基于DNA杂交反应技术的新型线性机器学习方法技术

本发明专利技术涉及基于DNA杂交反应技术的新型线性机器学习方法，属于生物计算及机器学习领域，本方案提出的基于DNA分子电路的机器学习系统不需要电子计算机的辅助便可以完成训练和测试过程，实现了机器学习的完全生物化；该系统由三部分构成，包括机器学习训练部分、算法部分和测试部分，该机器学习方法具有学习线性函数的能力，与硅电路不同，该学习算法是通过DNA杂交反应的同步性实现的，因此，该机器学习方法的计算模式是并行计算模型，该机器学习的权重是通过训练获得的，无需电子计算机的参与；通过该方法可以学习多变量线性函数，对输入项的个数没有限制；由于DNA浓度是非负的，该方法使用双轨模型进行负数据处理操作。方法使用双轨模型进行负数据处理操作。方法使用双轨模型进行负数据处理操作。

【技术实现步骤摘要】
基于DNA杂交反应技术的新型线性机器学习方法


[0001]本专利技术涉及生物计算及机器学习领域，具体涉及基于DNA杂交反应技术的新型线性机器学习方法。

技术介绍

[0002]自1946年专利技术了电子计算机，计算机技术已经渗透到人们的生活和工作的方方面面，为社会的发展做出了巨大的贡献，由于近年来科学技术的快速发展，用传统的电子计算机处理科技难题的计算时间随解决问题规模增大呈指数形式增长，为了满足日益增长的大规模和超大规模计算的需求，需要高性能计算和加速计算性能，突破硅半导体器件的束缚和发展非传统计算机是未来计算技术的重要途径，基于DNA分子的DNA计算包括基于DNA杂交反应的DNA计算模型、基于DNA酶的DNA计算模型、基于DNA瓦片的DNA计算模型和基于纳米粒子的DNA计算模型，DNA杂交技术是DNA计算的一种重要研究方法，DNA杂交的动力来源于Waston
‑
Crick碱基互补条件下的分子间作用力，DNA杂交反应过程具有并行性、可编程性、自主性、动态级联、高信息存储和低功耗，并在室温下自发进行，借助单分子自组装和荧光标记，DNA杂交技术被应用于生物传感器、分子检测、DNA纳米机器人、药物递送和诊断与治疗，此外，DNA杂交技术可以与纳米粒子、量子点和蛋白质结合，促进并行计算模型、集成密码和纳米电子学的发展；
[0003]学习能力是人类智能的一个重要标志，机器的目的是让机器具有学习能力。机器学习包括监督学习(SL)、无监督学习(UL)、半监督学习(SSL)、深度学习(DL)、强化学习(RL)和转移学习(TR)，机器学习的方法包括含机械式学习、归纳学习、基于解释的学习、基于遗传算法的学习以及基于神经网络的学习方法，利用DNA分子的可控性和可编译性，实现机器学习的各种算法，从而实现人脑的部分功能；
[0004]目前大部分基于DNA分子计算的人工智能系统的学习过程需要借助电子计算机的辅助完成，人工智能系统中的权值更新并不是依靠DNA分子电路完成的，而是依靠电子计算的辅助计算或现有的数据库(例如大型手写数字数据库完成的)，而权值的更新过程是人工智能系统的学习过程和训练过程，也是人工智能系统的核心内容，因此目前大部分基于DNA分子计算的人工智能系统并不具备真正意义上的学习能力，只具有一定的识别和归类功能；
[0005]鉴于以上，本申请提供基于DNA杂交反应技术的新型线性机器学习方法。

技术实现思路

[0006]目前大部分基于DNA分子计算的人工智能系统的学习过程需要借助电子计算机的辅助完成，针对上述情况，为克服现有技术之缺陷，本专利技术提供基于DNA杂交反应技术的新型线性机器学习方法，本方案提出的基于DNA分子电路的机器学习系统不需要电子计算机的辅助便可以完成训练和测试过程，实现了机器学习的完全生物化；
[0007]该系统由三部分构成，包括机器学习训练部分、算法部分和测试部分，该机器学习
方法具有学习线性函数的能力，与硅电路不同，该学习算法是通过DNA杂交反应的同步性实现的，因此，该机器学习方法的计算模式是并行计算模型，该机器学习的权重是通过训练获得的，无需电子计算机的参与；通过该方法可以学习多变量线性函数，对输入项的个数没有限制；由于DNA浓度是非负的，该方法使用双轨模型进行负数据处理操作。
[0008]基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，包括训练部分、算法部分、测试部分；
[0009](1)训练部分表达式如下：
[0010][0011][0012]方程(1a)
‑
(2d)属于催化反应模块1；(3a)和(3b)属于催化反应模块2；(3c)和(3d)属于催化反应模块1；方程(4a)
‑
(5f)属于湮灭反应模块；
[0013]其中N为输入项的个数，[*]t
表示物质*在t时刻的浓度，则[X
i
]t
表示第i个输入值；[W
i
]t
＝[W
i+
]t
‑
[W
i
‑
]t
表示第i个权值；[H
+
]t
＝[H
‑
]t
≡1(nM),物质I
+
和I
‑
浓度随时间变化的微分方程为：
[0014][0015](6)式可以简化为：
[0016][0017]则则
[0018]设定[H
+
]t
＝[H
‑
]t
≡1(nM)，则当DNA杂交反应网络达到动态平衡时，有：
[0019][0020]其中[Y]t
＝[Y
+
]t
‑
[Y
‑
]t
表示系统的输出值；
[0021](2)算法部分表达式如下：
[0022][0023][0024][0025]其中，方程(7)
‑
(9)由催化反应模块1构成；
[0026][0027]其中[D]t
＝[D
+
]t
‑
[D
‑
]t
表示期望值。
[0028]由公式(10)
‑
(12)可得：
[0029][0030](3)测试部分表达式如下：
[0031][0032][0033]其中，方程(13a)
‑
(15d)属于催化反应模块1；(16a)和(16b)属于催化反应模块2；(16c)和(16d)属于催化反应模块1；方程(17a)
‑
(17f)属于湮灭反应模块。
[0034]上述技术方案有益效果在于：
[0035](1)本方案提出的基于DNA分子电路的机器学习系统具备自主学习能力并且不需要电子计算机的辅助便可以完成训练和测试过程(该机器学习的权重是通过训练获得的)，实现了机器学习的完全生物化，无需电子计算机的参与；
[0036](2)多变量线性函数关系即为f(x1,x2,
…
,x
N
)＝w1x1+w2x2+
…
+w
N
x
N
，自变量的个数为N个，现有的研究成果基于DNA分子计算的人工神经网络只能处理2个自变量的线性函数关系，通过该方法可以学习多变量线性函数，对输入项的个数没有限制，可以为任意正整数；
[0037](3)由于DNA分子电路的输入和输出值均由DNA分子的浓度表示，而DNA分子的浓度具有非负性，因此不能处理带有负数的数据，本专利采取双分子浓度差的方式表示输入和输出，因为浓度差可正可负，可以表示一切实数；
[0038](4)本专利技术专利可用于并联电路总电流与电压关系的拟合和预测，并可预测分电阻值。
附图说明
[0039]图1为本专利技术的流程图；
[0040]图2为本专利技术催化反应模块1的子模块1的主要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DNA杂交反应技术的新型线性机器学习方法，其特征在于，包括训练部分、算法部分、测试部分；(1)其中训练部分表达式如下：
方程(1a)
‑
(2d)属于催化反应模块1；(3a)和(3b)属于催化反应模块2；(3c)和(3d)属于催化反应模块1；方程(4a)
‑
(5f)属于湮灭反应模块；其中i＝1,2,
…
,N，N为输入项的个数，[*]
t
表示物质*在t时刻的浓度，则[X
i
]
t
表示i个输入值；表示第i个权值；设定[H
+
]
t
＝[H
‑
]
t
≡1(nM)，物质I
+
和I
‑
浓度随时间变化的微分方程为：(6)式可以简化为：则则设定[H
+
]
t
＝[H
‑
]
t
≡1(nM)，则当DNA杂交反应网络达到动态平衡时，有：其中[Y]
t
＝[Y
+
]
t
‑
[Y
‑
]
t
表示系统的输出值；(2)算法部分表达式如下：(2)算法部分表达式如下：(2)算法部分表达式如下：
其中，方程(7)
‑
(9)由催化反应模块1构成；物质W
i+
和W
i
‑
的浓度随时间变化的微分方程为：其中[D]
t
＝[D
+
]
t
‑
[D
‑
]
t
表示期望值。由公式(10)
‑
(12)可得：
(3)测试部分表达式如下：其中，方程(13a)
‑
(15d)属于催化反应模块1；(16a)和(16b)属于催化反应模块2；(16c)和(16d)属于催化反应模块1；方程(17a)
‑
(17f)属于湮灭反应模块。2.根据权利要求1所述的基于DNA杂交反应技术的新型线性机器学习方法，其特征在
于，所述催化反应模块1反应方程为：它可由如下DNA链置换反应得到：其中I+被催化，X
i
为输入信号DNA分子，[W
i
+]
t
为权值报告链，和为辅助DNA链，且辅助DNA链的初始浓度为C
m
，并满足反应速率q
i
和k
i
满足q
i
≤q
m
，k
i
＝q
i
，q
m
表示最大反应速率；所述催化反应模块2反应方程为：可由如下DNA链置换反应得到：其中I
‑
被催化，Am
+
...

【专利技术属性】
技术研发人员：邹成业，李海峰，王文龙，
申请(专利权)人：燕山大学，
类型：发明
国别省市：