[论文解读] Differentiable Programming of Indexed Chemical Reaction Networks and Reaction-Diffusion Systems

Alexander Dack, Benjamin Qureshi+1 more|arXiv (Cornell University)|Jun 5, 2024

Gene Regulatory Network Analysis被引用 1

一句话总结

本文提出了一种新型纯化学系统——循环神经化学反应网络（RNCRNs），通过将基于感知器的循环人工神经网络嵌入化学反应网络，实现对任意动力学行为（如振荡、多稳态和混沌）的模拟。作者证明，当化学感知器数量充足且反应速率足够快时，RNCRNs 可系统性地近似任意表现良好的动力学系统，并通过 DNA 链置换技术展示了实验上可行的实现方案。

ABSTRACT

Many important phenomena in biochemistry and biology exploit dynamical features such as multi-stability, oscillations, and chaos. Construction of novel chemical systems with such rich dynamics is a challenging problem central to the fields of synthetic biology and molecular nanotechnology. In this paper, we address this problem by putting forward a molecular version of a recurrent artificial neural network, which we call recurrent neural chemical reaction network (RNCRN). The RNCRN uses a modular architecture - a network of chemical neurons - to approximate arbitrary dynamics. We first prove that with sufficiently many chemical neurons and suitably fast reactions, the RNCRN can be systematically trained to achieve any dynamics. RNCRNs with relatively small number of chemical neurons and a moderate range of reaction rates are then trained to display a variety of biologically-important dynamical features. We also demonstrate that such RNCRNs are experimentally implementable with DNA-strand-displacement technologies.

研究动机与目标

• 为解决设计合成化学系统以复现复杂非平衡动力学行为（如振荡、多稳态和混沌）的挑战。
• 克服现有神经化学反应网络的局限性，即仅能输出静态（平衡）行为，无法建模时变动力学。
• 开发一种完全基于化学的可训练系统，可利用成熟的分子技术（如 DNA 链置换）在实验中实现。
• 建立理论保证：在适当的网络规模和反应速度条件下，RNCRNs 可普遍近似任意表现良好的动力学系统。

提出的方法

• 提出一种模块化 RNCRN 架构，由执行物种（表示目标动力学）和化学感知器（通过质量作用动力学实现循环神经网络动力学）组成。
• 采用两阶段训练流程：第一阶段为准静态近似阶段，通过最小化损失函数来拟合稳态行为，优化权重和偏置；第二阶段为动力学近似阶段，进一步优化系统以匹配随时间演化的轨迹。
• 基于目标系统轨迹与 RNCRN 输出在时间区间 T 内的 L2 差异设计损失函数，对静态和动态近似分别设置独立容差。
• 引入速度控制参数 µ 以调节化学感知器的反应速率，确保其相对于目标动力学处于准静态工作状态。
• 采用数值积分（如 Runge-Kutta 方法）模拟目标动力系统和 RNCRN，支持类似反向传播的网络参数优化。
• 通过将 RNCRN 组件映射至 DNA 链置换反应，证明其在实验上的可行性，包括依赖于 toehold 的链交换和 toehold 开关逻辑。

实验结果

研究问题

• RQ1 能否设计一种完全基于化学的系统，以系统性方式近似任意表现良好的动力学系统，包括具有复杂特征（如振荡和混沌）的系统？
• RQ2 需要多少化学感知器以及多快的反应速率才能实现对目标动力学的精确近似？
• RQ3 RNCRNs 对初始条件的小扰动是否具有鲁棒性，还是会出现发散或不稳定现象？
• RQ4 RNCRNs 是否可利用成熟的分子技术（如 DNA 链置换）实现？

主要发现

• 当化学感知器数量充足且反应速率足够快时，RNCRNs 可普遍近似任意表现良好的目标动力学系统。
• 仅需中等数量的化学感知器及 1–100 s⁻¹ 范围内的反应速率，RNCRNs 即可成功复现复杂动力学行为，如极限环、多稳态和混沌吸引子。
• 系统对初始条件扰动高度敏感：当扰动幅度超过 η = 10% 时，系统收敛至目标平衡点 ±π/4 范围内的比例急剧下降，且在 η = 46% 时，辅助物种发散的情况在高达 40% 的案例中出现。
• 与不稳定的参考系统（49）相比，RNCRN 实现保持化学稳定，未出现发散，表明在相同条件下具备鲁棒性。
• RNCRN 架构可通过 DNA 链置换技术实现，所有必需组件（包括 toehold 开关、链置换级联和反馈回路）均在当前技术水平范围内。
• 两阶段训练算法成功收敛至动态近似误差 εD < εD 阈值，证实了训练 RNCRNs 以匹配复杂时变行为的可行性。