In-molecule machine learning with microfluidic integrated DNA neural computing

Seit Jahrzehnten träumen Wissenschaftler davon, Computer aus den Molekülen zu bauen, die das Leben ausmachen. Die Idee ist, DNA, den chemischen Code der Vererbung, nicht nur zur Speicherung von Informationen zu nutzen, sondern um Berechnungen durchzuführen. In einem herkömmlichen Computer verarbeiten Siliziumchips Daten mittels Elektrizität. In einem molekularen Computer verarbeiten chemische Reaktionen Daten. Wäre ein solches System erfolgreich, könnte es biologische Proben direkt analysieren, etwa eine Krankheit diagnostizieren, indem es spezifische genetische Marker erkennt, ohne dass die Probe in ein entferntes Labor geschickt werden muss. Doch lange Zeit steckten diese molekularen Computer in einer fundamentalen physikalischen Falle fest. Wenn man verschiedene DNA-Stränge in einem einzigen Behälter mischt, bewegen sie sich zufällig und stoßen durch Zufall zusammen. Wenn die Anzahl der verschiedenen Stränge zunimmt, beginnen sie miteinander zu interferieren und erzeugen eine chaotische Suppe, in der die beabsichtigten Berechnungen im Rauschen verloren gehen. Diese Zufälligkeit hielt die molekulare Computertechnik klein und einfach, unfähig, die komplexen Aufgaben zu bewältigen, die moderne künstliche Intelligenz mit Leichtigkeit erledigt.

Ein Forscherteam hat nun einen Weg gefunden, aus dieser Falle auszubrechen, indem es die Umgebung verändert, in der die Chemie stattfindet. Anstatt die DNA-Stränge frei in einem großen Flüssigkeitspool schwimmen zu lassen, fingen sie winzige Flüssigkeitstropfen ein, die jeweils einen spezifischen Satz an DNA-Anweisungen enthielten, innerhalb eines mikroskopischen Chips. Sie bauten dann ein System, das in der Lage war, diese Tropfen mit der Präzision eines Roboterarms zu bewegen, jedoch auf einer Skala, die für das menschliche Auge zu klein ist. Durch die präzise Steuerung, welche Tropfen wann aufeinandertreffen, verwandelten die Forscher eine chaotische chemische Mischung in eine strukturierte, programmierbare Maschine. Dieses neue Gerät, das sie einen DNA-kodierten mikrofluidischen integrierten Schaltkreis nennen, führte erfolgreich komplexe Mustererkennungsaufgaben durch, wie etwa das Identifizieren handgeschriebener Buchstaben und Zahlen, und diagnostizierte sogar verschiedene Arten von Krebs aus menschlichen Blutproben. Die Arbeit zeigt, dass es möglich ist, groß angelegte, intelligente Systeme unter Verwendung biologischer Moleküle aufzubauen, vorausgesetzt, man kann ihre Bewegung mit derselben Präzision steuern, die Ingenieure für elektronische Schaltkreise verwenden.

Der Kern dieses Durchbruchs liegt darin, wie die Forscher die chemischen Reaktionen organisierten. In der Vergangenheit mussten Wissenschaftler, die molekulare Computer bauen wollten, alle ihre Zutaten in ein einziges Reagenzglas mischen. Dieser Ansatz, bekannt als homogene Reaktion, beruht auf Diffusion, bei der Moleküle zufällig umherwandern, bis sie einen Partner finden. Während dies für einfache Aufgaben funktioniert, versagt es, wenn das System groß wird, da die Moleküle beginnen, sich gegenseitig zu stören. Das neue System ersetzt dieses einzelne Reagenzglas durch ein riesiges Array aus winzigen, isolierten Kompartimenten. Die Forscher erschufen eine Bibliothek von „molekularen Chiplets“, bei denen es sich um mikroskopisch kleine Flüssigkeitstropfen handelt, die jeweils eine spezifische DNA-Komponente enthalten. Einige Tropfen enthielten die Eingabedaten, andere die Regeln für die Berechnung und andere die Teile, die benötigt werden, um ein sichtbares Signal zu erzeugen. Diese Chiplets wurden in Reservoirs auf einem spezialisierten Chip aufbewahrt.

Um diese Chiplets zusammenwirken zu lassen, nutzten die Forscher ein Gitter aus winzigen Elektroden unter der Oberfläche des Chips. Durch das Anlegen elektrischer Signale an bestimmte Elektroden konnten sie die Tropfen mit Nanoliterpräzision drücken, ziehen und verschmelzen. Ein Nanoliter ist eine unglaublich kleine Menge Flüssigkeit, etwa in der Größe eines Staubkorns. Diese elektrische Steuerung ermöglichte es dem System, wie eine fluidische Version einer Standard-Computerarchitektur zu agieren. Die Reservoirs dienten als Speicher, die die Bibliothek der Chiplets aufbewahrten. Die Reaktionskammern fungierten als Prozessor, in dem die chemischen Berechnungen stattfanden. Die externe Elektronik diente als Controller, der entschied, welche Tropfen wann bewegt werden sollten. Dieser Aufbau ermöglichte es den Forschern, ein Computerprogramm in eine Sequenz physischer Bewegungen zu kompilieren. Der Computer würde die notwendigen Tropfen abrufen, sie zu einer Reaktionskammer transportieren und sie verschmelzen, um eine spezifische Berechnung durchzuführen, ohne dass die Moleküle jemals in einer chaotischen Mischung verloren gingen.

Mit dieser Plattform demonstrierte das Team, dass sie ein neuronales Netzwerk – eine Art von Computerprogramm, das vom menschlichen Gehirn inspiriert ist – vollständig aus DNA aufbauen können. Sie setzten ein Netzwerk zusammen, das aus 144 distinkten DNA-Neuronen bestand und durch über 2.300 einzelne Tropfenbewegungen verbunden war. Dieses Netzwerk wurde darauf ausgelegt, 36 verschiedene handgeschriebene Symbole zu erkennen, einschließlich der Zahlen Null bis Neun und der Buchstaben des Alphabets. Als die Forscher dem System Bilder dieser Symbole einspeisten, die als Vorhandensein oder Abwesenheit spezifischer DNA-Stränge kodiert waren, identifizierte das Netzwerk das korrekte Zeichen in mehr als 80 Prozent der Fälle. Dies war ein bedeutender Fortschritt, da es zeigte, dass ein molekulares System die Komplexität eines Convolutional Neural Network bewältigen kann, eines Typs von Deep-Learning-Algorithmus, der in traditionellen chemischen Systemen schwer zu implementieren ist. Der Erfolg beruhte auf der Fähigkeit, die verschiedenen Teile des Netzwerks isoliert zu halten, bis der exakte Moment des Interaktionsbedarfs eintrat, um das sogenannte Crosstalk zu verhindern, das solche Systeme bisher in ihrer Größe begrenzt hatte.

Über die Mustererkennung hinaus zeigten die Forscher, dass ihr System lernen und sich anpassen kann. Sie programmierten den Chip, um ein überwachtes Lernen (Supervised Learning) durchzuführen, einen Prozess, bei dem das System seine Leistung verbessert, indem es seine eigenen Fehler korrigiert. In diesem Experiment wurde das System darauf trainiert, zwischen drei verschiedenen handgeschriebenen Formen zu unterscheiden. Der Prozess beinhaltete, dass das System eine Vermutung anstellte, diese Vermutung mit der korrekten Antwort verglich und dann die Verbindungen zwischen seinen DNA-Neuronen physisch neu anordnete, um seinen nächsten Versuch zu verbessern. Die Forscher beobachteten, dass das System seine internen Gewichte, die die Stärke der Verbindungen zwischen Neuronen repräsentieren, anpassen konnte und schließlich eine Genauigkeit von 100 Prozent bei der Erkennung der Formen erreichte. Dies demonstrierte, dass die Plattform nicht nur ein statischer Rechner, sondern eine dynamische Maschine ist, die zur Selbstoptimierung durch physische Rekonfiguration fähig ist.

Die unmittelbarste Anwendung dieser Technologie zeigte sich im Bereich der medizinischen Diagnostik. Das Team nutzte seinen molekularen Computer, um klinische Blutserumproben zu analysieren, um verschiedene Arten von Krebs zu detektieren und zu klassifizieren. Sie entwarfen einen zweistufigen Entscheidungsprozess. Zuerst bestimmte eine Support Vector Machine, ein Typ von Algorithmus, der zur Klassifizierung verwendet wird, ob eine Probe von einer gesunden Person oder einem Krebspatienten stammt. Falls die Probe als krebsartig identifiziert wurde, bestimmte ein zweites neuronales Netzwerk die spezifische Krebsart und unterschied dabei zwischen Lungen-, Leber- und Eierstockkrebs. Das System wurde an Proben von fünfzehn Patienten und fünf gesunden Kontrollpersonen getestet. Es identifizierte Krebs korrekt in 90 Prozent der Fälle und unterschied die spezifische Krebsart in 90 Prozent der positiven Fälle präzise. Das System wies zudem eine sehr hohe Spezifität auf, indem es gesunde Proben in nahezu allen Fällen korrekt als gesund identifizierte. Diese Ergebnisse legen nahe, dass die Technologie schließlich dazu verwendet werden könnte, tragbare, automatisierte Diagnosegeräte zu schaffen, die komplexe biologische Proben direkt am Point-of-Care analysieren können.

Die Bedeutung dieser Arbeit reicht über die spezifischen Ergebnisse der Experimente hinaus. Sie etabliert einen neuen Engineering-Rahmen für das molekulare Computing, der die physische Hardware vom logischen Programm trennt. In der traditionellen molekularen Computertechnik war das Design des chemischen Netzwerks eng mit der physischen Mischung gekoppelt, was die Skalierung erschwerte. In diesem neuen System ist die Hardware eine wiederverwendbare Plattform aus Elektroden und Reservoirs, während das „Programm“ lediglich ein Satz von Anweisungen ist, die der Maschine sagen, welche Tropfen sie bewegen soll. Diese Entkopplung bedeutet, dass dieselbe phsische Vorrichtung darauf umprogrammiert werden kann, völlig unterschiedliche Aufgaben auszuführen – von der Erkennung von Handschrift bis hin zur Diagnose von Krankheiten – indem man einfach die Software ändert, die die Tropfenbewegungen steuert. Die Forscher merkten an, dass die derzeitigen Einschränkungen primlich mit der Dichte der Elektroden auf dem Chip zusammenhängen und nicht mit den chemischen Interaktionen selbst, was darauf hindeutet, dass weitere Verbesserungen in der Fertigung zu noch größeren und komplexeren molekularen Computern führen könnten.

Dieser Ansatz adressiert auch eine langjährige Herausforderung auf diesem Gebiet: die Unfähigkeit, Zeitpunkt und Ort molekularer Interaktionen zu kontrollieren. Indem die Forscher die Reaktionen auf diskrete Tropfen beschränkten und diese nur bei Bedarf bewegten, eliminierten sie die Zufälligkeit, die frühere Versuche geplagt hatte. Das System arbeitet als ein Nicht-Gleichgewichtsprozess, was bedeutet, dass es ständig durch externe Energie angetrieben wird, um seine Struktur und Funktion aufrechtzuerhalten, anstatt auf das passive Setzen von Molekülen zu vertrauen. Diese aktive Kontrolle ermöglicht ein Maß an Präzision und Zuverlässigkeit, das im biologischen Kontext zuvor unerreichbar war. Die Fähigkeit, Millionen von Operationen parallel auszuführen, indem Tausende von Tropfen gleichzeitig bewegt werden, öffnet die Tür zur Verarbeitung biologischer Informationen in einem Maßstab, der der Komplexität lebender Systeme entspricht.

Die Forscher sehen eine Zukunft vor, in der diese Technologie mit automatisierten Modulen zur Extraktion und Amplifikation von genetischem Material aus biologischen Proben integriert wird. Dies würde ein geschlossenes System schaffen, das in der Lage ist, eine Rohprobe, wie etwa einen Tropfen Blut, zu nehmen und eine diagnostische Antwort ohne jegliches menschliches Eingreifen zu liefern. Während das aktuelle System externe Ausrüstung benötigt, um die Elektroden zu steuern und die Ergebnisse zu lesen, bieten die hier demonstrierten Prinzipien einen klaren Weg hin zu vollautonomen, intelligenten Biosensoren. Die Arbeit behauptet nicht, alle Probleme des molekularen Computings gelöst zu haben, aber sie hat eine fundamentale Barriere beseitigt, die das Wachstum des Feldes verhindert hat. Indem sie bewiesen haben, dass groß angelegte, komplexe neuronale Netze vollständig aus DNA und Mikrofluidik gebaut und gesteuert werden können, haben die Forscher gezeigt, dass der Traum vom molekularen maschinellen Lernen keine bloße theoretische Möglichkeit mehr ist, sondern eine praktische Realität.

Die Auswirkungen für Medizin und Biologie sind tiefgreifend. Wenn molekulare Computer klein und kostengünstig genug gemacht werden können, könnten sie direkt in medizinische Geräte oder sogar in den Körper selbst eingebettet werden, um die Gesundheit in Echtzeit zu überwachen. Sie könnten die frühesten Anzeichen von Krankheiten durch die Analyse der chemischen Signaturen von Zellen erkennen und so eine Sensitivität bieten, die aktuelle elektronische Sensoren nicht erreichen können. Die Fähigkeit, komplexe Berechnungen direkt an biologischen Molekülen durchzuführen, bedeutet, dass die Analyse in der nativen Umgebung der Daten stattfinden kann, was die zeitaufwendige und fehleranfällige Probenvorbereitung überflüssig macht. Dies könnte die Art und Weise, wie Krankheiten diagnostiziert und behandelt werden, revolutionieren und die Präzisionsmedizin zugänglicher und effizienter machen.

Letztendlich stellt diese Forschung eine Verschiebung in der Art und Weise dar, wie wir über Computer nachdenken. Sie bewegt sich weg von der Vorstellung, dass Berechnung in Silizium und Elektrizität stattfinden muss, und begrüßt die Möglichkeit, dass sie in Wasser und DNA stattfinden kann. Die Forscher haben gezeigt, dass wir durch die Anwendung von Engineering-Kontrolle auf biologische Systeme die Kraft molekularer Interaktionen nutzen können, um Aufgaben zu bewältigen, die einst als unmöglich galten. Der DNA-kodierte mikrofluidische integrierte Schaltkreis ist nicht nur ein neuer Typ von Computer; er ist eine neue Art des Denkens über die Beziehung zwischen Biologie und Technologie. Er legt nahe, dass die Zukunft des Computings nicht darin bestehen könnte, schnellere Chips zu bauen, sondern intelligentere, anpassungsfähigere Systeme zu entwickeln, die direkt mit der lebenden Welt interagieren können. Die Reise von einer chaotischen chemischen Mischung zu einer strukturierten, programmierbaren Maschine ist abgeschlossen, und der Weg nach vorne ist nun klar.