Molekularne konvolucione neuronske mreže sa DNK regulatornim kolima. (a) Levo: Arhitektura ConvNet-a. Desno: Šema principa rada ConvNet-a za zadatke prepoznavanja. (b) Nepoznati ulazni obrazac se dodaje u rastvor, nakon dodavanja DNK kola, fluorescentni signali se mogu očitati za prijavu rezultata prepoznavanja. (c) DNK-ConvNet može prepoznati osam kineskih proročišta. Autorska prava: Ksiong i dr.
Molekularno računarstvo je obećavajuća oblast istraživanja koja ima za cilj korišćenje bioloških molekula za kreiranje programabilnih uređaja. Ova ideja je prvi put predstavljena sredinom 1990-ih i od tada su je realizovali kompjuterski naučnici i fizičari širom sveta.
Istraživači sa East China Normal University i univerziteta Shanghai Jiao Tong nedavno su razvili molekularne konvolucione neuronske mreže (CNN – convolutional neural networks) zasnovane na sintetičkim regulatornim kolima DNK. Njihov pristup, predstavljen u radu objavljenom u Nature Machine Intelligence, savladava neke od izazova na koje se obično nailazi prilikom kreiranja efikasnih veštačkih neuronskih mreža zasnovanih na molekularnim komponentama.
„Presek računarstva i molekularne biologije je plodno tlo za novu i uzbudljivu nauku, a posebno je dizajn inteligentnih sistema dugogodišnji cilj naučnika“, je za TechXplore rekao Hao Pei, jedan od istraživača koji su sproveli studiju. „U poređenju sa mozgom, obim i računarska moć razvijenih DNK neuronskih mreža su ozbiljno ograničeni, zbog ograničene veličine mreže. Primarni cilj našeg rada je bio da povećamo računarsku moć DNK kola uvođenjem modela neuronske mreže odgovarajućeg za molekularne sisteme DNK.“
Dok su sprovodili svoje istraživanje, Pei i njegove kolege su otkrili da bi to moglo biti posebno obećavajuće za modeliranje DNK kola, zbog njihove retke topološke povezanosti, koja podseća na stvarne biološke neuronske mreže. Stoga su odlučili da koriste CNN da osmisle veliku neuronsku mrežu zasnovanu na DNK koja se sastoji od 512 sintetičkih DNK lanaca. Posebno, njihova predložena mreža proizvodi na hiljade hemijskih reakcija i generiše na stotine molekularnih vrsta.
„Naša grupa je bila fokusirana na precizno projektovanje i programiranje molekula nukleinskih kiselina, a mi smo dizajnirali i konstruisali seriju dinamičkih DNK nanostruktura koje bi potencijalno mogle da se koriste kao regulatorni elementi za izgradnju velikih kola“, objasnio je Pei. „U ovom radu koristimo dinamičku DNK nanostrukturu koja se zove prekidačka kapija, koja je funkcionalno slična ribo prekidačima u regulatornim krugovima gena, a svi se sastoje od dva nezavisna funkcionalna domena koja osećaju i reaguju na spoljne ulaze.“
Prekidačka kapija u mreži istraživača omogućava im da nezavisno kontrolišu njene funkcije prenosa signala i funkcije dodele težine kroz proces poznat kao intramolekularno konformaciono prebacivanje. Ovaj proces je posebno pogodan za podelu težine i retku povezanost CNN-a.
DNK kola funkcionišu unutar mreže istraživača, gde su sve računarske jedinice spremne da odgovore na ulaze. Jednom kada se ulazi unesu u rastvor, pojedinačni lanci DNK će pokrenuti kaskadne reakcije pomeranja lanca po redu.
Ove reakcije, vođene Gibsovom slobodnom energijom ili entropijom u sistemu, generišu odgovarajuće fluorescentne signale. Istraživači su kodirali sve uzorke testa koristeći skup pojedinačnih lanaca DNK i svaki od generisanih fluorescentnih signala predstavlja jedan od ovih test obrazaca.
„Proširili smo ključnu karakteristiku CNN – retke topologije i arhitekture deljenja težine na DNK neuronsku mrežu, koja može efikasno da smanji složenost i parametre mrežne arhitekture kroz retko povezane neurone“, rekao je Pei. „Da bismo implementirali ove karakteristike, dizajnirali smo arhitekturu prekidačke kapije koja se sastoji od dva nezavisna funkcionalna domena (domen podešavanja težine i domen prepoznavanja). Sa ovim dizajnom, možemo lako da promenimo dizajn sekvence odgovarajućeg funkcionalnog domena kako bi se uklopio u prilagođavanje mrežne arhitekture.“
Pristup zasnovan na CNN-u ima nekoliko prednosti u odnosu na prethodno predložene metode molekularnog računarstva. Prvo, njegova arhitektura prekidača može se koristiti za ugradnju molekularnih prekidača koji reaguju na ligand. Ovo bi omogućilo mreži da prilagodi svoje funkcije kao odgovor na promene životne sredine, potencijalno omogućavajući razvoj molekularnih kola koja liče na biološke neuronske mreže i sposobna je za „inteligentno“ ponašanje.
Pored toga, inherentna paralelna priroda molekula DNK mogla bi da omogući autonomnu paralelizaciju operacija CNN-a. Ovo bi moglo biti posebno vredno za postizanje skalabilne obrade informacija.
„Predložili smo sistematsku strategiju za implementaciju ConvNet algoritma na molekularnom nivou“, rekao je Pei. „Smatramo da je naš metod veliki napredak u sistemima za veštačku molekularnu obradu informacija, jer je postigao brze i tačne klasifikacije koje bi mogle da klasifikuju 32 molekularna obrasca u roku od 30 minuta, što bi moglo da bude najbrži, najmoćniji i najkompleksniji veštački hemijski računarski sistem do danas, koliko znamo“.
Nedavni rad Peija i njegovih kolega predstavlja alternativnu arhitekturu zasnovanu na DNK koja bi mogla da pruži informacije o dizajnu novih molekularnih računarskih sistema. U budućnosti, njihov pristup bi se mogao koristiti za kreiranje različitih molekularnih dijagnostičkih uređaja za biomedicinske aplikacije.
„Poređenjem senzornih ulaza, ConvNet zasnovan na DNK bi u principu mogao da koristi stotine ciljeva kao ulaze i olakša šire primene u dijagnostici bolesti, profilisanju obrazaca izraza i preciznoj medicini“, dodao je Pei. „Na osnovu ovog modela ConvNet zasnovanog na DNK, sada planiramo da napravimo molekularni klasifikator koji se može koristiti za dijagnostičku klasifikaciju više bolesti.“
Izvor: TechXplore