非平衡生物物理过程的计算表达性限制

许多生物决策过程可被视为在各种化学与物理过程中执行输入集合上的分类任务的“生物硬件”。在此背景下，重要的是了解生物介质中实现的分类函数固有的计算表达性限制。本文将生化网络建模为马尔可夫跳跃过程，并训练它们以执行分类任务，从而允许我们检验它们的计算表达性。我们揭示了这些系统输入-输出函数的若干意外限制，并进一步展示了这些限制可通过类似于俘获结合的生化机制予以克服。我们分析了这些网络的灵活性和决策边界的锐度，以及它们的分类容量。此外，我们识别出经过分类训练的网络的独特特征，包括相关的 spanning tree 子集的出现以及能量景观的压实，形成多个谷底。我们的发现对理解和设计在生物和合成化学环境中的物理计算系统具有深远意义。