2024年1月17日,芝加哥大学Arvind Murugan、Jackson O’Brien联合加州理工学院Erik Winfree、Constantine Glen Evans在Nature上发表题为Pattern recognition in the nucleation kinetics of non-equilibrium self-assembly的文章。
该研究表明了多样性自组装中的模式识别现象,发现高维浓度模式可以类似于神经网络计算进行辨别和分类。研究者设计了一组917个DNA片段,能够以三种不同方式自组装,使竞争性的核化过程对高浓度片段的共定位程度产生敏感影响。通过在计算机中进行训练,系统能够正确分类一组18个灰度30×30像素图像,并通过实验证实了这一结果的鲁棒性。文章提到,这一现象可能不仅局限于自组装,还可能应用于细胞内的分子折叠过程和多组分凝聚物的相界限。将核化视为一种机器学习模型,文章探讨了决策表面复杂性与底层自组装物理特性之间的关系。
此外,文中还提到了温度在模式识别速度、准确性和复杂性之间的权衡,并对将核化作为机器学习模型引发的问题进行了探讨。总体而言,这项工作揭示了在多组分自组装中产生复杂信息处理的新现象,为高维分子系统中的可编程和可学习相界限提供了启示。