Forscher des California Institute of Technology (Caltech) haben ein neuartiges neuronales Netz auf DNA-Basis entwickelt, das die Fähigkeit besitzt, aus Beispielen zu lernen. Dieses System nutzt DNA-Stränge zur Durchführung von Berechnungen durch chemische Reaktionen und ahmt damit Lernprozesse nach, wie sie in biologischen Systemen beobachtet werden. Die im Journal Nature am 3. September 2025 veröffentlichte Studie mit dem Titel "Supervised learning in DNA neural networks" markiert einen bedeutenden Fortschritt im Bereich des molekularen Rechnens.
Das DNA-basierte neuronale Netz wurde trainiert, handschriftliche Ziffern zu erkennen. Das System kodiert jede Ziffer als ein einzigartiges Muster von DNA-Strängen, die spezifischen chemischen Reaktionen unterliegen, um ein Fluoreszenzsignal zu erzeugen, das die erkannte Ziffer widerspiegelt. Dieser Ansatz demonstriert das Potenzial des DNA-Computings für komplexe Mustererkennungsaufgaben.
Die Fähigkeit dieses Systems, aus Beispielen zu lernen, eröffnet neue Möglichkeiten für die Entwicklung adaptiver und energieeffizienter molekularer Computersysteme. Solche Systeme könnten in verschiedenen Bereichen Anwendung finden, darunter in der Medizin, wo sie zur Entwicklung von "intelligenten" Medikamenten eingesetzt werden könnten, die in Echtzeit auf pathogene Bedrohungen reagieren, oder in der Materialwissenschaft, wo sie zur Schaffung von "intelligenten" Materialien führen könnten, die sich an äußere Bedingungen anpassen.
Diese jüngsten Fortschritte bauen auf früheren Arbeiten von Professor Lulu Qian und ihrem Team auf, die Pioniere auf dem Gebiet des DNA-Computings sind. Bereits 2018 entwickelte ihr Team ein DNA-basiertes neuronales Netz, das handschriftliche Ziffern erkennen konnte. Die Entwicklung solcher Systeme ist ein langwieriger Prozess, wie Kevin Cherry, Erstautor der Studie, hervorhebt, der von einer siebenjährigen Reise voller Versuche und Irrtümer sprach, bis hin zu einem ganzheitlichen Ansatz, um alle Probleme gleichzeitig zu lösen. Die Forschung deutet darauf hin, dass molekulare Computersysteme eines Tages digitale KI-Systeme in ihrer Komplexität übertreffen könnten.