Нейронная сеть на основе ДНК учится на примерах для решения задач

Нейронные сети — это вычислительные системы, созданные для имитации структуры и функций человеческого мозга. Исследователи из Калтеха разработали нейронную сеть, созданную из цепочек ДНК, а не электронных компонентов, которая проводит вычисления с помощью химических реакций, а не цифровых сигналов.

Важное свойство любой нейронной сети — способность учиться, принимая информацию и сохраняя её для будущих решений. Теперь исследователи из лаборатории Лулу Цянь, профессора биоинженерии, создали нейронную сеть на основе ДНК, которая может обучаться. Эта работа представляет собой первый шаг к демонстрации более сложного обучающего поведения в химических системах.

Статья с описанием исследования опубликована в журнале Nature 3 сентября. Первым автором исследования является Кевин Черри, Ph.D.

Способность к обучению существует на разных уровнях: наш мозг перестраивает связи для интеграции новой информации, иммунная система химически кодирует информацию о встречах с патогенами, а даже одноклеточные бактерии учатся простой информации о химических градиентах и используют её для движения к пище. Обучение — ключевой компонент интеллекта, будь то естественного или искусственного; например, «умные» устройства могут изучать ваши предпочтения и предлагать персонализированные рекомендации.

«Наша цель состояла в том, чтобы с нуля построить молекулярную систему, которая могла бы принимать примеры, находить в них закономерности, а затем действовать на основе новой, ранее не встречавшейся информации», — говорит Цянь. «Представьте себе будущую искусственную клетку, у которой в качестве учителя выступает биологическая клетка. Она наблюдает, как учитель реагирует на различные молекулярные сигналы, сохраняет этот опыт и — в ходе многих уроков — понимает, как самостоятельно реагировать на похожие, но не идентичные сигналы».

В 2018 году Черри и Цянь создали нейронную сеть на основе ДНК, которая могла распознавать рукописные цифры, закодированные с помощью ДНК в виде химических паттернов. Поскольку даже людям бывает сложно разобрать небрежный почерк других, распознавание рукописных цифр — это распространённый тест для программирования интеллекта в классических электронных искусственных нейронных сетях. Эти сети должны учитывать вариации в почерке, затем сравнивать неизвестный паттерн со своими так называемыми «воспоминаниями» и решать, какую цифру представляет изображение.

В системе Черри и Цянь вместо цифровых пикселей, составляющих цифру, каждое молекулярное «изображение» состояло из 20 уникальных цепочек ДНК, назначенных для представления отдельного пикселя в паттерне 10 на 10. При проектировании ДНК-системы классический компьютер использовался для определения того, сколько каждого молекулярного ингредиента необходимо для представления воспоминаний.

Новое исследование развивает эту работу, создавая систему, которая может «формировать» собственные воспоминания, закодированные в химических сигналах, называемых молекулярными связями. Эти связи можно химически «включать» для хранения информации. Когда система сталкивается с молекулярным примером рукописной цифры, она активирует набор связей, каждая из которых представляет собой соединение между цифрой и её физическими идентифицирующими признаками.

Со временем система накапливает физическую запись того, чему она научилась, которая хранится в концентрациях определённых молекул ДНК. Концепция аналогична тому, как учится человеческий мозг. (В нейробиологии есть поговорка: «Нейроны, которые возбуждаются вместе, связываются вместе». В данном случае связь является молекулярной, а воспоминания живут в самой химии.)

Каждая нейронная сеть может выполнять свои вычисления для идентификации цифр в крошечной капле, содержащей миллиарды цепочек ДНК более чем тысячи типов. Каждый тип цепочки был спроектирован с нуля так, чтобы реагировать только с определёнными целевыми партнёрами при определённых условиях. Когда каскад химических реакций завершается, система возвращает результат. Например, если молекулярное изображение распознаётся как рукописный «0», производится флуоресцентный сигнал, соответствующий результату, например, красный для 0 и синий для 1.

«Наш путь к обучающейся ДНК-нейронной сети занял семь лет — и он был далеко не прямым», — говорит Черри. «В сложной молекулярной системе устранение одной проблемы было похоже на заделку течи в дамбе, после которой тут же открывалась другая. Вместо того чтобы решать проблемы по одной, нам нужно было отступить, увидеть всю картину целиком, а затем разработать решения, которые одновременно решали бы все проблемы.

Это был смелый шаг, потому что он означал начало с нуля. С новым, целостным дизайном мы наконец достигли того, к чему стремились: молекулярной системы, которая может учиться. Оглядываясь назад, наука научила нас чему-то большему: самые сложные проблемы требуют как широкого взгляда, так и смелости начать всё заново, когда ставки наиболее высоки».

Эта работа закладывает основу для будущей разработки «умных» лекарств, которые могут адаптироваться в реальном времени к патогенным угрозам, или «умных» материалов, которые могут обучаться и адаптироваться к внешним условиям (например, повязка, которая учится на сигналах вашей собственной кожи и реагирует, способствуя более быстрому заживлению ран).