🧬 biology

Implementation of Support Vector Machines using Reaction Networks

Dit artikel demonstreert dat het mogelijk is om support vector machines (SVMs) te implementeren met behulp van chemische reactienetwerken, waarbij het stationaire gedrag van deze netwerken wordt gebruikt om de kernberekeningen van het machine learning-algoritme na te bootsen.

Oorspronkelijke auteurs: Amey Choudhary, Jiaxin Jin, Abhishek Deshpande

Gepubliceerd 2026-04-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Amey Choudhary, Jiaxin Jin, Abhishek Deshpande

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Kunnen we een computer bouwen van chemische reacties?

Stel je voor dat je een computer niet uit siliconen en koper maakt, maar uit vloeistoffen, moleculen en chemische reacties. Dat is precies wat deze paper doet. De auteurs laten zien hoe je een heel slim algoritme, genaamd een Support Vector Machine (SVM), kunt laten werken in een flesje met chemische stoffen.

Laten we dit uitleggen alsof we een verhaal vertellen over een groepje moleculen die samen een beslissing nemen.

1. Het Probleem: De Chemische "Leerling"

In de echte wereld gebruiken we computers om patronen te herkennen. Bijvoorbeeld: "Is dit een foto van een hond of een kat?" Een SVM is een slimme wiskundige methode die een lijn trekt tussen twee groepen (honden vs. katten) om ze perfect te scheiden.

De vraag van de auteurs was: Kunnen we dit doen zonder elektronen, maar met chemie?
Het antwoord is ja. Ze hebben een recept bedacht (een "chemisch reactienetwerk") waarbij moleculen met elkaar reageren om die lijn te tekenen.

2. De Basis: Moleculen als Getallen

In een computer zijn getallen 0 en 1. In een flesje met chemie zijn getallen concentraties (hoeveel van een stof er is).

Veel van stof A = een groot getal.
Weinig van stof A = een klein getal.

Maar er is een probleem: concentraties kunnen nooit negatief zijn (je kunt niet -5 gram suiker hebben). Maar wiskunde heeft soms negatieve getallen nodig.
De oplossing: Ze gebruiken een trucje genaamd "Dual-Rail".
Stel je voor dat je een negatief getal niet als één negatief getal schrijft, maar als een strijd tussen twee teams:

Team Plus (rood) en Team Min (blauw).
Als er meer rode ballen zijn dan blauwe, is het getal positief.
Als er meer blauwe ballen zijn dan rode, is het getal negatief.
Zo kunnen ze ook met "negatieve" waarden rekenen in een chemische fles.

3. De Werkplek: De Chemische Fabriek

Om de SVM te laten werken, hebben ze verschillende "machines" (modules) ontworpen die specifieke taken doen:

De Telmachine (Optellen): Twee stoffen vloeien samen in een bakje. De hoeveelheid in het bakje is de som van de twee.
De Vermenigvuldiger: Twee stoffen ontmoeten elkaar en creëren een nieuwe stof. Hoe meer er van de eerste twee zijn, hoe sneller de nieuwe stof wordt gemaakt.
De Vergelijker: Twee stoffen vechten om de controle. Als de ene stof sterker is dan de andere, wint die en verandert de kleur van de vloeistof. Dit vertelt de computer: "Is dit getal groter dan 1?"
De Klok (De Hartslag): Dit is misschien wel het coolste deel. Alle reacties moeten op het juiste moment gebeuren, niet door elkaar heen. Ze gebruiken een chemische "hartslag" (een Hopf-oscillator).
- Analogie: Denk aan een orkest. De dirigent (de klok) geeft aan wanneer de fluit moet spelen, wanneer de trompet, en wanneer de drums. Dankzij deze klok weten de moleculen precies wanneer ze hun taak moeten uitvoeren: eerst de gegevens laden, dan rekenen, dan controleren, dan aanpassen.

4. Het Leerproces: Probeer en Verbeter

Hoe leert deze chemische computer? Net als een mens die een bal probeert te vangen:

Voorspellen: De chemische reacties berekenen een lijn (een voorspelling).
Controleren: Kijkt de lijn goed? (Is de hond correct als hond gemarkeerd?)
Aanpassen:
- Als het fout was, "schreeuwt" de chemie: "Verander de lijn!" De moleculen veranderen hun concentratie om de lijn dichter bij de juiste plek te trekken.
- Als het goed was, gebeurt er weinig.
Herhalen: Dit proces wordt honderden keren herhaald (in de chemische wereld: cycli), totdat de lijn perfect is.

5. Het Resultaat: Het Werkt!

De auteurs hebben dit in een computer gesimuleerd (omdat ze geen echte lab-flessen met duizenden reacties wilden maken voor de test).
Het resultaat?

De chemische "computer" kwam uit op bijna exact dezelfde antwoorden als een normale computer.
De lijn die ze trokken om de data te scheiden, was bijna identiek.
De foutmarge was verwaarloosbaar klein (minder dan 0,04%).

Waarom is dit belangrijk?

Dit klinkt misschien als een raar experiment, maar het opent de deur naar een nieuwe wereld:

Levende computers: Stel je voor dat je een medicijn in je lichaam injecteert dat als een computer werkt. Het kan ziektecellen herkennen en een geneesmiddel vrijgeven, allemaal via chemische reacties, zonder batterijen of chips.
Slimme materialen: Materialen die zichzelf kunnen repareren of aanpassen op basis van hun omgeving.

Kortom:
Deze paper toont aan dat je wiskundige intelligentie kunt "gieten" in chemische vloeistoffen. Het is alsof je een hersenstam bouwt van moleculen die samenwerken om slimme beslissingen te nemen. Het is de eerste stap naar computers die niet op stroom draaien, maar op chemie.

Probleemstelling

Het artikel adresseert de uitdaging om geavanceerde machine learning-algoritmen, specifiek Support Vector Machines (SVM), uit te voeren in niet-traditionele computationele omgevingen, zoals levende cellen of synthetische biologische systemen. Waar moderne computers vaak niet operationeel kunnen zijn in deze omgevingen, biedt chemie een potentieel alternatief. Hoewel er reeds werk is gedaan om eenvoudige schakelingen en neurale netwerken te modelleren met chemische reactienetwerken (CRN), blijft het trainen en testen van geavanceerde classificatiealgoritmen zoals SVMs een aanzienlijke uitdaging. De kernvraag is of het mogelijk is om de complexe wiskundige optimalisatie van een SVM (inclusief het verwerken van negatieve waarden, iteratieve updates en batch-verwerking) te vertalen naar een systeem van chemische reacties dat voldoet aan de wetten van massawerking.

Methodologie

De auteurs presenteren een chemisch reactienetwerk (CRN) dat een soft-margin SVM implementeert. De methode combineert theoretische chemische kinetiek met algoritmen voor machine learning. De aanpak bestaat uit de volgende pijlers:

Dual-Rail Encoding (Dubbele Rail-codering):
Omdat chemische concentraties per definitie niet-negatief zijn, maar SVM-weights en biases negatieve waarden kunnen aannemen, gebruiken de auteurs dual-rail encoding. Elke variabele $\zeta$ wordt gerepresenteerd door twee soorten: $\zeta^+$ en $\zeta^-$ , waarbij de werkelijke waarde gelijk is aan $[\zeta^+] - [\zeta^-]$ . Dit maakt het mogelijk om optellen, aftrekken en vermenigvuldigen van negatieve getallen uit te voeren binnen een chemisch systeem.
Modulaire Bouwstenen:
Het algoritme wordt opgebouwd uit specifieke chemische modules die als bouwstenen fungeren:
- Optellen en Vermenigvuldigen: Realisatie via massawerking waarbij de steady-state concentratie het resultaat van de bewerking weergeeft.
- Vergelijken en Approximate Majority: Modules om te bepalen of een waarde groter of kleiner is dan een drempel (bijv. 1), wat essentieel is voor de hinge-loss berekening.
- Subtractie: Een module om het verschil tussen concentraties te berekenen (met rectificatie voor negatieve waarden).
Tijdscheiding en Oscillatie:
Om te zorgen dat de verschillende stappen van het algoritme (data laden, forward pass, backpropagation, weight updates) sequentieel plaatsvinden en niet door elkaar lopen, gebruiken de auteurs een Hopf-oscillator. Deze oscillator fungeert als een moleculaire klok. De reacties worden gekoppeld aan specifieke fasen van de oscillatie, waardoor ze alleen actief zijn wanneer de bijbehorende "klok-specie" aanwezig is. Dit garandeert een correcte volgorde van bewerkingen.
Batch-verwerking en Toewijzing:
Een Assignment Module verdeelt de trainingsdata in batches en laadt deze parallel in het netwerk. Dit wordt gedaan door een cyclisch verschuivend mechanisme van "order species", waardoor het systeem meerdere steekproeven tegelijk kan verwerken zonder externe logica.
Implementatie van het SVM-algoritme:
- Forward Pass: Berekening van $f(x) = w \cdot x + b$ en de daaropvolgende vermenigvuldiging met het label $y$ .
- Loss Berekening: Vergelijking van $y \cdot f(x)$ met de marge (1) om te bepalen of er sprake is van een misclassificatie.
- Backpropagation (Gradient Descent): Updates van de weights ( $w$ $w$ ) en bias ( $b$ $b$ ) volgens de formule:
  - Als $y(w \cdot x + b) < 1$ : $w \leftarrow w - \eta(\lambda w - yx)$ en $b \leftarrow b + \eta y$ .
  - Anders: $w \leftarrow w - \eta \lambda w$ .
    Deze updates worden chemisch geïmplementeerd door de steady-state concentraties van de gewenste producten te laten samenvloeien met de huidige weights.

Belangrijkste Bijdragen

Eerste Implementatie van SVM in CRN: Het artikel presenteert een volledig werkend chemisch reactienetwerk dat een soft-margin SVM kan trainen en voorspellen, inclusief de noodzakelijke stappen voor batch-verwerking en iteratieve updates.
Omgaan met Negatieve Waarden: Een robuust mechanisme voor het verwerken van negatieve weights en biases in een chemisch systeem via dual-rail encoding, geïntegreerd in de basismodules.
Sequentiële Executie zonder Externe Controle: Het gebruik van een Hopf-oscillator om complexe algoritmen sequentieel uit te voeren binnen een chemisch systeem, wat een oplossing biedt voor het probleem van gelijktijdige reacties.
Validatie van Convergentie: Het bewijs dat chemische systemen kunnen convergeren naar dezelfde oplossing als traditionele numerieke SVM-implementaties.

Resultaten

De auteurs hebben hun ontwerp gevalideerd door simulaties uit te voeren in Python op synthetische, lineair scheidbare datasets.

Experimentele Opstelling: Een dataset met 10 trainingsvoorbeelden (2D) en 4 testvoorbeelden, getraind over 100 epochs met een batchgrootte van 2.
Nauwkeurigheid: De resultaten tonen een zeer hoge correlatie tussen de chemisch berekende parameters en de standaard SVM-waarden. De gemiddelde absolute fout in het voorspellen van de weights en bias bedroeg slechts 0,033%.
Convergentie: De grafieken tonen aan dat de weights en bias in het chemische netwerk snel stabiliseren en de evolutie over de tijd (epochs) bijna identiek is aan die van de traditionele numerieke implementatie. De gegenereerde hyperplana (scheidingslijn) verdeelt de data correct in beide klassen, zowel voor trainings- als testdata.

Betekenis en Toekomstperspectief

Dit werk opent een nieuw pad voor synthetische biologie en moleculaire computing. Het bewijst dat complexe machine learning-taken, die eerder als te ingewikkeld voor chemische systemen werden beschouwd, haalbaar zijn.

Toepassingen: Dit maakt het mogelijk om "slimme" biologische systemen te creëren die kunnen leren en beslissingen kunnen nemen op basis van externe stimuli (bijvoorbeeld in medicijnafgifte of diagnostiek binnen levende cellen).
Toekomstig Werk: De auteurs wijzen op de noodzaak om de computationele complexiteit (aantal soorten en reacties) verder te optimaliseren en het systeem uit te breiden naar niet-lineaire classificatie door het gebruik van kernel-methoden (de "kernel trick") in chemische netwerken.

Kortom, het artikel demonstreert een fundamentele doorbraak in het vertalen van wiskundige optimalisatieproblemen naar de taal van chemische reacties, waardoor machine learning direct in biologische omgevingen kan worden uitgevoerd.