شبکه‌های عصبی (neural networks)، سیستم‌های محاسباتی هستند که برای تقلید از ساختار و عملکرد مغز انسان طراحی شده‌اند. محققان کلتک (Caltech) در حال توسعه یک شبکه عصبی ساخته شده از رشته‌های DNA به جای قطعات الکترونیکی هستند که محاسبات را از طریق واکنش‌های شیمیایی و نه سیگنال‌های دیجیتالی انجام می‌دهد.
یکی از ویژگی‌های مهم هر شبکه عصبی، توانایی یادگیری با جذب اطلاعات و نگه‌داشتن آن برای تصمیم‌گیری‌های آینده است. اکنون، محققان آزمایشگاه لولو کیان (Lulu Qian)، استاد مهندسی زیستی (bioengineering)، یک شبکه عصبی مبتنی بر DNA ایجاد کرده‌اند که می‌تواند یاد بگیرد. این کار گام نخست را در جهت نمایش رفتارهای یادگیری پیچیده‌تر در سیستم‌های شیمیایی نشان می‌دهد.
مقاله‌ای که این پژوهش را توصیف می‌کند در تاریخ September 3 در مجله Nature منتشر شده است. کوین چری (Kevin Cherry)، دکترای فلسفه، نویسنده اصلی این مطالعه است.
توانایی یادگیری در مقیاس‌های بسیاری یافت می‌شود: مغز ما برای ادغام اطلاعات جدید خود را بازسازی می‌کند، سیستم ایمنی ما اطلاعات مربوط به مواجهه با عوامل بیماری‌زا را برای آینده به صورت شیمیایی رمزگذاری می‌کند، و حتی باکتری‌های تک‌سلولی اطلاعات ساده‌ای درباره گرادیان‌های شیمیایی را یاد می‌گیرند و از آن برای حرکت به سمت غذا استفاده می‌کنند. یادگیری یک جزء کلیدی هوش است، چه طبیعی و چه مصنوعی؛ برای مثال، دستگاه‌های "هوشمند" می‌توانند ترجیحات شما را یاد بگیرند و توصیه‌های سفارشی‌شده ارائه دهند.
کیان می‌گوید: "هدف ما ساخت یک سیستم مولکولی از پایه بود که بتواند مثال‌ها را دریافت کند، الگوهای زیربنایی را پیدا کند و سپس بر اساس اطلاعات جدیدی که قبلاً هرگز ندیده بود، عمل کند. به یک سلول مصنوعی آینده با یک سلول بیولوژیکی به عنوان معلم فکر کنید. این سلول نحوه واکنش معلم به نشانه‌های مولکولی مختلف را مشاهده می‌کند، آن تجربیات را ذخیره می‌کند و – در طول درس‌های متعدد – نحوه پاسخگویی به نشانه‌های مشابه اما نه یکسان را به تنهایی در می‌یابد."
در سال 2018، چری و کیان یک شبکه عصبی مبتنی بر DNA ایجاد کردند که می‌توانست اعداد دست‌نویس را که با DNA به عنوان الگوهای شیمیایی کدگذاری شده بودند، تشخیص دهد. از آنجا که حتی برای انسان‌ها نیز تشخیص دست‌خط ناخوانا دشوار است، شناسایی اعداد دست‌نویس یک آزمایش رایج برای برنامه‌ریزی هوش در شبکه‌های عصبی مصنوعی الکترونیکی کلاسیک است. این شبکه‌ها باید واریانس‌ها در دست‌خط را در نظر بگیرند، سپس یک الگوی ناشناخته را با "حافظه‌های" خود مقایسه کرده و تصمیم بگیرند که تصویر کدام عدد را نشان می‌دهد.
در سیستم چری و کیان، به جای پیکسل‌های دیجیتالی که یک عدد را تشکیل می‌دهند، هر "تصویر" مولکولی از 20 رشته DNA منحصر به فرد تشکیل شده بود که برای نمایش یک پیکسل منفرد در یک الگوی 10 در 10 اختصاص داده شده بودند. در طراحی سیستم DNA، یک کامپیوتر کلاسیک برای تعیین میزان مورد نیاز از هر ماده مولکولی برای نمایش خاطرات استفاده شد.
مطالعه جدید بر پایه آن پژوهش بنا شده است تا سیستمی را مهندسی کند که بتواند "حافظه‌های" خود را توسعه دهد، که در سیگنال‌های شیمیایی به نام سیم‌های مولکولی (molecular wires) کدگذاری شده‌اند. این سیم‌ها می‌توانند به صورت شیمیایی "روشن" شوند تا اطلاعات را ذخیره کنند. هنگامی که سیستم با یک مثال مولکولی از یک عدد دست‌نویس مواجه می‌شود، مجموعه‌ای از سیم‌ها را روشن می‌کند که هر کدام یک ارتباط بین یک عدد و ویژگی‌های فیزیکی شناسایی آن را ارائه می‌دهند.
با گذشت زمان، این سیستم یک سابقه فیزیکی از آنچه آموخته است ایجاد می‌کند که در غلظت‌های مولکول‌های DNA خاص ذخیره می‌شود. این مفهوم شبیه به نحوه یادگیری مغز انسان است. (در علوم اعصاب یک ضرب‌المثل وجود دارد که "سلول‌هایی که با هم شلیک می‌کنند، با هم سیم‌کشی می‌شوند." در این مورد، سیم‌کشی مولکولی است و خاطرات در خود شیمی زندگی می‌کنند.)
هر شبکه عصبی می‌تواند محاسبات خود را برای شناسایی اعداد در یک قطره کوچک حاوی میلیاردها رشته DNA از بیش از هزار نوع انجام دهد. هر نوع رشته از ابتدا طوری طراحی شده بود که فقط با شرکای خاص و مورد نظر در شرایط خاص واکنش نشان دهد. هنگامی که زنجیره واکنش‌های شیمیایی به پایان می‌رسد، سیستم یک خروجی ارائه می‌دهد. برای مثال، اگر یک تصویر مولکولی به عنوان "0" دست‌نویس شناخته شود، یک سیگنال فلورسنت تولید می‌شود که با خروجی مطابقت دارد، مانند قرمز برای 0 و آبی برای 1.
چری می‌گوید: "سفر ما به سوی یک شبکه عصبی DNA که یاد می‌گیرد هفت سال طول کشید – و مسیر به هیچ وجه مستقیم نبود. در یک سیستم مولکولی پیچیده، رفع یک مشکل مانند وصله کردن یک نشتی در یک سد بود که بلافاصله نشتی دیگری در جای دیگری ظاهر می‌شد. به جای رفع چالش‌ها یکی یکی، ما باید عقب‌نشینی می‌کردیم و تصویر کلی را می‌دیدیم، سپس راه‌حل‌هایی طراحی می‌کردیم که همه چالش‌ها را به یکباره حل می‌کرد."
"این یک اقدام جسورانه بود، زیرا به معنای شروع از صفر بود. با یک طراحی جدید و جامع، ما سرانجام به آنچه دنبالش بودیم دست یافتیم: یک سیستم مولکولی که می‌تواند یاد بگیرد. با نگاه به گذشته، علم چیز بزرگ‌تری به ما آموخت: اینکه سخت‌ترین مشکلات نیازمند دیدی وسیع و شجاعت برای شروع دوباره در زمانی است که مخاطرات در بالاترین حد خود قرار دارند."
این کار زمینه را برای توسعه داروهای "هوشمند" که می‌توانند در زمان واقعی با تهدیدات بیماری‌زا سازگار شوند، یا مواد "هوشمند" که می‌توانند یاد بگیرند و با شرایط خارجی سازگار شوند (مانند بانداژی که از سیگنال‌های پوست خودتان یاد می‌گیرد و برای تسریع بهبود زخم پاسخ می‌دهد)، فراهم می‌کند.