硬核！錢璐璐，唯一通訊發Nature，作者僅2人！

熱充電DNA計算——實現可持續分子智能

在人工分子機器領域，尋找一種像ATP或電力那樣通用的能源一直是一個重大挑戰。盡管DNA曾被用作燃料驅動納米設備，但每個系統都需要不同的燃料序列，限制了其普適性。過去二十多年來，研究者們雖不斷探索，卻始終未能找到一種可持續的能源方式，使無酶分子電路能夠反復執行復雜計算而不受廢物積累的困擾。

近日，加州理工學院錢璐璐教授提出了一種突破性方案：利用熱量為DNA邏輯電路和神經網絡“充電”。研究表明，通過加熱和冷卻，可以使酶游離的DNA電路從熱力學平衡狀態恢復到非平衡的動力學陷阱狀態，從而為后續計算提供能量。團隊成功構建了包含超過200種分子物種的復雜邏輯電路與神經網絡，系統可在幾分鐘內完成充電，并支持至少16輪連續計算，且無需擔心廢物積累導致的性能下降。這一策略為分子機器實現迭代計算、無監督學習等高級自主行為奠定了基礎。相關論文以“Heat-rechargeable computation in DNA logic circuits and neural networks”為題，發表在

Nature

研究人員首先提出了“熱驅動可重用分子電路”的核心概念（圖1）。與一次性電路不同，可重用電路通過引入強而靈活的鏈間連接，使分子在加熱后冷卻時能夠重新形成動力學陷阱，從而復位至初始狀態。在DNA層面，他們設計了一種發夾結構門控機制，輸入可催化輸出釋放，而熱循環則能重置系統，使其準備好響應新一輪輸入。

圖1 | 熱驅動可重用分子電路的概念。 a. 一次性分子電路。不同顏色的球代表不同單體，輸入可催化解離二聚體并釋放輸出。 b. 可重用分子電路。虛線表示單體間的強柔性連接，熱可復位系統至動力學陷阱狀態。 c. 一次性DNA催化劑。 d. 可重用DNA催化劑。彩色線條代表DNA鏈，箭頭表示3'端。

為實現高效的催化與重置，團隊開發了一種可重用的DNA催化劑（圖2）。通過引入單核苷酸凸起循環和額外的趾環結構，他們優化了反應路徑，顯著加快了信號放大速度，同時保證了高達96%的重置成功率。實驗顯示，該催化劑在2小時內可實現10倍信號放大，并在輸入失活、熱循環后成功恢復至基線狀態，展現出良好的可重用性。

圖2 | 可重用DNA催化劑。 a. 反應路徑，箭頭粗細表示反應速率。 b. 復位過程中的反應與模擬，黑色為理想反應，灰色為非理想反應。 c,d. 八種設計的復位后熒光分子總濃度與反應完成時間。 e. 關鍵設計選擇。 f. 可重用催化劑的模擬與熒光動力學實驗。

在構建更復雜系統時，動力學一致性與級聯能力至關重要（圖3）。以“贏家通吃”神經網絡為例，研究人員發現，不同發夾門之間的動力學差異可通過引入環狀趾環來平衡。通過交替使用發夾門和雙鏈門，他們實現了多層催化與化學計量反應的級聯，確保了網絡在重置后仍能保持準確的模式識別能力。

圖3 | 動力學與級聯。 a. 雙輸入“贏家通吃”功能實現。 b,c. 無環趾環與有環趾環的DNA催化劑動力學比較。 d. 復位模擬。 e. 加權求和功能實現。 f,g. 發夾門與雙鏈門的下游級聯比較。 h. 催化與化學計量反應交替層實現抽象功能。

為驗證系統的可擴展性，團隊構建了一個100比特的雙記憶“贏家通吃”神經網絡，用于識別手寫數字“6”和“7”（圖4）。該系統包含多達289種不同的DNA鏈，在單一試管中實現了213種分子的共存。模擬與實驗結果表明，即使在十輪連續測試后，網絡仍能穩定分類不同輸入模式，展現出優異的復位穩健性與系統兼容性。

圖4 | 可重用的100比特雙記憶贏家通吃神經網絡。 a. 抽象電路圖、DNA實現與鏈數量。 b. 復位模擬。 c. 系統可重用性測試步驟。 d. 十組MNIST數字的加權和分析。 e. 連續十組測試模式的模擬與實驗熒光動力學。

進一步地，研究人員展示了該架構的通用性（圖5）。他們設計了可重用的閾值門，并與催化劑結合，實現了信號在多層級電路中的恢復。通過優化復位溫度序列，邏輯門在多次使用后仍能保持穩定的ON/OFF輸出狀態。

圖5 | 可重用邏輯門。 a. 帶信號恢復的雙輸入邏輯門實現。 b. 復位反應與模擬。 c,d. OR門與AND門在復位前后的模擬與實驗。

最后，為驗證邏輯門的組合能力，團隊構建了一個七層DNA電路，用于生成斐波那契詞的前16位元素（圖6）。該電路在連續16輪計算中表現出高度一致的性能，歷經640小時與15次復位后仍能可靠響應，證明了該架構在實現復雜、可持續分子計算方面的潛力。

圖6 | 可重用邏輯門的組合性。 a. 生成斐波那契詞前16元素的三層電路。 b. 抽象電路與DNA實現。 c. 16輪計算中的電路性能一致性。

這項研究不僅首次實現了以熱為能源的可重啟分子計算系統，還為未來開發能在自然環境中自主學習與適應的智能分子機器鋪平了道路。研究者展望，未來可結合模板化合成過程，實現選擇性復位與持續學習，使分子機器在無人干預的情況下不斷進化，邁向真正的化學智能時代。

來源：高分子科學前沿

聲明：僅代表作者個人觀點，作者水平有限，如有不科學之處，請在下方留言指正！