加州理工学院（Caltech）的研究人员在分子计算领域取得了一项重大进展，成功开发出一种基于DNA的神经网络，该系统能够从示例中学习。这项创新研究利用DNA链通过化学反应执行计算，模仿了生物系统中的学习过程。
该研究由加州理工学院生物工程学教授Lulu Qian领导，并于2025年9月3日在《自然》杂志上发表。这项成果标志着在化学系统中展现更复杂学习行为方面迈出了关键一步。该DNA神经网络被训练来识别手写数字，这是一项对传统人工神经网络而言极具挑战性的任务。系统将每个数字编码为独特的DNA链模式，通过特定的化学反应产生与识别数字相对应的荧光信号，展示了DNA计算在执行复杂模式识别任务方面的潜力。
这项研究的独特之处在于，该系统能够通过化学信号和DNA链来存储记忆，具体表现为特定分子的浓度变化，这是一种在化学系统中实现的监督学习形式。与2018年Cherry和Qian团队开发的早期DNA神经网络不同，新系统能够通过化学线索生成自己的记忆，这些线索可以被化学激活以存储信息，从而形成学习的物理记录。这种学习机制与人类大脑通过神经元连接的强化来整合新信息的过程相似。
该DNA神经网络从零开始构建，能够接收示例、找出潜在模式，并根据从未见过的新信息采取行动。这种能力为开发自适应、节能的分子计算系统开辟了新的可能性。这些系统有望在医学领域用于创造能够实时响应病原体威胁的“智能药物”，或在材料科学领域催生出能够学习并适应外部条件的“智能材料”。这项工作建立在Qian教授及其团队在DNA计算领域开创性研究的基础上，为分子智能的新领域奠定了基础。
尽管这项DNA神经网络仍处于早期阶段，但它为分子智能的新领域奠定了基础。随着研究的深入，预计这些系统将变得更加复杂，从而在各种科学和技术领域带来创新应用。