[论文解读] 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 4

一句话总结

本文展示了多组分DNA自组装中的成核过程可通过DNA tile的高维浓度模式，对30×30灰度图像进行三类分类，实现模式识别。通过150小时的仿真训练与实验验证，系统正确分类了所有训练图像，并对变化表现出鲁棒性，揭示了复杂系统中成核动力学可模拟神经计算，具备紧凑、可扩展且抗噪声的特性。

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.

研究动机与目标

• 探索非平衡自组装中的成核过程是否能实现类似于神经网络的复杂模式识别。
• 设计一种基于DNA的分子系统，能够将高维浓度模式分类为不同的结构结果。
• 验证通过控制tile浓度分布，成核选择性可被训练以识别特定图像模式。
• 评估在物理紧凑、能效高的系统中，分子模式识别的鲁棒性与可扩展性。
• 在生物计算与合成分子系统之间建立概念与实验的桥梁。

提出的方法

• 该系统使用917种独特的DNA tile类型，通过竞争性成核路径可组装成三种不同的二维结构（H、A、M）。
• 像素到tile的映射将图像像素分配给tile类型，高亮度像素对应高浓度tile。
• 仿真训练通过成核模型预测能垒，优化tile浓度模式，以促进每张图像的目标结构成核。
• 实验验证通过150小时的热退火完成，结合荧光监测追踪成核起始时间，以及AFM成像确认最终结构。
• 系统通过共享tile耗尽实现赢家通吃机制，增强对目标结构的选择性。
• 通过图像变化测试鲁棒性，并在多个重复实验与不同升温速率下比较结果。

实验结果

研究问题

• RQ1 多组分自组装系统中的成核动力学能否实现类似于神经网络的复杂模式识别？
• RQ2 高维分子组分浓度模式在在多大程度上能够编码并分类复杂输入模式？
• RQ3 当面对输入图像模式变化时，系统如何维持选择性与鲁棒性？
• RQ4 成核能垒降低与高浓度组分在系统中的空间共定位之间存在何种关系？
• RQ5 一个物理紧凑的非数字分子系统能否通过自组装中的动力学选择实现类似学习的行为？

主要发现

• 所有18张训练图像均被系统正确分类，每张图像的成核均优先形成目标结构。
• 系统对图像变化表现出鲁棒性，在修改后的测试集中仍保持正确分类。
• 荧光与AFM测量结果证实，成核发生在预测温度，且最终结构与目标形状一致。
• 成核模型准确预测了目标组装的起始时间，预测与观测的淬灭时间之间存在相关性。
• 由共享tile组分耗尽驱动的赢家通吃效应显著增强了选择性，并减少了竞争结构间的串扰。
• 每组图像的10次重复实验中，系统性能一致，90%置信区间表明结果具有高度可重复性。