美国加州大学圣克鲁兹分校（University of California – Santa Cruz），塔夫茨大学（Tufts University）和哈佛大学（Harvard University）的研究学者开发了一种由机器学习算法驱动的生物电子系统，该算法可以移动活细胞中的膜电压并将其维持在设定值10小时。
图1. 用于控制活细胞中膜电压的装置，包括一系列生物电子质子泵。这些质子泵可以在培养的人类干细胞附近添加或去除溶液中的氢离子。这些细胞经过基因改造，在细胞膜上表达一种荧光蛋白，该蛋白对膜电压的变化作出反应。该系统由机器学习算法控制，该算法可跟踪膜电压对来自质子泵的刺激的反应。
细胞通过细胞膜上的离子通道对膜电位进行控制，形成生物闭环反馈和调节系统，该系统可维持支持细胞功能的环境和代谢条件之间的微妙平衡。在非兴奋性细胞中，静息电位（Vmem）会影响细胞生理和功能，例如增殖，分化，迁移和凋亡，以及细胞间通讯和大规模形态变化。
虽然已有的研究已经能够对细胞静息电位实现瞬时控制，但是由于细胞对环境条件的响应的复杂性，无法对细胞过程进行建模，用生物电子学系统实现长期控制细胞电位比较困难。传统的简化系统通过通过反馈进行工程设计以实现噪声抑制和适应，但是这种简化系统无法适应复杂的生物细胞控制，而且对复杂环境适应性较低。为了解决这些问题，研究者开发出一套基于实时机器学习（ML）的生物电子质子泵自适应控制器，可实现对Vmem的长时间控制。
具体而言，研究者首先在带有集成微流通道的透明基板上制造出由钯/氢化钯（Pd / PdH）触点制成的质子泵阵列。该阵列可从溶液中添加或去除氢离子（H +），并在人类诱导的多能干细胞（hiPSC）附近改变H +浓度。H +浓度的改变会造成细胞Vmem的改变，研究者通过膜电压荧光报告器测量细胞Vmem的相对变化。质子泵由基于ML的算法控制系统驱动，研究者采用利用具有“感知和响应” 的单层神经网络，该网络由径向基函数（RBF）组成，包含输入层，隐藏层和输出层。该算法将Vmem的变化映射到质子泵的先前H +刺激。使用此信息，ML算法决定是否应增大或减小特定单元格周围的[H +]以获得所需的Vmem值，并将控制电压（VH +）发送到阵列中的质子泵，从而关闭控制回路。实验表明，借助很少的先验知识，基于ML的控制器就可以快速适应未知情况并达到目标值。
广泛地讲，将生物电子学和机器学习结合在闭环生物混合系统中，在再生医学和合成生物学中具有许多潜在应用。论文通讯作者Rolandi指出，他提到：“该研究是使用生物电子学和机器学习来控制细胞功能的重要概念证明。这将有助于研究小组开发一种“智能绷带”，这是一种提供伤口再生的生物电子智能控制。”
