[논문 리뷰] Pattern recognition in the nucleation kinetics of non-equilibrium self-assembly

Constantine G. Evans, Jackson O’Brien외 2명|arXiv (Cornell University)|2022. 07. 13.

Advanced Memory and Neural Computing참고 문헌 62인용 수 4

한 줄 요약

이 논문은 다성분 DNA 자가조립에서의 핵형성 현상이 DNA 테일의 고차원적 농도 패턴을 통해 30×30 회색조 이미지를 세 가지 카테고리로 분류함으로써 패턴 인식을 수행할 수 있음을 입증한다. 150시간에 걸친 시뮬레이션 기반 학습과 실험적 검증을 통해 시스템은 모든 훈련 이미지를 정확히 분류했으며, 변동에 대해서도 뛰어난 내성을 보였으며, 이는 복잡한 시스템에서의 핵형성 동역학이 작고 확장 가능하며 노이즈에 강한 행동을 보이며 신경망을 모방할 수 있음을 시사한다.

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.

연구 동기 및 목표

• 비평형 자가조립에서의 핵형성이 신경망과 유사한 복잡한 패턴 인식을 수행할 수 있는지 탐구하는 것.
• 고차원적 농도 패턴을 구분하는 구조적 결과로 분류할 수 있는 DNA 기반 분자 시스템을 설계하는 것.
• 핵형성 선택성이 제어된 테일 농도 분포를 통해 특정 이미지 패턴을 인식하도록 학습될 수 있음을 검증하는 것.
• 물리적으로 작고 에너지 효율적인 시스템에서 분자 기반 패턴 인식의 내성과 확장 가능성을 평가하는 것.
• 생물학적 계산과 합성 분자 시스템 간의 개념적이고 실험적인 다리를 구축하는 것.

제안 방법

• 시스템은 917종의 고유한 DNA 테일 유형을 사용하여 경쟁적 핵형성 경로를 통해 세 가지의 고유한 2차원 구조(H, A, M)로 조립된다.
• 픽셀-테일 매핑은 이미지 픽셀을 테일 유형에 할당하며, 고강도 픽셀은 고농도 테일에 해당한다.
• 시뮬레이션 기반 학습은 핵형성 모델을 사용하여 운동적 장벽을 예측하고, 각 이미지에 대해 목표 구조의 핵형성을 유도하는 테일 농도 패턴을 최적화한다.
• 실험적 검증은 150시간에 걸친 열처리를 통해 수행되며, 핵형성 시작 시점을 모니터링하기 위해 형광 측정을 실시하고, 최종 구조를 확인하기 위해 AFM 영상 촬영을 실시한다.
• 공유 테일의 고갈을 통해 승자 한 명이 모든 것을 차지하는 메커니즘이 구현되어 목표 구조의 선택성이 향상된다.
• 내성은 이미지 변형을 사용하여 테스트하고, 여러 반복 및 온도 상승 속도 간의 결과를 비교한다.

실험 결과

연구 질문

• RQ1 다성분 자가조립 시스템에서의 핵형성 동역학이 신경망과 유사한 복잡한 패턴 인식을 수행할 수 있는가?
• RQ2 분자 구성 요소의 고차원적 농도 패턴이 복잡한 입력 패턴을 어떻게 인코딩하고 분류할 수 있는가?
• RQ3 시스템이 입력 이미지 패턴의 변형에 직면했을 때 선택성과 내성을 유지하는 방식은 무엇인가?
• RQ4 핵형성 장벽 감소와 시스템 내 고농도 구성 요소의 공간적 공존 간의 관계는 어떠한가?
• RQ5 물리적으로 작고 비디지털인 분자 시스템이 자가조립의 운동적 선택을 통해 학습 유사 행동을 달성할 수 있는가?

주요 결과

• 모든 18개의 훈련 이미지가 시스템에 의해 정확히 분류되었으며, 각 경우에서 목표 구조의 핵형성이 유리하게 유도되었다.
• 시스템은 이미지 변형에 대해 뛰어난 내성을 보였으며, 수정된 입력에 대한 테스트 세트에서도 정확한 분류를 유지했다.
• 형광 측정 및 AFM 측정 결과, 핵형성이 예측된 온도에서 발생했고, 최종 구조는 목표 형태와 일치함을 확인했다.
• 핵형성 모델은 목표 구조 조립의 시작 시점을 정확히 예측했으며, 예측된 시간과 관측된 억제 시간 간 상관관계가 관찰되었다.
• 공유 테일 성분 고갈에 의해 유도된 승자 한 명이 모든 것을 차지하는 효과는 선택성을 크게 향상시키고, 경쟁 구조 간의 교란을 감소시켰다.
• 각 이미지 세트에 대해 10회의 반복 실험에서 시스템 성능은 일관되었으며, 90% 신뢰구간은 높은 재현 가능성을 시사했다.