Molekuliniai konvoliuciniai neuroniniai tinklai su DNR reguliavimo grandinėmis. (a) Kairėje: ConvNet architektūra. Dešinėje: ConvNet atpažinimo užduočių veikimo principo schema. (b) Į tirpalą pridedamas nežinomas įvesties modelis, pridėjus DNR grandinę, galima nuskaityti fluorescencijos signalus ir pranešti atpažinimo rezultatus. (c) DNR-konvNet tinklas gali atpažinti aštuonis kinų orakulus. Kreditas: Xiong et al. Molekuliniai skaičiavimai yra perspektyvi tyrimų sritis, kuria siekiama panaudoti biologines molekules programuojamiems prietaisams kurti. Ši idėja pirmą kartą buvo pristatyta XX a. viduryje1990ir nuo to laiko ją įgyvendino keletas kompiuterių mokslininkų ir fizikų visame pasaulyje.
Rytų Kinijos normaliojo universiteto ir Šanchajaus Jiao Tong universiteto mokslininkai neseniai sukūrė molekulinius konvoliucinius neuroninius tinklus (CNN), pagrįstus sintetinėmis DNR reguliavimo grandinėmis. Jų metodas, pristatytas straipsnyje, paskelbtame žurnale Nature Machine Intelligence, padeda įveikti kai kuriuos iššūkius, su kuriais paprastai susiduriama kuriant efektyvius dirbtinius neuroninius tinklus, pagrįstus molekuliniais komponentais
„Kompiuterių mokslo ir molekulinės biologijos sankirta yra derlinga dirva naujiems ir įdomiems mokslams, ypač protingų sistemų kūrimas yra ilgalaikis mokslininkų tikslas”, – „TechXplore” sakė vienas iš tyrimą atlikusių mokslininkų Hao Pei. „Palyginti su smegenimis, sukurtų DNR neuroninių tinklų mastas ir skaičiavimo galia yra labai ribota dėl tinklo dydžio apribojimų. Pagrindinis mūsų darbo tikslas buvo padidinti DNR grandinių skaičiavimo galią, įvedant DNR molekulinėms sistemoms tinkamą neuroninių tinklų modelį.”
Atlikdami tyrimus Pei ir jo kolegos nustatė, kad DNR grandinėms modeliuoti ypač perspektyvūs galėtų būti reti topologiniai ryšiai, panašūs į realių biologinių neuroninių tinklų. Todėl jie nusprendė panaudoti CNN ir sukurti didelės apimties DNR pagrindu veikiantį neuroninį tinklą, sudarytą iš 512 sintetinių DNR gijų. Pažymėtina, kad jų pasiūlytas tinklas sukuria tūkstančius cheminių reakcijų ir generuoja šimtus molekulinių rūšių.
„Mūsų grupė daugiausia dėmesio skyrė būtent nukleino rūgščių molekulių inžinerijai ir programavimui, ir mes suprojektavome ir sukonstravome dinaminių DNR nanostruktūrų seriją, kurios potencialiai galėtų būti naudojamos kaip reguliavimo elementai didelėms grandinėms konstruoti”, – aiškino Pei. „Šiame darbe naudojame dinaminę DNR nanostruktūrą, vadinamą perjungiamaisiais vartais, kurie funkciškai panašūs į genų reguliavimo grandinėse esančius ribolaidžius – visus juos sudaro du nepriklausomi funkciniai domenai, jaučiantys ir reaguojantys į išorinius įėjimus.”
Tyrėjų tinkle esantys perjungiamieji vartai leidžia nepriklausomai valdyti jų signalų perdavimo funkcijas ir svorio priskyrimo funkcijas per procesą, vadinamą intramolekuliniu konformaciniu perjungimu. Šis procesas ypač tinka CNN svorių pasiskirstymui ir retam jungiamumui.”
DNR grandinės veikia tyrėjų tinkle, kuriame visi skaičiavimo vienetai yra pasirengę reaguoti į įėjimus. Kai tik įvestys bus pateiktos į tirpalą, atskiros DNR grandinės tam tikra tvarka sukels kaskadines grandinių poslinkio reakcijas
Šios reakcijos, skatinamos Gibso laisvosios energijos arba entropijos sistemoje, generuoja atitinkamus fluorescencinius signalus. Tyrėjai visus bandomuosius modelius užkodavo naudodami pavienių DNR gijų rinkinį, o kiekvienas sugeneruotas fluorescencijos signalas atitinka vieną iš šių bandomųjų modelių
.
„Pagrindinę CNN savybę – retą topologiją ir svorių pasiskirstymo architektūrą – išplėtėme į DNR neuroninį tinklą, kuris gali veiksmingai sumažinti tinklo architektūros sudėtingumą ir parametrus dėl retai sujungtų neuronų, – sakė Pei. „Šioms savybėms įgyvendinti sukūrėme perjungimo vartų architektūrą, sudarytą iš dviejų nepriklausomų funkcinių sričių (svorio derinimo srities ir atpažinimo srities). Naudodami šią konstrukciją, galime lengvai keisti atitinkamų funkcinių domenų sekos dizainą, kad jis atitiktų tinklo architektūros pritaikymą.”
CNN pagrįstas metodas turi keletą privalumų, palyginti su anksčiau pasiūlytais molekulinių skaičiavimų metodais. Pirma, jo perjungimo vartų architektūra gali būti naudojama į ligandus reaguojantiems molekuliniams jungikliams įterpti. Tai leistų tinklui pritaikyti savo funkcijas reaguojant į aplinkos pokyčius, o tai potencialiai leistų sukurti molekulines grandines, panašias į biologinius neuroninius tinklus ir galinčias elgtis „protingai”
Be to, iš prigimties lygiagretus DNR molekulių pobūdis leistų autonomiškai lygiagretinti CNN operacijas. Tai galėtų būti ypač vertinga siekiant mastelio informacijos apdorojimo.”
„Mes pasiūlėme sisteminę strategiją, kaip įgyvendinti ConvNet algoritmą molekuliniu lygmeniu, – sakė Pei. „Manome, kad mūsų metodas yra didelė pažanga dirbtinėse molekulinėse informacijos apdorojimo sistemose, nes juo buvo pasiekta greita ir tiksli klasifikavimo užduotis, kurią atlikus per 30 min. buvo galima klasifikuoti 32 molekulinius modelius, o tai, kiek mums žinoma, gali būti greičiausia ir galingiausia bei sudėtingiausia iki šiol sukurta dirbtinė cheminių skaičiavimų sistema.”
Naujausiame Pei ir jo kolegų darbe pristatoma alternatyvi DNR pagrįsta architektūra, kuri galėtų padėti kurti naujas molekulines skaičiavimo sistemas. Ateityje jų metodas galėtų būti naudojamas kuriant įvairius molekulinės diagnostikos prietaisus, skirtus biomedicinos reikmėms.
„Sujungus jutiminius įvesties duomenis, DNR pagrįstas „ConvNet” iš esmės galėtų naudoti šimtus taikinių kaip įvesties duomenis ir palengvintų platesnį taikymą ligų diagnostikoje, raiškos modelių profiliavime ir tiksliojoje medicinoje”, – pridūrė Pei. „Remdamiesi šiuo DNR pagrįstu „ConvNet” modeliu, dabar planuojame sukonstruoti molekulinį klasifikatorių, kuris galėtų būti naudojamas kelių ligų diagnostikos klasifikavimui.”
Daugiau informacijos: Xiewei Xiong et al, Molecular convolutional neural networks with DNA regulatory circuits, Nature Machine Intelligence (2022). DOI: 10.1038/s42256-022-00502-7
Wei Lai et al, Programming Chemical Reaction Networks Using Intramolecular Conformational Motions of DNA, ACS Nano (2018). DOI: 10.1021/acsnano.8b02864
Wei Lai et al, Nonlinear Regulation of Enzyme-Free DNA Circuitry with Ultrasensitive Switches, ACS Synthetic Biology (2019). DOI: 10.1021/acssynbio.9b00208
© 2022 Science X Network
Citavimas: The molecular implementation of a DNA-based artificial neuron network (2022, July 25) gauta 30 July 2022 from https://techxplore.com/news/2022-07-molecular-dna-based-artificial-neural-network.html
Šiam dokumentui taikomos autorių teisės. Be raštiško leidimo negalima atgaminti jokios jo dalies, išskyrus sąžiningą naudojimą asmeninių studijų ar mokslinių tyrimų tikslais. Turinys pateikiamas tik informaciniais tikslais.
