Nature | DNA 神经网络中的监督学习

学习使得生物体能够从简单的起点发展出复杂而多样的行为。理解分子系统中的学习原理，有望赋予非生命物理系统类似的能力。研究人员受到大脑信息处理方式的启发，建立了神经计算的理论基础，并探索其与分子系统的结合。然而，在此前的分子电路研究中，学习往往通过计算机模拟完成，实验系统本身并不具备自主学习能力。研究人员在此展示，DNA 分子可以在体外被编程为自主执行监督学习，能够从分子输入与期望输出的示例中学习模式分类。实验表明，DNA 神经网络能够在体外训练过程中整合分子浓度作为记忆，并利用这些记忆处理新的测试数据。该成果说明分子电路可以学习超越简单自适应行为的任务，为未来具备嵌入式学习与决策能力的分子机器打开了可能性。

学习是推动适应性和生存能力的核心机制。在生物体水平上，神经重塑和突触可塑性帮助大脑形成记忆并进行决策；在细胞水平上，免疫系统通过与病原体的交互学习来增强反应；在分子水平上，细菌中的生化电路可以记忆环境条件，以优化生存。

受到这些自然过程的启发，研究人员逐渐在理论与实验上探索生物学习算法与人工分子网络之间的联系。DNA 电路（如转录-翻译电路、链置换电路和 DNA 瓦片组装等）已被开发用于模式识别和分类。然而，过去的实验系统大多局限于简单的自适应行为，信号数量不超过十几个。研究人员的目标是开发一种能够在分子层面自主执行复杂信息处理任务的系统。

为实现真正意义上的学习，而不仅仅是适应，分子系统需要满足若干特征：

• 独立性：能直接解释分子输入，无需外部翻译。

• 整合性：能记住新示例而不覆盖旧记忆。

• 泛化性：能处理未见过的测试数据。

• 稳定性：能长期保留记忆。

此外，还需具备准确性、可复用性和灵活性。研究人员开发的 DNA 神经网络已实现前四个特征，为未来更高级的分子学习系统奠定基础。

研究人员提出了一种将 DNA 神经网络与化学反应机制结合 的方法，实现了体外的监督学习。训练阶段，输入模式和标签激活特定分子权重，形成“记忆”；测试阶段，存储的分子权重与新输入作用，计算加权和，并通过“胜者为王”机制输出分类结果。其过程类似于“通过记忆学习”，与 Hebb 学习和聚类算法在概念上相似，但在分子系统中实现更为直接。

研究人员设计了两类新型的可激活门：

• 权重门：能够放大并存储输入信号，充当可调节的记忆单元。实验显示其具备良好的灵敏度与特异性。

• 学习门：负责将输入与标签信息整合，并生成激活信号。实验结果表明，该设计具有不可逆性和高特异性，可防止错误学习。

荧光动力学实验和串扰测试验证了这些门控单元的性能，确保系统能在多分子环境中准确运行。

研究人员首先利用计算机生成的权重对 DNA 神经网络进行测试，结果表明系统能够正确分类手写数字（如 0 和 1，3 和 4，6 和 7）的一部分样本。这证明 DNA 神经网络可以作为“现场可编程装置”，通过不同的激活器实现不同分类任务。

进一步的实验表明，DNA 神经网络能够存储训练样本形成记忆，并在测试阶段利用这些记忆对新样本进行分类。这标志着系统具备了真正的“学习”能力，而不仅仅是执行预设规则。

在对手写数字的实验中，研究人员展示 DNA 神经网络能够学习两个类别的 100 位模式。荧光动力学数据显示，系统能够稳定保留已学权重，并在不同训练顺序下保持鲁棒性。测试阶段，网络能够对新样本给出正确分类结果，且性能受未使用记忆单元数量的影响。这表明系统在复杂任务中仍能维持有效的泛化能力。

研究人员测试了不同复杂度下的网络表现，从 4 位模式扩展到 100 位模式。结果显示，随着规模扩大，性能有所下降，但通过优化分子设计与反应条件，系统能够维持在较高准确度水平。这验证了 DNA 神经网络在理论上具备扩展潜力。

该研究首次展示了 DNA 神经网络可以在体外实现监督学习，不仅能记忆和分类分子模式，还能在一定程度上进行泛化和稳定存储。这使得 DNA 电路超越了简单的自适应行为，朝着具备嵌入式学习与决策能力的分子机器迈进。

研究人员指出，该系统具备良好的鲁棒性和可重复性，即使在使用未经纯化的 DNA 组分时也能稳定运行。同时，该方法成本低、易于操作，为未来应用提供了可行路径。

然而，DNA 神经网络的学习目前仍依赖带标签的示例，未来需要探索无监督学习，使系统能够在自然分子环境中自主进化。同时，现有设计为一次性学习机制，如何实现可持续计算与可复用性仍是关键挑战。

展望未来，DNA 神经网络有望在多个领域应用：

• 医学诊断与治疗：可记忆疾病标志物，提高治疗的智能化。

• 智能材料：可根据历史刺激调整性能，实现自适应。

• 人工细胞：赋予其环境学习与自主决策能力。

研究人员认为，这一进展为智能分子系统开辟了新方向，有望推动分子治疗与可编程活性材料等领域的发展。

Cherry, K.M., Qian, L. Supervised learning in DNA neural networks. Nature (2025). 

https://doi.org/10.1038/s41586-025-09479-w