Caltech’teki araştırmacılar, klasik bir makine öğrenimi problemini çözebilen DNA’dan yapılmış bir yapay sinir ağı geliştirdiler. El yazısıyla yazılmış sayıları doğru bir şekilde belirlediler. Bu çalışma yapay zekaların sentetik biyomoleküler devrelere programlanma kapasitesini göstermede önemli bir adımdır.
Çalışma, biyomühendislik yardımcı doçent Lulu Qian’ın laboratuarında yapıldı. Araştırmayı anlatan bir yazı, Nature dergisinde yayınlandı.
Qian, “Bilim adamları moleküler makinelerde yapay zeka yaratmayı yeni keşfetmeye başlamış olsalar da, potansiyeli zaten inkar edilemez” diyor. “Elektronik bilgisayarların ve akıllı telefonların insanlara yüzlerce yıldan daha yetenekli olduklarını benzer şekilde, yapay moleküler makineler, yüzlerce yıl içinde çevreye daha uyumlu ve daha duyarlı, hatta boya ve bandajlar da dahil olmak üzere moleküllerden yapılmış her şeyi yapabilirler geldi.”
Yapay sinir ağları, insan beyninden esinlenen matematiksel modellerdir. Biyolojik muadillerine kıyasla çok basitleştirilmiş olmasına rağmen, yapay sinir ağları nöronların ağları gibi işlev görür. Karmaşık bilgileri işleme yeteneğine sahiptir. Qian laboratuvarının bu çalışmadaki nihai hedefi, DNA’dan yapılan yapay sinir ağları ile akıllı davranışları (hesaplama, seçim yapma ve daha fazlasını yapma) programlamaktır.
“İnsanların beyinde 80 milyardan fazla nöron var. Bu sayede son derece karmaşık kararlar alıyorlar. Yuvarlak kurtlar gibi daha küçük hayvanlar sadece birkaç yüz nöron kullanarak daha basit kararlar verebilirler. Bu çalışmada, işlev gören biyokimyasal devreleri tasarladık ve oluşturduk.”
Küçük Nöronlar Ağı
Qian, daha önce mümkün olandan çok daha karmaşık olan moleküler bilgileri sınıflandırmak için küçük bir nöronlar ağı olarak açıklıyor.
DNA tabanlı nöral ağların kabiliyetini göstermek için, Qian laboratuvar lisansüstü öğrencisi Kevin Cherry, elektronik yapay sinir ağları için klasik bir meydan okuma görevi olarak el yazısı tanımayı seçti.
İnsan el yazısı geniş çeşitlilik gösterebilir ve böylece bir kişi karalanmış bir sayı dizisini incelediğinde, beyin onları tanımlamak için karmaşık hesaplama görevlerini yerine getirir. İnsanların el değmemiş el yazısını tanıması bile zor olabileceğinden, el yazısıyla yazılmış sayıları belirlemek, yapay zeka ağlarına programlama zekası için ortak bir testtir.
Bu ağlar, sayıları nasıl tanıyacakları, elyazısındaki varyasyonları hesaba katabilecekleri, sonra bilinmeyen bir sayıyı sözde anılarıyla karşılaştıracak ve sayının kimliğine karar verecek şekilde “öğretilmelidir”.
Nature makalesinde anlatılan çalışmada, makalenin ilk yazarı olan Cherry, dikkatle tasarlanmış DNA dizilerinden oluşan bir sinir ağının “moleküler el yazısını” doğru bir şekilde tanımlamak için öngörülen kimyasal reaksiyonları gerçekleştirebileceğini gösterdi.
Moleküler El Yazısı
Geometrik şekle göre değişen görsel el yazısından farklı olarak, her bir moleküler el yazısı örneği aslında bir sayı şeklini almaz. Bunun yerine, her bir moleküler sayı, her biri 10 x 10 desende bir bireysel pikseli temsil etmek üzere tahsis edilen 100 molekülden seçilen 20 eşsiz DNA şeridinden oluşur. Bu DNA iplikleri bir test tüpünde birlikte karıştırılır.
Qian “Geometrinin yokluğu doğal moleküler imzalarda nadir değildir. Ancak bunları tanımlamak için hala karmaşık biyolojik sinir ağları gerektirir. Örneğin, benzersiz koku moleküllerinin bir karışımı bir koku içerir” diyor.
Moleküler el yazısı özel bir örneği göz önüne alındığında, DNA nöral ağı, her biri dokuza kadar el yazısıyla yazılan dokuz rakamdan birini temsil eden dokuz kategoriye kadar sınıflandırır.
İlk olarak, Cherry el yazısı 6s ve 7s arasında ayrım yapmak için bir DNA sinir ağı oluşturdu. El yazısıyla yazılmış 36 rakamı test etti. Test tüpü sinir ağını doğru olarak tanımladı. Sisteminin teorik olarak, 12,000’den fazla el yazısıyla yazılmış yüzde 90’ı 6s ve 7s, makine öğrenimi için yaygın olarak kullanılan el yazısıyla yazılmış sayılardan oluşan bir veri tabanından alınan iki sınıfa ayırma yeteneği vardır.
Bu süreç için çok önemli olan, Qian ve Cherry tarafından geliştirilen DNA moleküllerini kullanarak bir “kazanan her şeyi” rekabetçi stratejiyi kodlamaktı. Bu stratejide, bilinmeyen bir sayının kimliğini belirlerken bir kazanan seçmek için annihilator olarak adlandırılan özel bir DNA molekülü kullanılmıştır.
Floresan Sinyali
Cherry, “Ayırıcı, bir rakipten bir molekül ve farklı bir rakipten bir molekül ile bir kompleks oluşturur. İnert, reaksiyona girmeyen türler oluşturmak için reaksiyon gösterir” diyor. “Ayırıcı, tek bir rakip tür kalmayıncaya kadar rakip moleküllerin tümünü çabucak tüketir. Kazanan rakip daha sonra yüksek bir konsantrasyona getirilir. Ağların kararını belirten bir floresan sinyali üretir.”
Daha sonra, Cherry, ilk DNA sinir ağının ilkeleri üzerine, 1’den 9’a kadar tek haneli sayıları sınıflandırabilen, daha da karmaşık olanı geliştirmek üzere çalıştı. Bilinmeyen bir sayı verildiğinde, bu “akıllı sistem”, bir dizi reaksiyona ve çıkışa maruz kalacaktı. Örneğin, yeşil ve sarı olmak üzere iki floresan sinyal, 5’i temsil eder, ya da 9’u temsil etmek için yeşil ve kırmızıdır.
Qian ve Cherry, test tüpüne eklenen örneklerden “kayıtlar” oluşturan, öğrenebilen yapay sinir ağları geliştirmeyi planlıyor. Bu şekilde, Qian, aynı akıllı sistemi farklı görevleri yerine getirmek için eğitilebilir.
Cherry “Ortak tıbbi teşhisler, birkaç kolor- terol veya kan şekeri gibi birkaç biyomolekülün varlığını tespit eder.” diyor. “Bizimki gibi daha sofistike biyomoleküler devreler kullanarak, analiz ve doğrudan moleküler ortamda yapılan yanıt ile teşhis testi bir gün yüzlerce biyomolekül içerebilir.”
