In-molecule machine learning with microfluidic integrated DNA neural computing

几十年来，科学家们一直梦想着用构成生命的分子来制造计算机。这个想法是利用 DNA——这种遗传的化学代码——不仅用于存储信息，还用于进行计算。在传统计算机中，硅芯片利用电来进行数据处理。而在分子计算机中，化学反应则负责处理数据。如果成功，这样的系统可以直接分析生物样本，例如通过检测特定的遗传标记来诊断疾病，而无需将样本送往遥远的实验室。然而，长期以来，这些分子计算机一直受困于一个基本的物理陷阱。当你将不同的 DNA 链混合在同一个容器中时，它们会随机移动，并由于偶然因素相互碰撞。随着不同链的数量增加，它们会开始相互干扰，产生一种混乱的“汤”，导致预期的计算过程淹没在噪声之中。这种随机性使得分子计算一直停留在微小且简单的阶段，无法处理现代人工智能可以轻松应对的复杂任务。

一组研究人员现在发现了一种通过改变化学反应发生环境的方法，从而打破了这一困境。他们不再让 DNA 链在大型液体池中自由漂浮，而是将含有特定 DNA 指令的微小液滴捕捉在微型芯片中。随后，他们构建了一个能够以机器人手臂般的精度移动这些液滴的系统，只不过其规模之小，肉眼无法察觉。通过精确控制哪些液滴在何时相遇，研究人员将一个混乱的化学混合物变成了一个结构化的、可编程的机器。他们将这个设备称为“DNA 编码微流控集成电路”，该设备成功执行了复杂的模式识别任务，例如识别手写字母和数字，甚至能从人类血液样本中诊断出不同类型的癌症。这项工作证明，只要你能像工程师控制电子电路那样精确地控制分子的运动，就可以利用生物分子构建大规模的智能系统。

这一突破的核心在于研究人员组织化学反应的方式。过去，试图构建分子计算机的科学家必须将所有原料混合在一个试管中。这种被称为“均相反应”的方法依赖于扩散，即分子随机游走直到找到伙伴。虽然这适用于简单任务，但当系统规模扩大时就会失效，因为分子会开始相互干扰。新系统用一个由无数微小、隔离的隔室组成的阵列取代了单个试管。研究人员创建了一个“分子芯片组”库，即包含特定 DNA 组件的微型液滴。有些液滴持有输入数据，有些持有计算规则，还有些持有产生可见信号所需的部件。这些芯片组被存储在专用芯片上的储液槽中。

为了让这些芯片组协同工作，研究人员在芯片表面下方使用了微型电极网格。通过向特定电极施加电信号，他们可以以纳升级的精度推动、拉动和合并液滴。纳升是一个极其微小的液体量，大约只有一粒尘埃的大小。这种电控技术使该系统能够像标准计算机架构的流体版本一样运作。储液槽充当内存，存储芯片组库；反应腔充当处理器，进行化学计算；外部电子设备则充作为控制器，决定移动哪些液滴以及何时移动。这种设置允许研究人员将计算机程序编译成一系列物理运动序列。计算机检索必要的液滴，将其传输到反应腔中并进行合并以执行特定计算，而整个过程中分子从未在混乱的混合物中迷失。

利用这一平台，团队展示了他们可以完全用 DNA 构建一个神经网络——一种受人类大脑启发的计算机程序。他们组装了一个包含 144 个不同 DNA 神经元的网络，并通过超过 2,300 次独立的液滴移动将它们连接起来。该网络旨在识别 36 种不同的手写符号，包括数字 0 到 9 以及字母表中的字母。当研究人员将这些符号的图像（编码为特定 DNA 链的存在或缺失）输入系统时，该网络识别正确字符的成功率超过了 80%。这是一个重大的飞跃，因为它表明分子系统可以处理卷积神经网络的复杂性，这是一种在传统化学系统中难以实现的深度学习算法。成功的关键在于能够保持网络各部分的隔离，直到它们需要交互的确切时刻，从而防止了此前限制此类系统规模的“串扰”现象。

除了模式识别之外，研究人员还展示了他们的系统可以学习和适应。他们对芯片进行了“监督学习”编程，这是一种通过纠正自身错误来提高性能的过程。在这次实验中，系统被训练用于区分三种不同的手写形状。过程包括：系统做出预测，将该预测与正确答案进行比较，然后通过物理重构其 DNA 神经元之间的连接来改进下一次尝试。研究人员观察到，系统可以调整其内部权重（代表神经元之间连接的强度），并最终在识别形状方面达到 100% 的准确率。这证明了该平台不仅是一个静态计算器，还是一个能够通过物理重构实现自我优化的动态机器。

这项技术的应用前景在医学诊断领域表现得最为直接。团队利用其分子计算机分析临床血清样本，以检测并分类不同类型的癌症。他们设计了一个两步决策过程：首先，使用一种被称为支持向量机的算法（一种用于分类的算法）来确定样本来自健康人还是癌症患者；如果样本被判定为癌症，第二个神经网络将确定具体的癌症类型，区分肺癌、肝癌和卵巢癌。该系统在对 15 名患者和 5 名健康对照者的样本进行测试时，正确识别癌症的比例为 90%，并在阳性病例中准确区分特定癌症类型的比例也达到了 90%。该系统还表现出极高的特异性，几乎在所有情况下都能正确识别健康样本。这些结果表明，这项技术最终可用于创建便携式、自动化的诊断设备，直接在医疗现场分析复杂的生物样本。

这项工作的意义不仅限于具体的实验结果。它建立了一个将物理硬件与逻辑程序分离的分子计算工程框架。在传统的分子计算中，化学网络的逻辑设计与物理混合物紧密耦合，导致难以扩展。而在新系统中，硬件是一个由电极和储液槽组成的重复使用平台，而“程序”仅仅是一套告诉机器移动哪些液滴的指令。这种解耦意味着同一个物理设备可以通过改变控制液滴移动的软件，来执行完全不同的任务，例如从识别手写文字到诊断疾病。研究人员指出，目前的限制主要在于芯片上电极的密度，而非化学反应本身，这表明制造工艺的进一步提升可能会带来更大规模、更复杂的分子计算机。

这种方法还解决了该领域的一个长期挑战：无法控制分子相互作用的时间和位置。通过将反应限制在离散的液滴中，并仅在需要时移动它们，研究人员消除了困扰以往尝试的随机性。该系统运行在一个非平衡过程中，这意味着它不断受到外部能量的驱动以维持其结构和功能，而不是依赖分子的被动沉降。这种主动控制实现了在生物背景下此前无法实现的精确度和可靠性。通过同时移动数千个液滴来执行数百万次并行操作的能力，为在匹配生命系统复杂性的规模上处理生物信息打开了大门。

研究人员设想了一个未来，即这项技术可以与提取和扩增生物样本中遗传物质的自动化模块相结合。这将创建一个闭环系统，能够接收原始样本（如一滴血液），并在无需人工干预的情况下提供诊断结果。虽然目前的系统仍需要外部设备来控制电极并读取结果，但此处展示的原理为开发完全自主的智能生物传感器提供了清晰的路径。这项工作并不声称已经解决了分子计算的所有问题，但它移除了阻碍该领域发展的根本障碍。通过证明可以使用 DNA 和微流控技术构建并控制大规模、复杂的神经网络，研究人员表明，分子机器学习的梦想不再仅仅是一个理论上的可能性，而是一个现实。

这对医学和生物学的影响是深远的。如果分子计算机能做得足够小且足够便宜，它们就可以直接嵌入到医疗设备中，甚至嵌入人体内，以实时监测健康状况。它们可以通过分析细胞的化学特征来检测疾病的最早期迹象，提供目前电子传感器无法比拟的灵敏度。直接在生物分子原生环境中进行复杂计算的能力，意味着分析可以在数据的自然环境下进行，从而消除了耗时且易出错的样本制备过程。这可能会彻底改变疾病诊断和治疗的方式，使精准医疗变得更加普及和高效。

最终，这项研究代表了我们思考计算方式的一种转变。它不再认为计算必须发生在硅片和电力之中，而是拥抱了计算可以发生在水和 DNA 中的可能性。研究人员已经证明，通过将工程控制原则应用于生物系统，我们可以利用分子相互作用的力量来完成曾经被认为不可能的任务。DNA 编码微流控集成电路不仅仅是一种新型计算机；它是一种看待生物与技术关系的全新方式。它表明，未来的计算可能不在于制造更快的芯片，而在于构建更聪明、更具适应性的系统，使其能够直接与生命世界进行交互。从混乱的化学混合物到结构化、可编程机器的旅程已经完成，前行的道路现在已清晰可见。