Reagensglass kunstige neurale netværk genkender molekylær håndskrift

Forskere ved Caltech har udviklet et kunstigt neuralt netværk lavet af DNA, der kan løse et klassisk maskinlæringsproblem:korrekt identifikation af håndskrevne tal. Arbejdet er et væsentligt skridt i at demonstrere evnen til at programmere kunstig intelligens i syntetiske biomolekylære kredsløb.

Arbejdet blev udført i Lulu Qians laboratorium, adjunkt i bioteknik. Et papir, der beskriver forskningen, vises online den 4. juli og i det trykte nummer af tidsskriftet den 19. juli Natur .

"Selvom forskere kun lige er begyndt at udforske at skabe kunstig intelligens i molekylære maskiner, dets potentiale er allerede ubestrideligt, " siger Qian. "I lighed med hvordan elektroniske computere og smartphones har gjort mennesker dygtigere end for hundrede år siden, kunstige molekylære maskiner kunne lave alle ting lavet af molekyler, måske endda maling og bandager, mere dygtige og mere lydhøre over for miljøet i de kommende hundrede år."

Kunstige neurale netværk er matematiske modeller inspireret af den menneskelige hjerne. På trods af at de er meget forenklede sammenlignet med deres biologiske modstykker, kunstige neurale netværk fungerer som netværk af neuroner og er i stand til at behandle kompleks information. Qian-laboratoriets ultimative mål for dette arbejde er at programmere intelligent adfærd (evnen til at beregne, træffe valg, og mere) med kunstige neurale netværk lavet af DNA.

"Mennesker har hver især over 80 milliarder neuroner i hjernen, hvormed de træffer meget sofistikerede beslutninger. Mindre dyr som rundorme kan træffe enklere beslutninger ved hjælp af blot et par hundrede neuroner. I dette arbejde, vi har designet og skabt biokemiske kredsløb, der fungerer som et lille netværk af neuroner for at klassificere molekylær information væsentligt mere kompleks end tidligere muligt, " siger Qian.

For at illustrere evnen til DNA-baserede neurale netværk, Qian laboratoriestuderende Kevin Cherry valgte en opgave, der er en klassisk udfordring for elektroniske kunstige neurale netværk:at genkende håndskrift.

Menneskelig håndskrift kan variere meget, og så når en person gransker en skriblet sekvens af tal, hjernen udfører komplekse beregningsopgaver for at identificere dem. Fordi det kan være svært selv for mennesker at genkende andres sjuskede håndskrift, identifikation af håndskrevne tal er en almindelig test til programmering af intelligens i kunstige neurale netværk. Disse netværk skal "læres", hvordan man genkender tal, tage højde for variationer i håndskrift, sammenligne derefter et ukendt nummer med deres såkaldte hukommelser og afgør nummerets identitet.

I arbejdet beskrevet i Natur papir, Kirsebær, hvem er den første forfatter på avisen, demonstreret, at et neuralt netværk lavet af omhyggeligt designede DNA-sekvenser kunne udføre foreskrevne kemiske reaktioner for nøjagtigt at identificere "molekylær håndskrift." I modsætning til visuel håndskrift, der varierer i geometrisk form, hvert eksempel på molekylær håndskrift har faktisk ikke form af et tal. I stedet, hvert molekylært nummer består af 20 unikke DNA-strenge valgt blandt 100 molekyler, hver tildelt til at repræsentere en individuel pixel i et hvilket som helst 10 gange 10 mønster. Disse DNA-strenge blandes sammen i et reagensglas.

"Manglen på geometri er ikke ualmindeligt i naturlige molekylære signaturer, men kræver stadig sofistikerede biologiske neurale netværk for at identificere dem:f.eks. en blanding af unikke lugtmolekyler omfatter en lugt, " siger Qian.

Givet et særligt eksempel på molekylær håndskrift, DNA-neuralnetværket kan klassificere det i op til ni kategorier, hver repræsenterer et af de ni mulige håndskrevne cifre fra 1 til 9.

Først, Cherry byggede et DNA-neuralt netværk for at skelne mellem håndskrevne 6'ere og 7'ere. Han testede 36 håndskrevne numre, og reagensrørets neurale netværk identificerede dem alle korrekt. Hans system har teoretisk set evnen til at klassificere over 12, 000 håndskrevne 6'ere og 7'ere - 90 procent af disse tal taget fra en database med håndskrevne numre, der bruges i vid udstrækning til maskinlæring - ind i de to muligheder.

Afgørende for denne proces var at indkode en "vinder tage alt" konkurrencestrategi ved hjælp af DNA-molekyler, udviklet af Qian og Cherry. I denne strategi, en bestemt type DNA-molekyle, kaldet annihilatoren, blev brugt til at udvælge en vinder, da identiteten af ​​et ukendt nummer blev bestemt.

"Annihilatoren danner et kompleks med et molekyle fra en konkurrent og et molekyle fra en anden konkurrent og reagerer for at danne inert, ikke-reaktive arter, " siger Cherry. "Annihilatoren spiser hurtigt alle konkurrerende molekyler, indtil der kun er en enkelt konkurrerende art tilbage. Den vindende konkurrent genoprettes derefter til en høj koncentration og producerer et fluorescerende signal, der indikerer netværkets beslutning."

Næste, Cherry byggede på principperne i sit første DNA-neurale netværk for at udvikle et endnu mere komplekst, en, der kunne klassificere enkeltcifrede numre 1 til 9. Når der gives et ukendt nummer, denne "smarte suppe" ville gennemgå en række reaktioner og udsende to fluorescerende signaler, for eksempel, grøn og gul for at repræsentere en 5, eller grøn og rød for at repræsentere en 9.

Qian og Cherry planlægger at udvikle kunstige neurale netværk, der kan lære, danner "minder" fra eksempler tilføjet til reagensglasset. Denne måde, Qian siger, den samme smarte suppe kan trænes til at udføre forskellige opgaver.

"Almindelig medicinsk diagnostik opdager tilstedeværelsen af ​​nogle få biomolekyler, for eksempel kolesterol eller blodsukker." siger Cherry. "Ved at bruge mere sofistikerede biomolekylære kredsløb som vores, diagnostisk test kan en dag omfatte hundredvis af biomolekyler, med analysen og responsen udført direkte i det molekylære miljø."

Artiklen har titlen "Opskalering af molekylær mønstergenkendelse med DNA-baserede vinder-tag-alt neurale netværk."