芝大+加州理工，联合Nature！一e测试

推荐使用微信扫码登录/注册

使用微信扫码，一键绑定微信，可更快速更及时
更方便的获得订单相关信息与优惠活动

芝大+加州理工，联合Nature！

2024-01-24 09:10:17 0 94

研究背景

神经网络的灵感来源于生物学中最精密的计算机--大脑，它是对计算原理的深刻重述。类似的高维、高度互联的计算架构也出现在活细胞内的信息处理分子系统中，如信号转导级联和遗传调控网络。在其他物理和化学过程中，甚至是那些表面上扮演非信息处理角色的过程中，是否也能更广泛地发现类似于神经计算的集体模式？

研究成果

在这里，芝加哥大学Arvind Murugan、Jackson O’Brien和加州理工学院Erik Winfree、Constantine Glen Evans研究了多组分结构自组装过程中的成核现象，表明高维浓度模式可以通过类似神经网络计算的方式进行区分和分类。具体来说，他们设计了一组 917 个 DNA 瓦片，它们能以三种不同的方式进行自组装，从而使竞争性成核敏感地取决于三种结构中高浓度瓦片的共定位程度。该系统经过计算机训练，可将一组 18 度灰 30 × 30 像素的图像分为三类。在实验中，150 h退火过程中和退火后的荧光和原子力显微镜测量结果表明，所有经过训练的图像都能正确分类，而图像变化测试集则检验了结果的稳健性。与以前的生化神经网络相比，他们的方法虽然速度较慢，但结构紧凑、稳健且可扩展。他们的发现表明的物理现象（如成核）在高维多组分系统中发生时，可能具有强大的信息处理能力。相关研究工作以“Pattern recognition in the nucleation kinetics of non-equilibrium self-assembly”为题发表在顶级期刊《Nature》上。

图文速递

图1. 成核模式识别的概念框架

在这里，他们将这种联系重新表述为异质成核动力学的固有特征，并利用 DNA 纳米技术通过实验证明了其在高维模式识别方面的能力。当相同的部件能以不同的几何排列形成多个不同的集合体时，就会出现这种现象。成核是通过自发形成临界种子进行的，种子随后长成结构。由于种子的成核率在很大程度上取决于种子中各组分的体积浓度，而且许多不同的种子和途径都可能是可行的，因此特定结构的总体形成率是浓度模式的复杂函数。此外，由于结构之间共享成分，对资源的竞争导致了赢家通吃（WTA）效应，从而加剧了集中模式之间的差异。

图2. 917种分子的多种混合物，可以从一组分子组装成三种不同的结构

为了通过实验探索这些原理，他们利用了 DNA 纳米技术为分子自组装编程提供的强大基础。Watson-Crick碱基配对的动力学和热力学已广为人知，这使得我们能够对 DNA 瓦片进行系统的序列设计，从而可靠地自组装成周期性、唯一寻址和算法模式化的结构，这些结构具有数百到数千种不同的瓦片类型。这些类型的自组装所产生的结构和相互作用的性质各不相同：在周期性和唯一寻址结构中，每个分子成分通常在每个方向上都有一个独特的可能结合伙伴。对于算法模式（如多元组装），一些成分有多个可能的结合伙伴，因此在自组装过程中，根据哪个成分与相邻瓦片形成的结合更多，来决定哪个成分连接在给定位置。

图3. 理论表明，当高浓度瓦片以一种形状共存时，选择性成核比以其他形状共存多

请看图 3 中的示例，SHAM 混合体中某些共享瓦片的浓度得到了提高。这些高浓度瓦片在结构A中共定位，但分散在H和M上。因此，这种模式将降低 A 的成核动力学势垒，同时保持 H 和 M 的高势垒。根据经典成核理论预测的临界种大小，可以估算出共聚促进成核的典型区域 K，在温度较高时，K 通常较大。因此，他们预计模式识别的速度和复杂性之间存在权衡，温度越高（K 越大），分辨能力越强--代价是实验速度越慢，而温度越低（K 越小），分辨能力越弱。

图4. 共享瓦片特定形状局部浓度模式实验中的选择性成核

为了在实验中表征选择性的基础，他们系统地测试了一系列 37 种浓度模式，他们称之为“旗帜”，因为每种模式都在其中一种形状的某处使用了高浓度的瓦片图案。他们没有提高形状所特有的瓦片的浓度，以避免对任何一种结构产生额外的热力学偏差。他们将温度从 48°C 缓慢降到 46°C（成核的预期范围，比熔化温度低几度），以确保不同位置的标记之间成核温度的稳健性，并探测缓慢偏离目标的成核。为了实时监测成核和生长情况，他们在每个形状上的四个位置的相邻瓦片上设计了不同的荧光团淬灭剂对，使用形状之间不共享的瓦片。当特定结构的局部区域聚集时，每对荧光团都会熄灭。

图5. 设计自组装相图，解决模式识别问题

他们迄今为止的工作表明，所有浓度模式的空间（包括未经过实验测试的模式）都由分别导致 H、A 和 M 各自选择性组装的区域组成。这些区域共同代表了这一自组装系统的相图，反映了它对浓度模式进行分类的决策。传统研究的物理系统的相界通常是低维的，不能有效地解释为决策边界，而在像他们这样的多组分异质系统中，相图自然是高维的。更一般地说，无序多体系统中的相界往往是复杂的，因此隐含地解决了复杂的模式识别问题，这一观点也是神经网络中Hopfield联想记忆的基础。

在这里，成核是根据分子在不同结构中的共定位来解决一个特殊的模式识别问题。Mosers研究的神经位置细胞中也存在类似的基于共定位的决策边界，其复杂程度足以解决模式识别问题，并允许进行统计上稳健的学习。在证明了多种自组装可以解决特定的模式识别问题之后，是否可以设计不同的分子来解决其他任务，如识别或分类图像？在这里，30 × 30 图像中每个像素位置的灰度值代表一种不同分子的浓度。为了解决上述难题，他们不需要合成具有新相互作用的新分子，而是通过优化选择像素-瓦片映射θ（指定哪个现有瓦片应对应哪个像素位置），证明可以利用现有分子解决设计问题。除了节省 DNA 合成成本外，这种方法还有助于证明，可以事后利用随机分子设计，通过修改问题映射到物理组件的方式来解决特定的计算问题，就像储层计算中的做法一样。

图6. 利用已有的多种系统进行模式识别的结果

在模式识别实验中，他们根据 18 幅训练图像中的每一幅图像（使用优化的 θ）提高了 SHAM 混合料中瓦片的浓度，并对 18 种混合料中的每一种进行了 150 h的退火，退火温度从 48°C 调至 45°C。经原子力显微镜成像和实时荧光淬灭验证，他们发现 18 幅训练图像产生了正确的晶核，即正确形状的晶核多于其他形状的晶核，而且除五种情况外，其他所有情况都具有高度（80% 以上）选择性。

结论与展望

他们的工作将复杂的信息处理作为一种新出现的现象，在这种现象中，自组装在多组分极限下获得了可编程和潜在可学习的相界，以解决特定的模式识别问题，这与早先大型 N 神经网络的结果类似。这种受神经网络启发的观点可能有助于他们认识高维分子系统中的信息处理，无论是在生物学还是在分子工程学中，这种信息处理都深深地纠缠在物理过程中：多组分液体凝结物、多组分活性物质和其他系统都可能具有类似的可编程和可学习的相界。

文章链接

原文链接：

https://www.nature.com/articles/s41586-023-06890-z

本文为e测试原创，未经允许，禁止转载！