Kunstig intelligens og genetikk av levende vesener er trent veldig lik

Nettverk av gener i dyr er noe lignende til nettverk av nerveceller i hjernen vår, — de, også, kan "lære" du er på farten. I 1996, en ung graduate student som heter Richard Watson bestemte meg for å lese artikkelen om evolusjon. Hun var provoserende og rørt på et gammelt problem i evolusjonær biologi: vi forstår ikke hvordan organismer kan lykkes med å tilpasse seg omgivelsene.

Levende vesener i hele sitt liv gjennomgå endringer, eller mutasjoner i genene, men de synes ikke å være tilfeldig. I stedet, de faktisk "forbedre" sin evne til å tilpasse seg. Det ser ut til at denne evnen skyldes ikke bare til prosessen av det naturlige utvalg, der den beste trekkene er sendt til den mest vellykkede organismer.

Derfor, forfatterne Gunter Wagner av Yale University og Lee Altenberg Hawaii Institutt for Geofysikk og planetology-området i Honolulu, har bestemt seg for å se etter svar på et uventet sted: informatikk.

Watson, en forsker, bokstavelig talt gal. I løpet av de 20 årene som har gått siden da, som han leste denne artikkelen, utviklet han en teori basert på ideene uttrykt deretter. Det kan bidra til å forklare hvorfor dyrene er så godt evolyutsioniruet: denne funksjonen kalles "evolyutsioniruet" (eller razvijenosti). Videre, det kan bidra til å løse gamle interessant spørsmål i evolusjonær biologi.

Mange mennesker er kjent med ideen om at gener blir overført fra foreldre til avkom, og gener som hjelper sine verter til å overleve og reprodusere er mer sannsynlig å bli overført. Dette er essensen av evolusjon og naturlig utvalg.

Men det er ikke alt, fordi gener som ofte jobber sammen. De danner et "nettverk" gener, og disse nettverk av gener kan noen ganger også være overførbare intakt for flere generasjoner.

"det faktum at organismene har genet nettverk og nedarves fra en generasjon til en annen, denne informasjonen er ikke noe nytt," sier Watson, som for tiden arbeider ved Universitetet i Southampton i STORBRITANNIA. Hans bidrag er for det meste knyttet til hvordan naturlig utvalg opererer i disse nettverkene.

Han mener at han er ikke bare en delvis barriere, slik at noen tilpasninger for å ta plass, og noen gjør det ikke. I stedet, virkningen av dette filteret kan genetiske nettverk i dyr faktisk "lære" hva som fungerer og hva som ikke over tid. Dermed, de kan forbedre sine prestasjoner — i omtrent samme måte som den kunstige nevrale nettverk som brukes av datamaskinen forskere, kan "lære" å løse problemer.

"Genet nettverk" utvikle seg som nevrale nettverk læring," sier han. "Hva er egentlig nytt."

På grunnlag av kravet Watson er ideen om at forholdet mellom gener kan bli styrket eller svekket som utviklingen og endringer av vise — og det er styrken av disse koblingene i genet nettverk lar organismer for å tilpasse seg.

Denne prosessen ligner på hvordan et kunstig nevrale nettverk på datamaskiner.

I dag er disse systemene brukes til å utføre en rekke oppgaver. De kan For eksempel gjenkjenne ansikter på bilder eller videoer, og selv analysere skyting fotball spill å forstå taktikk som team viser bedre og hvorfor. Hvordan datamaskiner er i stand til å bestemme selv det?

Kunstige nevrale nettverk er skapt i guds bilde og likhet for biologiske nettverk — for den største delen av hjernen. Hvert nettverk er en samling av simulert "nerveceller som er koblet sammen på en bestemt måte, som stasjoner og t-bane linjer.

Et Nettverk som dette er i stand til å motta input-data — for eksempel ordet "Hei" skrevet på siden, og sammenligne dem med utgang — for eksempel, i dette tilfellet med ordet "Hei", som er lagret i datamaskinens minne. Om hvordan barn lærer å lese og skrive.

Som et barn, nevrale nettverk kan ikke umiddelbart etablere denne forbindelsen og må lære over tid. Denne opplæringen er komplisert, men i hovedsak innebærer å endre den sterke relasjoner mellom den virtuelle nevroner. Hver gang det forbedrer resultatet, mens hele nettverket kan ikke pålitelig vise ønsket svar: i vårt eksempel, morsomme symboler på siden ("hei") samsvarer med ordet "Hei". Nå datamaskinen vet at du har spilt inn.

Watson, mener at noe lignende skjer i naturen. Utviklingen av det "returnerer" egenskap bare for et bestemt miljø.

Det finnes ulike måter opplæring av nevrale nettverk. En som er fokusert Watson er et godt eksempel på hva som skjer i biologiske genet nettverk, "Habboushe opplæring".

I Habovka læring forbindelsen mellom tilstøtende nevroner, som har lignende resultater, vil øke over tid. Kort sagt: "nevroner at brann er koblet sammen i mellom". Nettverket "lærer" ved å skape sterke bånd i seg selv.

Hvis kroppen har visse gener som utløser dermed sammen, og denne organismen er vellykket nok til å rase, så avkommet arver ikke bare er det nyttig gener, sier Watson. Det er også arver tilkobling mellom disse genene.

En Spesiell fordel Habboushe læring som disse nettverkene kan utvikle en "modular" - funksjonen. For eksempel, en gruppe av gener kan avgjøre om dyret bakbena, eller øyne eller fingre. På samme måte, en håndfull av i slekt tilpasninger — som for eksempel mulighet for fisk å takle høy temperatur og saltinnhold i vannet kan binde seg til og unasledovala helt i samme nettverk av gener.

"Hvis detet eget vesen som har en litt sterkere regulatoriske forhold mellom disse genene enn noen andre, det ville være å foretrekke, sier Watson. "De ville velge det naturlige utvalg. Og så, etter noen evolusjonær tid, styrken på relasjoner mellom disse genene vil bli økt."

For Watson-dette bidrar til å unngå klengete problemer med evolusjonsteorien.

Tenk for et øyeblikk at genomet til en organisme representerer datamaskin kode. Programmerer-nybegynner kan gradvis oppdatere koden fra tid til annen, prøver å gjøre forbedringer. Med deres hjelp, ville det være mulig å finne ut om andre sekvens-kommandoen til å lage et program jobbe litt mer effektivt.

La oss Starte med det faktum at denne prosess av prøving og feiling kan fungere ganske godt. Men over tid å oppdatere koden på denne måten vil gjøre det ganske klumpete. Koden begynner å se rotete, noe som gjør det vanskelig å fastslå hva konsekvensene kan resultere i en klar endring. Noen ganger er det som skjer i programmering, resultatet er kalt "spaghetti-koden".

Hvis organismer virkelig har utviklet seg på denne måten, sier Watson, sine "evolyutsioniruet — evne til å tilpasse seg nye påkjenninger eller miljøet — ikke ville være det beste". Men faktisk, "evne til naturlige organismer for å tilpasse seg den selektive miljø eller problemer det var herlig."

Watson også foreslått at et nettverk av gener kan inkludere "minner" av tidligere tilpasninger som kan være på grunn av kravene til miljøet.

For Eksempel, som kanskje er en gruppe av organismer kan raskt utvikle seg til å spise mat som er skadelig for andre medlemmer av samme art fordi deres forfedre hadde utholdt en slik diett. I den siste strukturen av genet, regulering kan endre, legge til rette noen av triggere av genuttrykk. Denne "bias" til syvende og sist ville hjelpe sine etterkommere til å fordøye komplisert mat.

En av de virkelige eksempler Watson — koluszki. Disse fisken er produsert på en gang toleranse av fersk deretter saltvann, så kom tilbake, avhengig av hva som kreves av dem for det gjeldende miljøet.

Ideen om Watson betyr at organismene må være fylt med en rekke alternativer for tilpasning.

Det betyr Også at genet nettverket har utviklet seg — alle dyr — for å tilpasse seg til den naturlige verden av Jorden. Det er derfor organismer reagerer så godt til miljøet: stress og belastninger på miljøet i Jord er nedfelt i regulatoriske forhold mellom gener over millioner av år.

"jeg tror alltid hatt en dyp evne til å utforske Sammenhengen mellom opplæring og utvikling, men ingen gjorde det med den samme grundighet som Richard Watson," sier Kevin Lalande fra University of St Andrews, med NORGE, som deltok i et storskala prosjekt, sammen med Watson.

Imidlertid stort problem med hypotesen om Watson er, er det mulig å finne noen empiriske bevis på det i naturen.

Så langt, alle ideer av Watson var basert på beregningsorientert eksperimenter i laboratoriet. Angivelig, disse eksperimentene kunne produsere resultater som ligner på ekte organismer, men bestemte prosesser som ennå ikke er blitt observert.

"det er $ 64 millioner," innrømmer Watson.

Men Watson og Lalande tror at det er andre måter å teste denne teorien evolyutsioniruet. Watson foreslår å analysere hvordan endre nettverk av gener i mikrober utvikler seg i laboratoriet. Fordi mikrobene, som bakterier reproduserer raskt, i løpet av noen få dager kan du observere noen generasjoner av tilpasning.

"Hvis du vil gjennomføre grundige tester av teorien, må du lurer på, vil du være i stand til å gjøre nye spådommer, som ennå ikke er reflektert i bøker?" sier Lalande.

For Eksempel, ville det være mulig å utvikle en datamaskin system basert på ideer om Watson, som kan forutsi utviklingen av organismer i naturen under visse kjente forhold. Hvis et slikt system vil vise seg å være nøyaktige, det vil definitivt bidra til å forsterke teorien.

I genetisk nettverk, det er allerede noen funksjoner som vil hjelpe ut på tilnærming av Watson. Mini-kjeden gener som bestemmer spesifikke tilpasningen, som en av modulene som nevnt ovenfor, kan noen ganger være slått på eller av bare en annen aktivator genet.

Eksempler på dette kan bli funnet i naturen, sier Watson. Blant dem er "evolusjonære drop": organismer med tilpasninger, som, som trodde, var å forsvinne fra sine forfedre. Det kalles "atavism".

Et godt Kjent eksempel på en slik tenner i kyllinger. Kyllinger er genetisk i stand til å vokse tennene, men ikke gjør det som regel i naturen eller i fangenskap. Imidlertid, vekst av tennene kan være inkludert i et laboratorium ved hjelp av molekylær biologi.

Noen Ganger atavistic trekkene er manifestert i naturlige bestander. En av de siste mulige tilfeller kit ble funnet på stranden i Australia i februar 2016. Han var som hoggtenner av tennene, som er vanligvis ikke sett hval. Kanskje det var igjen fra forfedre som også hadde tenner lik hoggtenner, for millioner av år siden.

Et Annet relevant fenomen er "konvergent evolusjon", når ubeslektede arter som lever i ulike habitater eller annen måte kommer til samme tilpasning. Eksempler er visse mønstre på vingene av sommerfugler og svært lignende fisk som lever i separate innsjøer i Afrika, sier Lalande.

"de samme former, den samme mønstredet vises igjen og igjen," sier han. "Det kan være enklere å skape en bestemt type fisk enn andre. Noen former kan forekomme oftere i prosessen av generasjoner."

Evolyutsioniruet av den typen som er beskrevet av Watson kan forklare det. Genetisk nettverk, hevder han, etter hvert lært å reagere på en lignende måte i lignende situasjoner. Disse modulære funksjoner som mønster av en butterfly wing, kan være den mest sannsynlige løsninger til opplæring og utdanning enn andre.

Med Andre ord, tilstedeværelse av flere nødvendige betingelser for utvikling for å utføre samme triks på nytt og på nytt.

Og her er født veldig filosofisk spørsmål. På den ene siden, evolusjon fungerer som en stor naturlig datamaskinen. Og kan den "evolyutsioniruet" til å tro at livet i en viss forstand er programmert til å bli bedre — i hvert fall på et genetisk nivå? Noen biologer er på grunn av denne ideen, men hvis muligheten av organismer til å tilpasse seg bedre med alderen, hvis utviklingen av læring over tid, er det virkelig så gjennomsiktig?

Watson mener det.

"hvis du vil presentere et system, med passende variasjon, utvalg og arv, vil du gjøre utviklingen jobben. Og uten evolyutsioniruet det er umulig å forestille seg".