、微流控、基因调节网络）。
可解释性： 分析了可解释人工智能（XAI）方法，以解释敏感医疗背景下“黑盒”神经网络决策的逻辑。
数据基础设施： 对用于训练神经网络的合成和实验数据集进行了系统性审查，包括对其可访问性、可复现性和文档完整性的评估。
代码复现性： 作者提供了关键 MC 场景（同步、解码、自动编码）的开源代码示例，以支持可复现性研究。

3. 核心贡献与发现

A. 用于 MC 层的 NN 架构

综述详细说明了神经网络如何解决特定的通信挑战：

信道估计： 神经网络（主要是前馈神经网络和 CNN）被用于估计信道冲击响应（CIR）参数（距离、扩散系数），并在解析解失效的复杂环境中对 CIR 序列进行建模。Transformer 正在兴起，但需要针对 MC 特有的符号间干扰（ISI）进行适配。
同步： 强化学习（RL）智能体，特别是带有 LSTM 层的近端策略优化（PPO），在动态、移动和基于中继的 MC 场景中，表现出比传统极大似然估计（MLE）更强的适应性。
检测（解码）： 神经网络作为通用近似器，用于在严重的 ISI 存在下进行符号解码。
- **双向循环神经网络（BiRNN）**和 LSTM 被强调为处理序列检测最有效的架构，通过利用过去和未来的样本来减轻 ISI。
- 注意力机制和 Transformer 被引入以捕捉长程依赖关系，尽管它们在 MC 特定约束（有限参数）下的性能仍处于研究阶段。
- **自动编码器（AEC）**实现了端到端学习，在没有显式信道模型的情况下，联合优化发射器（分子释放）和接收器（检测）。
高层应用： 神经网络被应用于资源分配、定位（利用血液流动动力学和浓度指标）以及用于疾病检测的数据融合。

B. 生物相容性实现（Bio-AI）

本文回顾了在体内或纳米设备内部署神经网络的可行性：

数字领域： 通过化学反应（如 DNA 链置换）或微流控电路（FIR 滤波器）集成逻辑门。
模拟领域： 利用基因调节网络（GRN）和化学反应网络（CRN）来进行加权求和与非线性激活。
可行性： 虽然存在相关概念（例如基于 DNA 的 Hopfield 网络、执行模式识别的细菌群落），但目前的实现面临着规模扩展、延迟（数小时对比毫秒级）和可靠性方面的重大挑战。综述指出，目前大多数用于 IoBNT 的神经网络推理仍依赖于外部宏观尺度计算机，而纳米级部署仍处于早期实验阶段。

C. 分子通信中的可解释人工智能（XAI）

意识到神经网络的“黑盒”性质是医疗应用采用的一大障碍，本综述回顾了 XAI 技术（LIME、SHAP、逐层相关性传播、手动排列重要性）。

发现： XAI 方法已成功将神经网络行为映射到传统检测器上（例如，展示了根据 ISI 水平的不同，神经网络是如何充当阈值检测器或斜率检测器的）。这提供了“正确性证明”，并弥合了数据驱动模型与生物/化学直觉之间的鸿沟。

D. 数据生成与可用性

综述分类整理了合成与实验数据集：

合成数据： 通过模拟器（如 OpenFOAM、Smoldyn、N3Sim）生成，涵盖自由扩散和基于流的信道。
实验数据： 源自使用分子（乙醇、酸/碱）、细菌（大肠杆菌）或纳米颗粒的测试平台。
局限性： 大部分数据集缺乏标准化、全面的元数据或公开可访问性。作者提供了一个数据集质量的“红绿灯”评估，强调了在复现性和代表性方面的差距。

4. 结果与性能

检测性能： 在测试床环境中，基于 BiRNN 的检测器实现的误码率（BER）可低至 $10^{-6}$ ，在高度 ISI 场景下优于传统的阈值解码器。
同步： 在动态中继设置中，基于 RL 的同步器实现的真阳性率（TPR）大于 80%，在干扰严重的环境中优于基于滤波器的 MLE。
复杂度与性能： 综述表明，对于具有低到中度 ISI 的 MC 信道，拥有数百个可学习参数的架构（如 BiRNN）通常已足够；而更复杂的架构（如 Transformer）在面对 MC 有限的数据可用性时，需要精细的调优以避免过拟合。

5. 重要性与主张

本文将其定位为计算机科学与生物学交叉领域的奠基性综述。其主要主张如下：

数据驱动方法的必要性： 由于解析 MC 建模的困难性，神经网络是实现 IoBNT 稳健、自适应通信的必然选择。
跨学科融合： 综述认为，人工智能作为一个统一的框架，连接了合成生物学与通信工程，从而使设计“智能”生物节点成为可能。
当前差距：
- 硬件： 缺乏能够运行在纳米设备资源约束下的鲁棒、生物相容的神经网络架构。
- 可解释性： X-AI 在 MC 领域尚处于起步阶段；需要更多工作来使神经网络决策在关键医疗应用中透明化。
- 数据： 该领域面临标准化、高质量且易获取的数据集匮乏的问题，这阻碍了研究的复现性和泛化能力。
- 高层应用： 研究过度向物理层倾斜；MAC 层和应用层（定位、资源分配）的解决方案仍有待深入探索。

作者总结道，虽然神经网络在解码和信道估计方面已被证明有效，但 IoBNT 的全面实现仍需在生物相容性部署、物理启发式架构（将领域知识整合进训练）以及可扩展训练策略（考虑分子环境的独特动态）方面进行进一步发展。