Scalable Enumeration of Pareto-optimal Polymers for Computing Equilibrium Concentrations

In der mikroskopischen Welt der biotechnologischen Konstruktion bauen Wissenschaftler komplexe Maschinen aus DNA auf. Dabei handelt es sich nicht um die langen, verdrehten Stränge, die den genetischen Code in unseren Zellen tragen, sondern um kurze, synthetische Stücke, die darauf ausgelegt sind, sich in spezifischen Mustern zusammenzufügen. Wenn diese Teile aufeinandertreffen, binden sie aneinander und bilden größere Strukturen, sogenannte Komplexe. Das Ziel ist es, Systeme zu erschaffen, die Logik ausführen, ihre Umgebung wahrnehmen oder sich zu spezifischen Formen zusammensetzen können, ganz ähnlich einer molekularen Fabrik. Die Vorhersage des Verhaltens dieser Systeme ist jedoch unglaublich schwierig. Während ein Designer vielleicht mit einem kleinen Satz von DNA-Stücken beginnt, erlauben die Gesetze der Chemie diesen Stücken, sich auf unzählige Arten zu kombinieren, wodurch eine unendliche Anzahl möglicher Strukturen entsteht. Einige dieser Strukturen sind die beabsichtigten Produkte, aber viele sind unbeabsichtigte Nebenprodukte, die das System verstopfen oder zum Versagen bringen. Um sicherzustellen, dass diese molekularen Maschinen wie geplant funktionieren, müssen Forscher verstehen, welche Strukturen entstehen und in welchen Mengen, wenn das System einen Zustand des Gleichgewichts, bekannt als Äquilibrierung, erreicht.

Seit Jahrzehnten verlassen sich Wissenschaftler auf Computerprogramme, um diese Wechselwirkungen zu modellieren, aber diese Werkzeuge stoßen an ihre Grenzen, wenn die Systeme groß werden. Sie arbeiten, indem sie jeden möglichen Weg prüfen, auf dem sich die DNA-Stücke verbinden könnten – eine Aufgabe, die unmöglich wird, wenn die Anzahl der Kombinationen explodiert. Ein neuer Ansatz, der von Forschern der University of Texas at Austin und des Korea Advanced Institute of Science and Technology entwickelt wurde, bietet einen Weg, diese Komplexität zu durchbrechen, ohne an Genauigkeit einzubüßen. Anstatt zu versuchen, jede mögliche Struktur aufzulisten, konzentrierte sich das Team auf eine spezifische, kleinere Gruppe von Strukturen, die thermodynamisch stabil sind. Sie bewiesen, dass die überwiegende Mehrheit der zufälligen, instabilen Strukturen so unwahrscheinlich ist, dass sie in einem ausgeglichenen System auftreten würde, dass sie sicher ignoriert werden kann. Durch das Herausfiltern dieser unwahrscheinlichen Kandidaten reduzierten sie ein unendliches Problem auf ein endliches, was es möglich machte, Systeme zu analysieren, die zuvor zu groß für eine Untersuchung waren.

Die Forscher begannen mit der Definition eines Konzepts, das sie Pareto-Optimalität nennen. Vereinfacht ausgedrückt ist eine Struktur Pareto-optimal, wenn sie nicht in kleinere, unabhängige Teile zerlegt werden kann, ohne eine chemische Bindung zu brechen. Wenn ein großer Komplex in zwei separate Teile gespalten werden kann, die nicht aneinander haften müssen, gilt er als instabil. Die Gesetze der Physik bevorzugen die gespaltene Version, da dies mehr separate Einheiten schafft, was die Unordnung, oder Entropie, erhöht – ein entscheidender Treiber chemischer Reaktionen. Das Team demonstrierte mathematisch, dass diese instabilen, teilbaren Strukturen niemals im stabilsten, energiereichsten Zustand eines Systems auftreten. Darüber hinaus ist selbst in einem realen Szenario, in dem die Bedingungen nicht perfekt ideal sind, die Gesamtmenge dieser instabilen Strukturen im Vergleich zu den stabilen so gering, dass sie einen vernachlässigbaren Effekt auf das Gesamtergebnis haben. Dieser Befund ermöglichte es den Forschern, das unendliche Meer aus unmöglichen oder unwahrscheinlichen Strukturen auszusortieren und sich nur auf die endliche Menge der stabilen, Pareto-optimalen Polymere zu konzentrieren.

Um diese stabilen Strukturen zu finden, wandte das Team eine mathematische Disziplin namens Hilbert-Basis zu sich her an. Diese Methode ermöglicht es ihnen, die fundamentalen Bausteine eines Systems zu identifizieren, aus denen alle anderen gültigen Strukturen abgeleitet werden können. In der Vergangenheit wurde dieses mathematische Werkzeug nur für Systeme verwendet, bei denen jede mögliche Bindung gezwungenermaßen gebildet wurde – ein Szenario, das die unordentliche Realität der DNA-Chemie, in der Bindungen schwach oder unvollständig sein können, nicht widerspiegelt. Die Forscher erweiterten diese Methode, um diese realistischeren, ungesättigten Bedingungen zu handhaben. Sie zeigten, dass die Menge aller stabilen Strukturen exakt einer spezifischen Menge mathematischer Lösungen entspricht, was beweist, dass die Anzahl der relevanten Strukturen endlich ist und berechnet werden kann. Doch selbst mit dieser Reduktion blieb die Berechnung des vollständigen Satzes für große Systeme zu langsam für den praktischen Gebrauch. Die Anzahl der erforderlichen Berechnungen wuchs so schnell an, dass es für ein moderat komplexes System Jahre dauern würde, bis sie abgeschlossen wären.

Um dieses Geschwindigkeitsproblem zu lösen, führte das Team eine Strategie ein, die auf der Begrenzung der Größe der untersuchten Strukturen basiert. Sie argumentierten, dass in vielen technischen Systemen die wichtigsten Strukturen nicht aus allen verfügbaren Arten von DNA-Stücken bestehen, sondern aus einer kleineren Teilmenge. Sie entwickelten einen Algorithmus, der nach stabilen Strukturen sucht, die nicht mehr als eine bestimmte Anzahl verschiedener DNA-Typen enthalten – einen Parameter, den sie Support-Bound (Stützwert-Grenze) nennen. Anstatt jede mögliche Kombination dieser Typen zu prüfen, was immer noch zu viele wären, nutzten sie eine geschickte mathematische Technik namens Covering Design (Überdeckungsdesign). Diese Technik wirkt wie ein Sieb, das eine kleine, strategische Auswahl an Gruppen auswählt, um diese zu testen. Indem sie die komplexen Berechnungen nur auf diese ausgewählten Gruppen anwendeten, konnten sie den vollständigen Satz der relevanten Strukturen für das gesamte System rekonstruieren, ohne die Schwerstarbeit für jede einzelne Möglichkeit leisten zu müssen.

Die Wirksamkeit dieser Methode wurde an mehreren Familien von DNA-Systemen getestet, die in der jüngsten wissenschaftlichen Literatur beschrieben wurden, einschließlich linearer Ketten und baumartiger Strukturen von Logikgattern. In einem Test mit einer Kette aus sieben Modulen berechnete die neue Methode die relevanten Strukturen in nur 24 Sekunden. Eine direkte Brute-Force-Berechnung desselben Systems dauerte über 1.000 Sekunden, und für größere Systeme hätte die direkte Methode Stunden oder Tage gedauert, sofern sie überhaupt durchführbar gewesen wäre. Die Forscher fanden heraus, dass sie durch das Setzen eines Limits für die Anzahl der DNA-Typen auf eine moderate Zahl nahezu alle Strukturen wiedergewannen, die für das Verhalten des Systems wichtig waren. Die wenigen Strukturen, die sie übersahen, waren so selten, dass sie das vorhergesagte Ergebnis des Systems nicht veränderten. Dieser Ansatz ermöglichte es ihnen, eine detaillierte Leakage-Analyse (Leckage-Analyse) durchzuführen, um zu prüfen, wie viel unbeabsichtigtes Produkt entsteht, wenn Eingaben entfernt werden – eine Aufgabe, die zuvor für Systeme mit mehr als ein paar Modulen unmöglich war.

Die Arbeit bietet einen praktischen Weg nach vorn für das Design komplexer molekularer Systeme. Durch die Kombination einer thermodynamischen Rechtfertigung für das Ignorieren instabiler Strukturen mit einem skalierbaren Algorithmus, der mathematisches Sieben nutzt, haben die Forscher es möglich gemacht, DNA-Systeme zu analysieren, die zuvor außer Reichweite lagen. Ihre Methode erfordert nicht, dass das System perfekt ist oder die Bindungen stark sind; sie funktioniert auch dann, wenn die Chemie schwach und unvollständig ist. Die Fähigkeit, ein kleines Maß an theoretischer Vollständigkeit gegen einen massiven Gewinn an Geschwindigkeit einzutauschen, gibt Ingenieuren ein neues Werkzeug an die Hand, um ihre Entwürfe zu verifizieren, bevor sie sie im Labor bauen. Während sich das Feld des DNA-Computings in Richtung größerer und komplizierterer Maschinen bewegt, wird diese Fähigkeit, Gleichgewichtskonzentrationen effizient vorherzusagen, entscheidend sein, um sicherzustellen, dass diese molekularen Geräte wie beabsichtigt funktionieren.