硬核！錢璐璐團隊1個月內發2篇Nature

在人工分子機器領域，尋找一種像ATP或電力那樣通用的能源一直是一個重大挑戰。盡管DNA曾被用作燃料驅動納米設備，但每個系統都需要不同的燃料序列，限制了其普適性。過去二十多年來，研究者們雖不斷探索，卻始終未能找到一種可持續的能源方式，使無酶分子電路能夠反復執行復雜計算而不受廢物積累的困擾。

2025年10月1日，加州理工學院錢璐璐教授提出了一種突破性方案：利用熱量為DNA邏輯電路和神經網絡“充電”。研究表明，通過加熱和冷卻，可以使酶游離的DNA電路從熱力學平衡狀態恢復到非平衡的動力學陷阱狀態，從而為后續計算提供能量。團隊成功構建了包含超過200種分子物種的復雜邏輯電路與神經網絡，系統可在幾分鐘內完成充電，并支持至少16輪連續計算，且無需擔心廢物積累導致的性能下降。這一策略為分子機器實現迭代計算、無監督學習等高級自主行為奠定了基礎。

相關論文以“Heat-rechargeable computation in DNA logic circuits and neural networks”為題，發表在Nature上，該論文作者僅2人，錢璐璐教授擔任唯一通訊作者，Song Tianqi為論文唯一第一作者。

該研究證明了復雜的邏輯電路和神經網絡，涉及200多種不同的分子，可以在幾分鐘內對溫度斜坡做出反應并重新充電，允許至少16輪不同順序輸入的計算。研究策略使不同的系統能夠由相同的能源供電，而不會產生有問題的廢物積累，從而確保長期穩定的性能。這種可擴展的方法支持無酶分子電路的持續運行，并為人工化學系統中的迭代計算和無監督學習等高級自主行為提供了機會。

另外，2025年9月3日，加州理工學院錢璐璐團隊在Nature 在線發表題為“Supervised learning in DNA neural networks”的研究論文，該研究展示了DNA分子可以被編程為自主地在體外進行監督學習，系統學習從輸入和期望響應的分子示例中執行模式分類。

學習權重（圖源自Nature）

該研究展示了一個經過訓練的DNA神經網絡，可以對三組不同的100比特模式進行分類，將訓練數據直接整合到分子濃度的記憶中，并使用這些記憶來處理后續的測試數據。該研究表明，分子電路可以學習比簡單的適應性行為更復雜的任務。這為能夠在從生物醫學到軟材料的各種物理系統中進行嵌入式學習和決策的分子機器打開了大門。

參考消息：

https://www.nature.com/articles/s41586-025-09570-2

https://www.nature.com/articles/s41586-025-09479-w

（來源：募格學術、iNature、高分子科學前沿等版權屬原作者 謹致謝意）