Rewireable Building Blocks for Enzyme-Powered DNA Computing Networks
Notice bibliographique
Résumé
Neural networks enable the processing of large, complex data sets with applications in disease diagnosis, cell profiling, and drug discovery. Beyond electronic computers, neural networks have been implemented using programmable biomolecules such as DNA; this confers unique advantages, such as greater portability, electricity-free operation, and direct analysis of patterns of biomolecules in solution. Analogous to bottlenecks in electronic computers, the computing power of DNA-based neural networks is limited by the ability to add more computing units, i.e., neurons. This limitation exists because current architectures require many nucleic acids to model a single neuron. Each additional neuron compounds existing problems such as long assembly times, high background signal, and cross-talk between components. Here, we test three strategies to solve this limitation and improve the scalability of DNA-based neural networks: (i) enzymatic synthesis for high-purity neurons, (ii) spatial patterning of neuron clusters based on their network position, and (iii) encoding neuron connectivity on a universal single-stranded DNA backbone. We show that neurons implemented via these strategies activate quickly, with a high signal-to-background ratio and process-weighted inputs. We rewired our modular neurons to demonstrate basic neural network motifs such as cascading, fan-in, and fan-out circuits. Finally, we designed a prototype two-layer microfluidic device to automate the operation of our circuits. We envision that our proposed design will help scale DNA-based neural networks due to its modularity, simplicity of synthesis, and compatibility with various neural network architectures. This will enable portable computing power for applications in portable diagnostics, compact data storage, and autonomous decision making for lab-on-a-chips.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».