溶液中的分子展现出类似于大脑的行为
人工智能是无数小说和电影最初的灵感，也是无数科学家和工程师最终的梦想。如今，加州理工（Caltech）的科研人员在通往人工智能的道路上迈出了重要的一步——不是在机器人里、也不是在硅芯片上，而是在试管中。科研人员首次用DNA构造出的人工神经网络，是由相互作用的分子组成的电路，可以根据不完整的信息回想起相关的记忆，就像大脑可以做的那样。
“大脑是如此不可思议，”钱璐璐说。她是加州理工生物工程系的博士后， 7月21日《自然》杂志相关文章的第一作者。“它让我们辨别出事件间相互联系的方式，形成记忆，做出决定，并采取行动。所以我们提出了这样的问题：除了实质上相互连接的神经细胞组成的网络，溶液中相互作用的分子也可以展现出类似于脑的功能么？”
正如科研人员所展示的，这一问题的答案是肯定的。
在科研人员所构造的神经网络中，112种不同的DNA链组成四个相互联系的人工神经元。这一神经网络会玩一个猜心术的游戏。在这个游戏中，它试图辨认一个身份未知的科学家。科研人员“训练”这一神经网络来“认识”四位科学家，他们的身份由四个是非问题的答案来决定，例如这个科学家是不是英国人。
人类玩家先在心里默想一个科学家，提供一组不完整的是非问题的答案来暗示这个科学家的身份。对应于每一个“是”或者“不是”的答案，玩家将一个特定的DNA链加入到试管中，作为传达给神经网络的线索。而神经网络会根据这些线索来猜测玩家心里所想的是哪个科学家，并将结果通过荧光信号告诉给玩家。在某些情况下，神经网络会“说”，玩家提供的线索与它记忆中的多个科学家相符，或者这些线索与它所记得的信息相互矛盾。科研人员和这个试管中的神经网络玩了27次游戏，每次提供的线索都不相同（一共有81种组合的可能），而它每次都猜对了。
这一用DNA分子做成的神经网络所展示的能力，是根据不完整的信息来推测其可能表达的事物的能力，也是大脑所具备的独特能力之一。“我们所擅长的是识别事物，” Jehoshua Bruck说。他是文章的作者之一，计算神经系统系以及电子工程系的Gordon and Betty Moore教授。“我们只看到部分的特征，却可以据此来推测事物的全貌。”这一DNA神经网络所做的正是如此，尽管它的行为还很粗浅。
科研人员表示，具有人工智能的生化系统，或者至少是具有某些基本的决策能力的生化系统，可以在医药，化学以及生物领域带来不可估量的应用。在将来，这样的系统也许可以在细胞内工作，帮助回答根本的生物问题或者诊断疾病。如果一个生化过程能够对其他分子的存在做出智能响应，它将会允许工程师们一步一个分子的制造出日益复杂的化学物质，或者搭建出新的分子结构。
“虽然人工生化系统中的类似于脑的行为已经被猜想了几十年，”钱璐璐说，“但是实现起来却很困难。”
科研人员以一个简单的神经元的数学模型为基础来构造他们的生化神经网络，这个模型被称为线性阈值函数。模型中的神经元接收一组输入信号，对每个信号乘以正的或者负的权重，只有当所有的带权重的输入信号之和大于某个特定的阈值时，神经元才会兴奋并释放出一个输出信号。据文章的作者之一，计算机系、计算与神经系统系以及生物工程系的教授Erik Winfree解释，这个模型是真实的神经元的过度简化，尽管如此，它是一个很好的模型。“它一直以来都是一个非常有效的模型，通过它可以探索复杂的类似于脑的行为是如何由很多简单的计算元素相组合来实现的，例如联想记忆和模式完成的实现。”
科研人员采用一个被称为链置换级联的过程来构造DNA神经网络。不久之前，他们曾经用这一技术构造出目前最大、最复杂的DNA电路，一个可以计算平方根的电路。
这一方法用到单链和部分双链的DNA分子。部分双链是指，单链从双螺旋结构的末端像尾巴一样延伸出来。在水溶液中自由浮动时，一个单链会碰上一个部分双链，如果它们的碱基（DNA序列中的字母）是互配的，单链就会抓住双链的尾巴，缠绕上去并把另一条单链从双螺旋中踢走。由此，最初的单链充当了一个输入信号，而被取代的单链充当了一个输出信号，可以接着与其他分子相作用。
因为科研人员可以设计任意想要的碱基序列来合成DNA链，他们可以对这些分子间的相互作用进行编程，根据神经元的模型设计出DNA神经网络。通过调整网络中逐个DNA分子的浓度，科研人员可以教给它是非问题的答案，而这些答案组合在一起的不同模式分别决定了四个不同的科学家。不像某些人工神经网络可以直接从实例中学习，科研人员通过计算机模拟来决定将记忆植入DNA神经网络中所需的各分子浓度的水平。
实验的结果从原则上证明了以DNA分子组成的网络可以具有思考的能力，但是据科研人员介绍，这些人工神经网络是有局限的。人脑由一千亿个神经元组成，而研究人员称，构造即使只有40个DNA神经元的网络（10倍于实验中展示的网络）也将具有挑战性。此外，这些系统的运算速度很慢，试管中的神经网络需要8个小时来辨认一个身份未知的科学家。DNA分子在计算的过程中也被用尽，在任务完成之后将不能彼此分离、再去和不同的DNA链重新配对。所以这个游戏在同一个试管中只能玩一次。也许在将来，一个生化神经网络可以从重复多次的游戏中学习提高自身的能力，或者从新的环境中学习新的记忆。将生化神经网络从试管中转移到身体内运作，或者即使只是转移到培养皿中的细胞内，也有很长的路要走。因为细胞内复杂的分子环境将会给这一技术的应用带来完全不同的挑战。
在科技应用之外，对这些系统的设计也可以带给思维的进化过程以间接的认识。“在大脑进化之前，单细胞生物也具有一些基本的处理信息、根据环境的变化做出决定和行动的能力，”钱璐璐解释说。提供这些复杂行为的源泉必然是细胞内浮动的分子组成的网络。“也许高度进化的大脑和单细胞中有限的智能形式具有相似的计算规则，只是编程于不同的材料中而已。”
“我们的文章可以被理解为神经计算的原理在分子和细胞内层面的简单演示，”Bruck补充道。“一种可能的理解是，也许这些原理在生物信息处理的过程中是普遍存在的。”（生物探索编辑）
Caltech researchers have invented a method for designing systems of DNA molecules whose interactions simulate the behavior of a simple mathematical model of artificial neural networks.
生物探索推荐英文论文摘要：
Neural network computation with DNA strand displacement cascades
Abstract:
The impressive capabilities of the mammalian brain—ranging from perception, pattern recognition and memory formation to decision making and motor activity control—have inspired their re-creation in a wide range of artificial intelligence systems for applications such as face recognition, anomaly detection, medical diagnosis and robotic vehicle control1. Yet before neuron-based brains evolved, complex biomolecular circuits provided individual cells with the ‘intelligent’ behaviour required for survival. However, the study of how molecules can ‘think’ has not produced an equal variety of computational models and applications of artificial chemical systems. Although biomolecular systems have been hypothesized to carry out neural-network-like computations in vivo and the synthesis of artificial chemical analogues has been proposed theoretically, experimental work has so far fallen short of fully implementing even a single neuron. Here, building on the richness of DNA computing and strand displacement circuitry, we show how molecular systems can exhibit autonomous brain-like behaviours. Using a simple DNA gate architecture that allows experimental scale-up of multilayer digital circuits, we systematically transform arbitrary linear threshold circuits (an artificial neural network model) into DNA strand displacement cascades that function as small neural networks. Our approach even allows us to implement a Hopfield associative memory19 with four fully connected artificial neurons that, after training in silico, remembers four single-stranded DNA patterns and recalls the most similar one when presented with an incomplete pattern. Our results suggest that DNA strand displacement cascades could be used to endow autonomous chemical systems with the capability of recognizing patterns of molecular events, making decisions and responding to the environment.
Subject terms: Information technology, Neuroscience, Biotechnology, Molecular biology
Figure 1: The seesaw gate motif and the construction of linear threshold gates.
Figure 2: A linear threshold circuit that computes the three-bit XOR function.
Figure 3: A four-neuron Hopfield associative memory.
