Науковці Каліфорнійського технологічного інституту (Caltech) розробили інноваційну ДНК-нейронну мережу, здатну навчатися на основі наданих прикладів. Ця система використовує нитки ДНК для виконання обчислень через хімічні реакції, відтворюючи процеси навчання, притаманні біологічним системам.
Дослідження, очолюване професоркою біоінженерії Лулу Цянь, є значним кроком у демонстрації складніших навчальних моделей у хімічних системах. Результати роботи, опубліковані 3 вересня 2025 року в журналі Nature під назвою "Supervised learning in DNA neural networks", описують систему, яка успішно навчалася розпізнавати рукописні цифри. Кожне число було закодовано як унікальний візерунок ДНК-ниток, що піддавалися специфічним хімічним реакціям. Результатом цих реакцій був флуоресцентний сигнал, що відповідав розпізнаній цифрі, демонструючи потенціал ДНК-обчислень для складного розпізнавання образів.
Ця розробка спирається на попередні досягнення команди професорки Цянь, яка є піонером у сфері ДНК-обчислень. Ще у 2018 році вони створили ДНК-нейронну мережу, яка також успішно розпізнавала рукописні цифри, підтверджуючи потенціал цієї технології для вирішення складних завдань. Молекулярні обчислення, що виникли як альтернатива традиційним кремнієвим системам, пропонують унікальні переваги, зокрема величезну щільність зберігання даних та масивний паралелізм.
Розробка цієї ДНК-нейронної мережі, яка зайняла сім років, була сповнена викликів, як зазначив провідний автор Кевін Черрі, вимагаючи цілісного підходу для подолання численних технічних перешкод. Здатність цієї ДНК-нейронної мережі навчатися на прикладах відкриває нові горизонти для створення адаптивних та енергоефективних молекулярних обчислювальних систем. Потенційні сфери застосування охоплюють медицину, де такі системи можуть бути використані для розробки "розумних" ліків, що адаптуються до патогенних загроз у реальному часі, а також матеріалознавство, що дозволить створювати "розумні" матеріали зі здатністю до адаптації до зовнішніх умов.