Нейросетевые системы — это вычислительные системы, которые имитируют структуру и функции человеческого мозга. Исследователи из Калифорнийского технологического института разработали нейронную сеть, состоящую из цепочек ДНК вместо электронных компонентов. Эта сеть выполняет вычисления с помощью химических реакций, а не цифровых сигналов.
Важным свойством любой нейронной сети является способность к обучению, то есть к восприятию информации и её сохранению для принятия решений в будущем. Исследователи в лаборатории Лулу Цянь, профессора биоинженерии, создали нейронную сеть на основе ДНК, которая может обучаться. Эта работа представляет собой первый шаг к демонстрации более сложных форм обучения в химических системах.
Статья, описывающая исследование, опубликована в журнале Nature 3 сентября. Кевин Черри, доктор философии, является первым автором исследования.
Способность к обучению проявляется на разных уровнях: наш мозг перестраивается для интеграции новой информации, иммунная система химически кодирует информацию о встречах с патогенами для будущего, и даже одноклеточные бактерии получают простую информацию о химических градиентах и используют её для навигации к пище.
«Наша цель состояла в том, чтобы создать молекулярную систему с нуля, которая могла бы воспринимать примеры, находить основные закономерности и затем действовать на основе новой информации, которую она никогда раньше не видела», — говорит Цянь. «Представьте себе будущую искусственную клетку с биологической клеткой в качестве учителя. Она наблюдает, как учитель реагирует на различные молекулярные сигналы, сохраняет этот опыт и — в ходе многих уроков — выясняет, 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 в ДНК в виде химических паттернов. Поскольку даже людям бывает трудно распознать чужой небрежный почерк, идентификация рукописных цифр является распространённым тестом на программирование интеллекта в классических электронных искусственных нейронных сетях.
В системе Черри и Цяня вместо цифровых пикселей, составляющих число, каждое молекулярное «изображение» состояло из 20 уникальных цепочек ДНК, которым было поручено представлять отдельный пиксель в паттерне размером 10 на 10. При разработке ДНК-системы классический компьютер использовался для определения количества каждого молекулярного ингредиента, необходимого для представления воспоминаний.
Новая система может «развивать» собственные воспоминания, закодированные в химических сигналах, называемых молекулярными проводами. Эти провода могут быть химически активированы для хранения информации. Когда система встречает молекулярный пример рукописного числа, она активирует набор проводов, каждый из которых представляет связь между числом и его физическими идентифицирующими признаками.
Со временем система создаёт физическую запись того, что она узнала, которая хранится в концентрациях определённых молекул ДНК. Эта концепция аналогична тому, как человеческий мозг учится. (В нейронауке есть поговорка: «Клетки, которые срабатывают вместе, соединяются вместе». В этом случае соединение является молекулярным, а воспоминания живут в самой химии.)
Каждая нейронная сеть может выполнять вычисления для идентификации чисел в крошечной капле, содержащей миллиарды цепочек ДНК более чем тысячи типов. Каждый тип цепи был разработан с нуля так, чтобы реагировать только с определёнными предполагаемыми партнёрами при определённых условиях. Когда каскад химических реакций завершается, система выдаёт результат. Например, если молекулярное изображение распознаётся как рукописный «0», генерируется флуоресцентный сигнал, соответствующий результату, например, красный для 0 и синий для 1.
«Наш путь к созданию обучающейся нейронной сети на основе ДНК занял семь лет — и путь был далеко не прямым», — говорит Черри. «В сложной молекулярной системе устранение одной проблемы было похоже на заделку течи в плотине только для того, чтобы где-то ещё открылась другая течь. Вместо того чтобы решать задачи по очереди, нам нужно было сделать шаг назад и увидеть всю картину, а затем разработать решения, которые решали бы все задачи одновременно».
Работа закладывает основу для создания в будущем «умных» лекарств, которые могут адаптироваться в режиме реального времени к патогенным угрозам, или «умных» материалов, которые могут учиться и адаптироваться к внешним условиям (например, повязки, которая учится на сигналах вашей кожи и способствует более быстрому заживлению ран).
Предоставлено:
California Institute of Technology
Другие новости по теме
- Новая шкала биологии: массивы данных помогают в борьбе со сверхбактериями
- Обогащённые питательными веществами морские травы могут накапливать больше углерода, но избыток удобрений может привести к их гибели
- Китайские учёные раскрыли скрытый кризис вымирания местной флоры
- Платформа высокопроизводительного фенотипирования раскрывает генетические основы эволюции морфологии колоса пшеницы
- Метод roll-to-roll упрощает секвенирование ДНК, делая его более быстрым и эффективным
- Корма на растительной основе не являются полноценными по составу, но могут подойти при добавлении добавок, говорится в исследовании
- Кошки тоже могут страдать деменцией. Вот восемь признаков, на которые стоит обратить внимание.
- Несмотря на облачное небо, пчёлы всё равно могут использовать солнце для навигации.
- Как происходит разложение тел? Учёные-криминалисты из Кейптауна расширяют границы новых методов обнаружения
- Многоцентровое исследование показывает, что больницы США сильно различаются в определении загрязнения образцов для посева крови
Другие новости на сайте
- Блокчейн TRON выбран Министерством торговли США для публикации экономических данных
- Метод глубокого обучения позволяет эффективно генерировать выборку распределения Больцмана в непрерывном диапазоне температур
- BTC превысил отметку в $112 тыс., когда поддерживаемый Трампом американский биткоин дебютировал на Nasdaq.
- Автоматический инструмент для быстрого и масштабного профилирования модификаций РНК, связанных с заболеваниями
- Новый генеративный подход искусственного интеллекта к прогнозированию химических реакций
- Новая шкала биологии: массивы данных помогают в борьбе со сверхбактериями
- CoreWeave приобретает стартап OpenPipe, занимающийся обучением агентов
- Сдвиг в сфере DAT: почему биотехнологические компании включаются в игру с криптовалютными активами?
- REI распродает шапки-бини от The North Face, Patagonia, Smartwool и других брендов со скидкой до 58%.
- Новый биокаталитический метод позволяет создать библиотеку новых молекул для разработки лекарств