硬核！钱璐璐，唯一通讯发Nature，作者仅2人！

点击领取-->‍

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。

近日，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。

研究人员首先提出了“热驱动可重用分子电路”的核心概念（图1）。与一次性电路不同，可重用电路通过引入强而灵活的链间连接，使分子在加热后冷却时能够重新形成动力学陷阱，从而复位至初始状态。在DNA层面，他们设计了一种发夹结构门控机制，输入可催化输出释放，而热循环则能重置系统，使其准备好响应新一轮输入。

图1 | 热驱动可重用分子电路的概念。 a. 一次性分子电路。不同颜色的球代表不同单体，输入可催化解离二聚体并释放输出。 b. 可重用分子电路。虚线表示单体间的强柔性连接，热可复位系统至动力学陷阱状态。 c. 一次性DNA催化剂。 d. 可重用DNA催化剂。彩色线条代表DNA链，箭头表示3'端。

为实现高效的催化与重置，团队开发了一种可重用的DNA催化剂（图2）。通过引入单核苷酸凸起循环和额外的趾环结构，他们优化了反应路径，显著加快了信号放大速度，同时保证了高达96%的重置成功率。实验显示，该催化剂在2小时内可实现10倍信号放大，并在输入失活、热循环后成功恢复至基线状态，展现出良好的可重用性。

图2 | 可重用DNA催化剂。 a. 反应路径，箭头粗细表示反应速率。 b. 复位过程中的反应与模拟，黑色为理想反应，灰色为非理想反应。 c,d. 八种设计的复位后荧光分子总浓度与反应完成时间。 e. 关键设计选择。 f. 可重用催化剂的模拟与荧光动力学实验。

在构建更复杂系统时，动力学一致性与级联能力至关重要（图3）。以“赢家通吃”神经网络为例，研究人员发现，不同发夹门之间的动力学差异可通过引入环状趾环来平衡。通过交替使用发夹门和双链门，他们实现了多层催化与化学计量反应的级联，确保了网络在重置后仍能保持准确的模式识别能力。

图3 | 动力学与级联。 a. 双输入“赢家通吃”功能实现。 b,c. 无环趾环与有环趾环的DNA催化剂动力学比较。 d. 复位模拟。 e. 加权求和功能实现。 f,g. 发夹门与双链门的下游级联比较。 h. 催化与化学计量反应交替层实现抽象功能。

为验证系统的可扩展性，团队构建了一个100比特的双记忆“赢家通吃”神经网络，用于识别手写数字“6”和“7”（图4）。该系统包含多达289种不同的DNA链，在单一试管中实现了213种分子的共存。模拟与实验结果表明，即使在十轮连续测试后，网络仍能稳定分类不同输入模式，展现出优异的复位稳健性与系统兼容性。

图4 | 可重用的100比特双记忆赢家通吃神经网络。 a. 抽象电路图、DNA实现与链数量。 b. 复位模拟。 c. 系统可重用性测试步骤。 d. 十组MNIST数字的加权和分析。 e. 连续十组测试模式的模拟与实验荧光动力学。

进一步地，研究人员展示了该架构的通用性（图5）。他们设计了可重用的阈值门，并与催化剂结合，实现了信号在多层级电路中的恢复。通过优化复位温度序列，逻辑门在多次使用后仍能保持稳定的ON/OFF输出状态。

图5 | 可重用逻辑门。 a. 带信号恢复的双输入逻辑门实现。 b. 复位反应与模拟。 c,d. OR门与AND门在复位前后的模拟与实验。

最后，为验证逻辑门的组合能力，团队构建了一个七层DNA电路，用于生成斐波那契词的前16位元素（图6）。该电路在连续16轮计算中表现出高度一致的性能，历经640小时与15次复位后仍能可靠响应，证明了该架构在实现复杂、可持续分子计算方面的潜力。

图6 | 可重用逻辑门的组合性。 a. 生成斐波那契词前16元素的三层电路。 b. 抽象电路与DNA实现。 c. 16轮计算中的电路性能一致性。

这项研究不仅首次实现了以热为能源的可重启分子计算系统，还为未来开发能在自然环境中自主学习与适应的智能分子机器铺平了道路。研究者展望，未来可结合模板化合成过程，实现选择性复位与持续学习，使分子机器在无人干预的情况下不断进化，迈向真正的化学智能时代。

来源：高分子科学前沿。

现在注册滴滴顺风车，完成首单有50元奖励！

回复【A01】领取85本哈佛商学院必读书单