[論文レビュー] Pattern recognition in the nucleation kinetics of non-equilibrium self-assembly

Constantine G. Evans, Jackson O’Brien+2 more|arXiv (Cornell University)|Jul 13, 2022

Advanced Memory and Neural Computing参考文献 62被引用数 4

ひとこと要約

本論文は、多成分DNA自己集合における核生成が、DNAタイルの高次元的濃度パターンを通じて30×30グレースケール画像を3つのカテゴリに分類することで、パターン認識を実現できることを示している。イン・シリコでのトレーニングと150時間にわたる実験的検証を通じて、システムはすべてのトレーニング画像を正しく分類し、変動に対して耐性を示した。これにより、複雑系における核生成動力学が、コンactでスケーラブルかつノイズに強い挙動を示す神経計算を模倣できることを明らかにした。

ABSTRACT

Inspired by biology's most sophisticated computer, the brain, neural networks constitute a profound reformulation of computational principles. Remarkably, analogous high-dimensional, highly-interconnected computational architectures also arise within information-processing molecular systems inside living cells, such as signal transduction cascades and genetic regulatory networks. Might neuromorphic collective modes be found more broadly in other physical and chemical processes, even those that ostensibly play non-information-processing roles such as protein synthesis, metabolism, or structural self-assembly? Here we examine nucleation during self-assembly of multicomponent structures, showing that high-dimensional patterns of concentrations can be discriminated and classified in a manner similar to neural network computation. Specifically, we design a set of 917 DNA tiles that can self-assemble in three alternative ways such that competitive nucleation depends sensitively on the extent of co-localization of high-concentration tiles within the three structures. The system was trained in-silico to classify a set of 18 grayscale 30 x 30 pixel images into three categories. Experimentally, fluorescence and atomic force microscopy monitoring during and after a 150-hour anneal established that all trained images were correctly classified, while a test set of image variations probed the robustness of the results. While slow compared to prior biochemical neural networks, our approach is surprisingly compact, robust, and scalable. This success suggests that ubiquitous physical phenomena, such as nucleation, may hold powerful information processing capabilities when scaled up as high-dimensional multicomponent systems.

研究の動機と目的

• 非平衡自己集合における核生成が、ニューラルネットワークに類似した複雑なパターン認識を実行できるかどうかを調査すること。
• 高次元的濃度パターンを分類し、明確な構造的結果を生み出すDNAベースの分子系を設計すること。
• 制御されたタイル濃度分布を通じて、核生成選択性をトレーニングし、特定の画像パターンを認識できるようにすること。
• 物理的にコンactでエネルギー効率の良いシステムにおける分子的パターン認識の耐性およびスケーラビリティを評価すること。
• 生物学的計算と合成分子系との間の概念的・実験的ブリッジを確立すること。

提案手法

• 本システムは、競合的核生成経路を介して3つの異なる2次元構造（H、A、M）を形成できる917種類の固有のDNAタイル型を用いる。
• ピクセルからタイルへのマッピングにより、画像のピクセルがタイル型に割り当てられ、高輝度ピクセルは高濃度タイルに対応する。
• イン・シリコでのトレーニングでは、核生成モデルを用いてエネルギー障壁を予測し、各画像に対して目的の構造の核生成を促進するタイル濃度パターンを最適化する。
• 実験的検証では、150時間にわたる熱的アンニューリングを実施し、蛍光モニタリングで核生成の開始時刻を追跡し、AFM像で最終構造を確認する。
• 共有タイルの枯渇によって引き起こされるウィナーテイクアラルメカニズムを活用し、目的構造への選択性を高める。
• 耐性は画像の変種を用いてテストされ、複数のリピートと温度上昇速度の違いとの間で結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 多成分自己集合系における核生成動力学は、ニューラルネットワークに類似した複雑なパターン認識を実行できるか？
• RQ2 分子成分の高次元的濃度パターンは、複雑な入力パターンをどのように符号化し、分類できるか？
• RQ3 本システムは、入力画像パターンの変化に直面しても、選択性と耐性をどのように維持するか？
• RQ4 核生成障壁の低減と、高濃度成分の空間的コロケーションの関係は何か？
• RQ5 物理的にコンパクトでデジタルでない分子系は、自己集合におけるキネティック選択性を通じて学習に類似した挙動を達成できるか？

主な発見

• すべての18枚のトレーニング画像がシステムによって正しく分類され、それぞれのケースで目的の構造への核生成が優位に進行した。
• 画像の変種を用いたテストにおいても、システムは正しく分類を維持し、変動に対して耐性を示した。
• 蛍光測定およびAFM測定により、核生成が予測された温度で発生し、最終構造が目的の形状と一致することが確認された。
• 核生成モデルは、ターゲットアセンブリの開始を正確に予測でき、予測されたと観測されたクエンチング時間の間に相関が観察された。
• 共有タイル成分の枯渇によって駆動されるウィナーテイクアラル効果により、選択性が顕著に向上し、競合構造間のクロストークが低減した。
• 1枚の画像セットあたり10回の繰り返し実験において、システムの性能は一貫しており、90%信頼区間から高い再現性が示された。