在人工分子机器领域，寻找一种像ATP或电力那样通用的能源一直是一个重大挑战。尽管DNA曾被用作燃料驱动纳米设备，但每个系统都需要不同的燃料序列，限制了其普适性。过去二十多年来，研究者们虽不断探索，却始终未能找到一种可持续的能源方式，使无酶分子电路能够反复执行复杂计算而不受废物积累的困扰。
2025年10月1日，加州理工学院钱璐璐教授提出了一种突破性方案：利用热量为DNA逻辑电路和神经网络“充电”。研究表明，通过加热和冷却，可以使酶游离的DNA电路从热力学平衡状态恢复到非平衡的动力学陷阱状态，从而为后续计算提供能量。团队成功构建了包含超过200种分子物种的复杂逻辑电路与神经网络，系统可在几分钟内完成充电，并支持至少16轮连续计算，且无需担心废物积累导致的性能下降。这一策略为分子机器实现迭代计算、无监督学习等高级自主行为奠定了基础。
相关论文以“Heat-rechargeable computation in DNA logic circuits and neural networks”为题，发表在Nature上，该论文作者仅2人，钱璐璐教授担任唯一通讯作者，Song Tianqi为论文唯一第一作者。
该研究证明了复杂的逻辑电路和神经网络，涉及200多种不同的分子，可以在几分钟内对温度斜坡做出反应并重新充电，允许至少16轮不同顺序输入的计算。研究策略使不同的系统能够由相同的能源供电，而不会产生有问题的废物积累，从而确保长期稳定的性能。这种可扩展的方法支持无酶分子电路的持续运行，并为人工化学系统中的迭代计算和无监督学习等高级自主行为提供了机会。
另外，2025年9月3日，加州理工学院钱璐璐团队在Nature 在线发表题为“Supervised learning in DNA neural networks”的研究论文，该研究展示了DNA分子可以被编程为自主地在体外进行监督学习，系统学习从输入和期望响应的分子示例中执行模式分类。
学习权重（图源自Nature）
该研究展示了一个经过训练的DNA神经网络，可以对三组不同的100比特模式进行分类，将训练数据直接整合到分子浓度的记忆中，并使用这些记忆来处理后续的测试数据。该研究表明，分子电路可以学习比简单的适应性行为更复杂的任务。这为能够在从生物医学到软材料的各种物理系统中进行嵌入式学习和决策的分子机器打开了大门。
参考消息：
https://www.nature.com/articles/s41586-025-09570-2
https://www.nature.com/articles/s41586-025-09479-w
（来源：募格学术、iNature、高分子科学前沿等版权属原作者 谨致谢意）
热门跟贴