Onderzoekers van Caltech hebben een kunstmatig neuraal netwerk ontwikkeld van DNA dat een klassiek machine learning-probleem kan oplossen:het correct identificeren van handgeschreven nummers. Het werk is een belangrijke stap in het aantonen van de capaciteit om kunstmatige intelligentie in synthetische biomoleculaire circuits te programmeren.

Het werk werd gedaan in het laboratorium van Lulu Qian, assistent-professor bio-engineering. Een paper waarin het onderzoek wordt beschreven, verschijnt online op 4 juli en in het gedrukte nummer van 19 juli van het tijdschrift Natuur .

"Hoewel wetenschappers nog maar net zijn begonnen met het onderzoeken van het creëren van kunstmatige intelligentie in moleculaire machines, zijn potentieel is al onmiskenbaar, ", zegt Qian. "Net als hoe elektronische computers en smartphones de mens capabeler hebben gemaakt dan honderd jaar geleden, kunstmatige moleculaire machines kunnen alle dingen van moleculen maken, misschien zelfs met verf en verband, in de komende honderd jaar beter in staat en beter inspelen op het milieu."

Kunstmatige neurale netwerken zijn wiskundige modellen die zijn geïnspireerd op het menselijk brein. Ondanks dat ze veel vereenvoudigd zijn in vergelijking met hun biologische tegenhangers, kunstmatige neurale netwerken functioneren als netwerken van neuronen en zijn in staat om complexe informatie te verwerken. Het uiteindelijke doel van het Qian-laboratorium voor dit werk is het programmeren van intelligent gedrag (het vermogen om te berekenen, Maak keuzes, en meer) met kunstmatige neurale netwerken gemaakt van DNA.

"Mensen hebben elk meer dan 80 miljard neuronen in de hersenen, waarmee ze zeer geavanceerde beslissingen nemen. Kleinere dieren zoals rondwormen kunnen eenvoudiger beslissingen nemen met slechts een paar honderd neuronen. In dit werk, we hebben biochemische circuits ontworpen en gemaakt die functioneren als een klein netwerk van neuronen om moleculaire informatie te classificeren die aanzienlijk complexer is dan voorheen mogelijk was, ' zegt Qian.

Om de mogelijkheden van op DNA gebaseerde neurale netwerken te illustreren, Qian laboratoriumstudent Kevin Cherry koos een taak die een klassieke uitdaging is voor elektronische kunstmatige neurale netwerken:het herkennen van handschrift.

Het menselijk handschrift kan sterk variëren, en dus wanneer een persoon een gekrabbelde reeks getallen onder de loep neemt, de hersenen voeren complexe rekentaken uit om ze te identificeren. Omdat het zelfs voor mensen moeilijk kan zijn om het slordige handschrift van anderen te herkennen, het identificeren van handgeschreven nummers is een veel voorkomende test voor het programmeren van intelligentie in kunstmatige neurale netwerken. Deze netwerken moeten worden "geleerd" getallen te herkennen, rekening houden met variaties in handschrift, vergelijk vervolgens een onbekend nummer met hun zogenaamde herinneringen en bepaal de identiteit van het nummer.

In het werk beschreven in de Natuur papier, Kers, wie is de eerste auteur van het papier, toonde aan dat een neuraal netwerk gemaakt van zorgvuldig ontworpen DNA-sequenties voorgeschreven chemische reacties zou kunnen uitvoeren om "moleculair handschrift" nauwkeurig te identificeren. In tegenstelling tot visueel handschrift dat varieert in geometrische vorm, elk voorbeeld van moleculair handschrift heeft niet echt de vorm van een getal. In plaats daarvan, elk molecuulnummer bestaat uit 20 unieke DNA-strengen gekozen uit 100 moleculen, elk toegewezen om een ​​individuele pixel in een patroon van 10 bij 10 te vertegenwoordigen. Deze DNA-strengen worden in een reageerbuis met elkaar vermengd.

"Het gebrek aan geometrie is niet ongebruikelijk in natuurlijke moleculaire handtekeningen, maar vereist nog steeds geavanceerde biologische neurale netwerken om ze te identificeren:bijvoorbeeld, een mengsel van unieke geurmoleculen omvat een geur, ' zegt Qian.

Gegeven een specifiek voorbeeld van moleculair handschrift, het neurale netwerk van DNA kan het in maximaal negen categorieën indelen, elk staat voor een van de negen mogelijke handgeschreven cijfers van 1 tot 9.

Eerst, Cherry heeft een neuraal DNA-netwerk gebouwd om onderscheid te maken tussen handgeschreven 6's en 7's. Hij testte 36 handgeschreven getallen en het neurale netwerk van de reageerbuis identificeerde ze allemaal correct. Zijn systeem heeft theoretisch het vermogen om meer dan 12 te classificeren, 000 handgeschreven 6s en 7s - 90 procent van die getallen uit een database met handgeschreven getallen die veel worden gebruikt voor machine learning - in de twee mogelijkheden.

Cruciaal voor dit proces was het coderen van een 'winner take all'-competitiestrategie met behulp van DNA-moleculen, ontwikkeld door Qian en Cherry. Bij deze strategie een bepaald type DNA-molecuul genaamd de annihilator werd gebruikt om een ​​winnaar te selecteren bij het bepalen van de identiteit van een onbekend aantal.

"De annihilator vormt een complex met één molecuul van één concurrent en één molecuul van een andere concurrent en reageert om inert, niet-reactieve soorten, " zegt Cherry. "De annihilator eet snel alle concurrerende moleculen op totdat er nog maar een enkele concurrerende soort overblijft. De winnende concurrent wordt vervolgens teruggebracht naar een hoge concentratie en produceert een fluorescerend signaal dat de beslissing van de netwerken aangeeft."

Volgende, Cherry bouwde voort op de principes van zijn eerste neurale DNA-netwerk om een ​​nog complexer, een die enkelcijferige nummers 1 tot en met 9 kan classificeren. Wanneer een onbekend nummer wordt gegeven, deze "slimme soep" zou een reeks reacties ondergaan en twee fluorescerende signalen afgeven, bijvoorbeeld, groen en geel om een ​​5 te vertegenwoordigen, of groen en rood om een ​​9 te vertegenwoordigen.

Qian en Cherry zijn van plan om kunstmatige neurale netwerken te ontwikkelen die kunnen leren, het vormen van "herinneringen" van voorbeelden die aan de reageerbuis zijn toegevoegd. Op deze manier, Qian zegt, dezelfde slimme soep kan worden getraind om verschillende taken uit te voeren.

"Gemeenschappelijke medische diagnostiek detecteert de aanwezigheid van enkele biomoleculen, bijvoorbeeld cholesterol of bloedglucose", zegt Cherry. "Met behulp van meer geavanceerde biomoleculaire circuits zoals de onze, diagnostische tests kunnen op een dag honderden biomoleculen omvatten, met de analyse en respons die rechtstreeks in de moleculaire omgeving wordt uitgevoerd."

Het artikel is getiteld "Opschalen van moleculaire patroonherkenning met op DNA gebaseerde winnaar-neem-allemaal neurale netwerken."