Штучний інтелект і генетика живих істот навчаються дуже схоже

Мережі генів у тварин чимось нагадують мережі нейронів у наших мізках — вони теж можуть «навчатися» на ходу. У 1996 році молодий аспірант по імені Річард Уотсон вирішив прочитати статтю про еволюцію. Вона була провокаційною і зачіпала стару проблему в еволюційної біології: ми погано розуміємо, як організми можуть так успішно адаптуватися до навколишнього середовища.

Живі істоти впродовж свого життя піддаються змінам, або мутацій в генах, але вони зовсім не здаються випадковими. Замість цього вони фактично «покращують» свою здатність адаптуватися. Здається, що ця здатність пояснюється не тільки процесом природного відбору, коли найкращі риси передаються найбільш успішним організмам.

Тому автори статті Гюнтер Вагнер з Єльського університету і Чи Альтенберг з Гавайського інституту геофізики і планетології в Гонолулу вирішили пошукати відповіді в несподіваному місці: комп'ютерних науках.

Уотсон, комп'ютерний вчений, буквально збожеволів. За 20 років, що минули з тих пір, як він прочитав цю статтю, він розробив теорію, засновану на висловлених тоді ідеях. Вона могла б допомогти пояснити, чому тварини так добре еволюціонують: ця риса називається «эволюционируемость» (або развиваемость). Більш того, вона могла б допомогти вирішити старі цікаві питання в області еволюційної біології.

Багатьом людям знайоме уявлення про те, що гени передаються від батьків до нащадків, і гени, які допомагають своїм господарям виживати і розмножуватися, мають більше шансів бути переданими. В цьому суть еволюції і природного відбору.

Але це ще не все, тому що гени часто працюють разом. Вони утворюють «мережі генів», і ці мережі генів також іноді можуть передаватися інтактними протягом кількох поколінь.

«Той факт, що у організмів є генні мережі і вони успадковуються від одного покоління до іншого, це інформація далеко не нова», говорить Уотсон, в даний час працює в Університеті Саутгемптона в Великобританії. Його внесок в основному пов'язаний з тим, як природний відбір діє в цих мережах.

Він вважає, що він виступає не просто частковим бар'єром, що дозволяє деяким адаптаціям проходити, а деяким ні. Замість цього вплив цього фільтра дозволяє генних мереж у тварин фактично «вчитися» того, що працює, а що ні, з плином часу. Таким чином, вони можуть покращувати свою продуктивність — багато в чому так само, як штучні нейронні мережі, використовувані комп'ютерними вченими, можуть «навчатися» вирішувати проблеми.

«Генні мережі» розвиваються, як нейронні мережі навчаються», говорить він. «Ось що дійсно нове».

В основі твердження Уотсона лежить ідея, що зв'язку між генами можуть бути посилені або ослаблені по мірі еволюції і змін виду — і саме сила цих зв'язків в генних мережах дозволяє організмам адаптуватися.

Цей процес аналогічний тому, як працюють штучні нейронні мережі на комп'ютерах.

У наш час ці системи використовуються для виконання різних завдань. Наприклад, вони можуть розпізнавати обличчя людей на фотографіях чи відео, і навіть аналізувати зйомку футбольних ігор, щоб зрозуміти, тактика якої команди показує себе краще і чому. Як комп'ютерам вдається визначати навіть таке?

Штучні нейронні мережі створені за образом і подобою біологічних мереж — по більшій частині мозку. Кожна мережа — це зібрання змодельованих «нейронів», які певним чином пов'язані; подібно станцій та ліній метро.

Мережі на кшталт цих здатні отримувати ввідні дані — скажімо, слово «привіт», записане на сторінці, — і порівнювати їх з виведенням — скажімо, в даному випадку зі словом «привіт», яке зберігається в пам'яті комп'ютера. Приблизно так діти вчаться читати і писати.

Як і дитина, нейронна мережа не може миттєво встановлювати з'єднання, а повинна навчатися з плином часу. Це навчання складне, але по суті передбачає зміну сильних зв'язків між віртуальними нейронами. Кожен раз це покращує результат, поки вся мережа не зможе надійно вивести бажаний відповідь: у нашому прикладі смішні символи на сторінці («привіт») відповідають слова «привіт». Тепер комп'ютер знає, що ви записали.

Уотсон вважає, що щось подібне відбувається і в природі. Розвивається вид «виводить» рису як раз для певного середовища.

Існують різні способи навчання нейронних мереж. Той, на якому зосередився Уотсон, являє гарний приклад того, що відбувається в біологічних генних мережах, «Хеббовское навчання».

У Хеббовском навчанні зв'язок між суміжними нейронами, які мають подібні результати, посилюється з плином часу. Коротко: «нейрони, які спрацьовують разом, зв'язуються між собою». Мережа «вчиться», створюючи міцні зв'язки всередині себе.

Якщо у організму є певні гени, що спрацьовують разом таким чином, і цей організм виявляється досить успішним для розмноження, то його потомство не просто наслідує його корисні гени, стверджує Уотсон. Воно також успадковує зв'язок між цими генами.

Особлива перевага Хеббовского навчання в тому, що ці мережі можуть розробляти «модульні» функції. Наприклад, одна група генів може визначати, чи тварина задні лапи, або очі, або пальці. Точно так само жменька пов'язаних адаптацій — як здатність риби справлятися з підвищеною температурою і солоністю води — може зв'язатися і унаследоваться цілком, в одній мережі генів.

«Якщо єокрема істота, яке має дещо міцнішу регуляторну зв'язок між цими генами, ніж яке-небудь інше, воно буде краще», говорить Уотсон. «Їх вибере природний відбір. І значить, по закінченні еволюційного часу, сила зв'язків між цими генами буде збільшена».

Для Уотсона це допомагає обійти прилипчивую проблему в теорії еволюції.

Уявіть собі на мить, що геном організму являє собою комп'ютерний код. Програміст-початківець міг би поступово оновлювати свій код час від часу, намагаючись внести поліпшення. З їх допомогою можна було б визначити, чи може інша послідовність команда змусити програму працювати трохи більш ефективно.

Почнемо з того, що цей процес проб і помилок може працювати досить добре. Але з часом оновлення коду таким чином зробить його досить громіздким. Код почне виглядати безладним, що ускладнить визначення того, до яких наслідків може призвести певна зміна. Іноді це трапляється і в програмуванні, результат називають «спагетті-кодом».

Якщо організми дійсно розвивалися таким чином, говорить Уотсон, їх «эволюционируемость — здатність адаптуватися до нових стресів або оточенню — була б не найкращою». Але на ділі «здатність природних організмів адаптуватися до селективного оточенню або проблем просто дивовижна».

Уотсон також припустив, що мережі генів можуть включати «спогади» попередніх адаптацій, які могли бути обумовлені вимогами навколишнього середовища.

Наприклад, можливо, деякі групи організмів могли швидко розвиватися, щоб вживати їжу, шкідливу для інших членів тих же видів — тому що їх предки вже витримали таку дієту. У минулому структура регуляції генів могла змінитися, полегшивши деякі тригери генної експресії. Цей «ухил» у кінцевому рахунку допоміг би їх нащадкам переварити складну їжу.

Один з реальних прикладів Уотсона — колюшки. Ці риби виробили в один час переносимість прісної, потім солоної води, потім повернулися назад, в залежності від того, що вимагало від них поточне оточення.

Ідея Уотсона означає, що організми повинні бути начинені безліччю варіантів для адаптації.

Також це означає, що генні мережі еволюціонували — у всіх тварин — щоб пристосуватися до природного світу Землі. Ось чому організми так добре реагують на навколишнє середовище: стреси і напруги в навколишньому середовищі Землі зафіксовані в регулятивних зв'язках між генами протягом мільйонів років.

«Я думаю, завжди був глибокий потенціал дослідити паралелі між комп'ютерним навчанням і еволюцією, але ніхто не займався цим з такою ж суворістю, як і Річард Вотсон», говорить Кевін Лаланд з Університету Сент-Ендрюс у Великобританії, який брав участь у великомасштабному проекті разом з Уотсоном.

Однак велика проблема гіпотези Уотсона полягає в тому, чи можна знайти якісь емпіричні доказ її в природі.

досі всі ідеї Уотсона ґрунтувалися на обчислювальних експериментах в лабораторії. Мабуть, ці експерименти могли дати результати, аналогічні реальним організмам, але конкретні процеси у них поки що не спостерігалися.

«Це питання на 64 мільйони доларів», визнає Уотсон.

Але Уотсон і Лаланд вважають, що є інші способи перевірити цю теорію эволюционируемости. Уотсон пропонує проаналізувати, як змінюються мережі генів у мікробів, що розвиваються в лабораторії. Оскільки мікроби, наприклад бактерії, відтворюються швидко, за кілька днів можна спостерігати кілька поколінь адаптації.

«Якщо ви хочете провести жорстке випробування теорії, вам варто задатися питанням, чи зможете ви зробити нові передбачення, ще не відображені в літературі?», каже Лаланд.

Наприклад, можна було б розробити комп'ютерну систему, засновану на ідеях Уотсона, яка могла б передбачити, як будуть розвиватися організми в дикій природі за певних відомих умовах. Якщо така система виявиться точною, це, безумовно, допоможе зміцнити теорію.

В генних мережах вже існує декілька особливостей, які допомагають вийти на підхід Уотсона. Міні-мережу генів, що визначають конкретну адаптацію, на зразок одного з модулів, згаданих вище, іноді може включатися чи виключатися лише одним іншим активаторным геном.

Приклади такого можна знайти в природі, каже Уотсон. Серед них «еволюційні відкидання»: організми з адаптаціями, які, як вважали, повинні були зникнути ще у їхніх предків. Це називається «атавізм».

Відомий приклад такого — зуби у курки. Кури генетично здатні відрощувати зуби, але не роблять цього зазвичай в дикій природі або в неволі. Однак ріст зубів можна включити в лабораторії за допомогою молекулярної біології.

Іноді атавістичні риси проявляються у природних популяцій. Один з останніх можливих випадків — кит, знайдений на пляжі в Австралії в лютому 2016 року. У нього були схожі на ікла зуби, яких зазвичай не видно у китів. Можливо, це залишилося від предків, у яких також були зуби, схожі на ікла, мільйони років тому.

Іншим актуальним явищем є «конвергентна еволюція», коли неспоріднену види, що живуть в абсолютно різних середовищах існування, якимось чином приходять до однієї і тієї ж адаптації. Серед прикладів — певні малюнки на крилах метеликів і дуже схожі риби, що живуть в окремих озерах в Африці, каже Лаланд.

«Ті ж форми, ті ж шаблониз'являються знову і знову», говорить він. «Можливо, простіше створити певний вид риб, ніж інші. Деякі форми можуть виявлятися частіше в процесі поколінь».

Эволюционируемость такого роду, описана Уотсоном, може це пояснити. Генетичні мережі, стверджує він, поступово навчилися реагувати схожим чином у подібних ситуаціях. Ці модульні функції, такі як малюнок крила метелика, можуть бути найбільш імовірними рішеннями для системи навчання, ніж інші.

Іншими словами, при наявності кількох необхідних умов еволюція буде виконувати одні і ті ж трюки знову і знову.

І тут народжуються досить філософські питання. З одного боку, еволюція функціонує як великий природний комп'ютер. І чи може «эволюционируемость» припускати, що життя в якомусь сенсі запрограмована на поліпшення — хоча б на генетичному рівні? Деякі біологи в жаху від цієї ідеї, але якщо здатність організмів до адаптації покращується з часом, якщо еволюція навчається з часом, невже все настільки прозоро?

Уотсон думає, що так.

«Тільки якщо ви представите систему, що володіє відповідною мінливістю, селекцією і спадкуванням, ви змусите еволюцію працювати. І без эволюционируемости це уявити неможливо».