DNA-Polymer-Hybride als molekulare Bausteine

Die DNA hat sich durch die herausstechende Eigenschaft zur Selbstorganisation in den Naturwissenschaften zu einem beliebten Werkzeug entwickelt. In dieser Arbeit wurde die Oligonukleotidselbsterkennung zum Aufbau komplexer Multiblockcopolymere genutzt. Dabei dienten komplementäre einzelsträngige Oligonukleotidsequenzen (ssDNA) als adressierbare Verbindungsstücke zwischen synthetischen Blöcken. Als Bausteine wurden asymmetrische Dreiblockcopolymere der Form DNA1-Polymer-DNA2 aus einer flexiblen Polymereinheit (PEO bzw. PPO) die an beiden Enden mit unterschiedlichen Oligonukleotidsequenzen „funktionalisiert“ ist, verwendet. Diese Bausteine konnten durch die Kombination von Festphasensynthese der Oligonukleotide und Blockkopplung dargestellt werden. Die Oligonukleotidsequenzen wurden so gewählt, dass deren Hybridisierung zu einer bei Raumtemperatur stabilen Verbindung führt. Durch die Verwendung dieser Bausteine erhält man ein modulares System, dass sich durch seine hohe Flexibilität auszeichnet. Aus den dargestellten Dreiblockcopolymeren konnten verschiedene alternierende Multiblockcopolymere aufgebaut werden, wobei die Anzahl der Blöcke (von 11 bis 15) und das PEO / PPO- Verhältnis variiert wurden. Derartige Strukturen sind auf der Grundlage chemischer Synthesen unerreichbar. Die Flexibilität dieses modularen Systems konnte gezeigt werden, indem einzelne Blockbausteine zur Strukturaufklärung einfach ausgetauscht oder weggelassen werden konnten. Durch geeignete Wahl der DNA-Sequenzen konnte zusätzlich das Polymerisationsverhalten dieser Bauelemente untersucht werden. Die Integration längerer kettensteifer DNA-Abschnitte in die Multiblockstrukturen erfolgte durch die Verwendung teilkomplementärer Oligonukleotide. Diese bieten den Vorteil, dass bis zu einer Größe von etwa 150 bp sowohl die Länge als auch die Sequenz der Doppelstrangabschnitte und sticky-ends frei variiert werden können. Die biosynthetischen Dreiblockcopolymere dienten hier als Linkermoleküle zwischen den einzelnen dsDNA-Blöcken. Nach diesem Konzept wurde ein Nonamer als Modellsystem eines mehrfach gebrochenen Stäbchens synthetisiert. Außerdem wurden mit Hilfe der Polymerase Kettenreaktion (PCR) semiflexible DNA Abschnitte erzeugt. Durch die Wahl des Synthesewegs konnte sowohl die Länge der semiflexiblen Einheit als auch die Länge und die Sequenz des sticky-ends variiert werden. Anhand dieser Modellverbindungen wurde dann das Hybridisierungsverhalten in Abhängigkeit der Linker- und Segmentlängen untersucht.

Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.