二聚化网络中的演化化学学习

我们提出了一种基于竞争性二聚化网络（CDN）的化学学习新框架——在该系统中，多种分子种类（例如蛋白质或 DNA/RNA 寡聚体）可逆地结合形成二聚体。我们证明，这些网络可以通过定向进化在体外进行训练，从而无需数字硬件或显式参数调整即可实现诸如多类分类等复杂的学习任务。每种分子种类的功能类似于神经元，结合亲和力充当可调节的突触权重。一个涉及基于 DNA 组分的突变、选择和扩增的训练协议，使得 CDN 能够稳健地区分噪声输入模式。由此产生的分类器表现出强大的输出对比度以及输入与输出之间的高互信息，尤其是在对比度增强损失函数的引导下。与计算机模拟的梯度下降训练的比较分析显示出高度相关的性能。这些结果确立了 CDN 作为模拟物理计算的一个有前景的平台，连接了合成生物学和机器学习，并推动了自适应、节能分子计算系统的发展。