Искусственный интеллект и генетика существ обучаются похоже
|
Сети генов у животных чем-то напоминают сети нейронов в наших мозгах — они тоже могут «обучаться» на ходу. В 1996 году молодой аспирант по имени Ричард Уотсон решил прочитать статью об эволюции. Она была провокационной и затрагивала старую проблему в эволюционной биологии: мы плохо понимаем, как организмы могут так успешно адаптироваться к окружающей среде. |
Живые существа на протяжении своей жизни подвергаются изменениям, или мутациям, в генах, но они совершенно не кажутся случайными. Вместо этого они фактически «улучшают» свою способность адаптироваться. Кажется, что эта способность объясняется не только процессом естественного отбора, когда наилучшие черты передаются наиболее успешным организмам. |
Поэтому авторы статьи Гюнтер Вагнер из Йельского университета и Ли Альтенберг из Гавайского института геофизики и планетологии в Гонолулу решили поискать ответы в неожиданном месте: компьютерных науках. |
Уотсон, компьютерный ученый, буквально сошел с ума. За 20 лет, прошедших с тех пор, как он прочитал эту статью, он разработал теорию, основанную на высказанных тогда идеях. Она могла бы помочь объяснить, почему животные так хорошо эволюционируют: эта черта называется «эволюционируемость» (или развиваемость). Более того, она могла бы помочь решить старые любопытные вопросы в области эволюционной биологии. |
Многим людям знакомо представление о том, что гены передаются от родителей к потомкам, и гены, которые помогают своим хозяевам выживать и размножаться, имеют больше шансов быть переданными. В этом суть эволюции и естественного отбора. |
Но это еще не все, потому что гены часто работают вместе. Они образуют «сети генов», и эти сети генов также иногда могут передаваться интактными в течение нескольких поколений. |
«Тот факт, что у организмов есть генные сети и они наследуются от одного поколения к другому, это информация далеко не нова», говорит Уотсон, в настоящее время работающий в Университете Саутгемптона в Великобритании. Его вклад в основном связан с тем, как естественный отбор действует в этих сетях. |
Он считает, что он выступает не просто частичным барьером, позволяющим некоторым адаптациям проходить, а некоторым нет. Вместо этого воздействие этого фильтра позволяет генным сетям у животных фактически «учиться» тому, что работает, а что нет, с течением времени. Таким образом, они могут улучшать свою производительность — во многом так же, как искусственные нейронные сети, используемые компьютерными учеными, могут «учиться» решать проблемы. |
«Генные сети» развиваются, как нейронные сети — учатся», говорит он. «Вот что действительно новое». |
В основе утверждения Уотсона лежит идея, что связи между генами могут быть усилены или ослаблены по мере эволюции и изменений вида — и именно сила этих связей в генных сетях позволяет организмам адаптироваться. |
Этот процесс аналогичен тому, как работают искусственные нейронные сети на компьютерах. |
В наше время эти системы используются для выполнения самых разных задач. Например, они могут распознавать лица людей на фотографиях или видео, и даже анализировать съемку футбольных игр, чтобы понять, тактика какой команды показывает себя лучше и почему. Как компьютерам удается определять даже такое? |
Искусственные нейронные сети созданы по образу и подобию биологических сетей — по большей части мозга. Каждая сеть — это собрание смоделированных «нейронов», которые связаны определенным образом; подобно станциям и линиям метро. |
Сети вроде этих способны получать вводные данные — скажем, слово «привет», записанное на странице, — и сравнивать их с выводом — скажем, в данном случае со словом «привет», которое хранится в памяти компьютера. Примерно так дети учатся читать и писать. |
Как и ребенок, нейронная сеть не может мгновенно устанавливать соединение, а должна обучаться с течением времени. Это обучение сложное, но по существу предполагает изменение сильных связей между виртуальными нейронами. Каждый раз это улучшает результат, пока вся сеть не сможет надежно вывести желаемый ответ: в нашем примере смешные символы на странице («привет») соответствуют слову «привет». Теперь компьютер знает, что вы записали. |
Уотсон считает, что нечто подобное происходит и в природе. Развивающийся вид «выводит» черту как раз для определенной среды. |
Существуют различные способы обучения нейронных сетей. Тот, на котором сосредоточился Уотсон, представляет хороший пример того, что происходит в биологических генных сетях, «Хеббовское обучение». |
В Хеббовском обучении связь между смежными нейронами, которые имеют сходные результаты, усиливается с течением времени. Вкратце: «нейроны, которые срабатывают вместе, связываются между собой». Сеть «учится», создавая прочные связи внутри себя. |
Если у организма есть определенные гены, срабатывающие вместе таким образом, и этот организм оказывается достаточно успешным для размножения, то его потомство не просто наследует его полезные гены, утверждает Уотсон. Оно также наследует связь между этими генами. |
Особое преимущество Хеббовского обучения в том, что эти сети могут разрабатывать «модульные» функции. Например, одна группа генов может определять, имеет ли животное задние лапы, или глаза, или пальцы. Точно так же горстка связанных адаптаций — как способность рыбы справляться с повышенной температурой и соленостью воды — может связаться и унаследоваться целиком, в одной сети генов. |
«Если есть отдельное существо, которое имеет чуть более сильную регуляторную связь между этими генами, чем какое-либо другое, оно будет предпочтительнее», говорит Уотсон. «Их выберет естественный отбор. И значит, по прошествии эволюционного времени, сила связей между этими генами будет увеличена». |
Для Уотсона это помогает обойти прилипчивую проблему в теории эволюции. |
Представьте себе на мгновение, что геном организма представляет собой компьютерный код. Программист-новичок мог бы постепенно обновлять свой код время от времени, пытаясь внести улучшения. С их помощью можно было бы определить, может ли другая последовательность команда заставить программу работать чуть более эффективно. |
Начнем с того, что этот процесс проб и ошибок может работать достаточно хорошо. Но со временем обновление кода таким образом сделает его довольно громоздким. Код начнет выглядеть беспорядочным, что затруднит определение того, к каким последствиям может привести определенное изменение. Иногда это случается и в программировании, результат называют «спагетти-кодом». |
Если организмы действительно развивались таким образом, говорит Уотсон, их «эволюционируемость — способность адаптироваться к новым стрессам или окружению — была бы не самой лучшей». Но на деле «способность природных организмов адаптироваться к селективному окружению или проблемам просто удивительна». |
Уотсон также предположил, что сети генов могут включать «воспоминания» предыдущих адаптаций, которые могли быть обусловлены требованиями окружающей среды. |
Например, возможно, некоторые группы организмов могли быстро развиваться, чтобы употреблять пищу, вредную для других членов тех же видов — потому что их предки уже выдержали такую диету. В прошлом структура регуляции генов могла измениться, облегчив некоторые триггеры генной экспрессии. Этот «уклон» в конечном счете помог бы их потомкам переварить сложную еду. |
Один из реальных примеров Уотсона — колюшки. Эти рыбы выработали в одно время переносимость пресной, затем соленой воды, затем вернулись обратно, в зависимости от того, что требовало от них текущее окружение. |
Идея Уотсона означает, что организмы должны быть начинены множеством вариантов для адаптации. |
Также это означает, что генные сети эволюционировали — у всех животных — чтобы приспособиться к природному миру Земли. Вот почему организмы так хорошо реагируют на окружающую среду: стрессы и напряжения в окружающей среде Земли запечатлены в регулятивных связях между генами на протяжении миллионов лет. |
«Я думаю, всегда был глубокий потенциал исследовать параллели между компьютерным обучением и эволюцией, но никто не занимался этим с такой же строгостью, как и Ричард Уотсон», говорит Кевин Лаланд из Университета Сент-Эндрюс в Великобритании, участвовавший в крупномасштабном проекте вместе с Уотсоном. |
Однако большая проблема гипотезы Уотсона заключается в том, можно ли найти какие-либо эмпирические доказательство ее в природе. |
До сих пор все идеи Уотсона основывались на вычислительных экспериментах в лаборатории. По-видимому, эти эксперименты могли дать результаты, аналогичные реальным организмам, но конкретные процессы у них пока не наблюдались. |
«Это вопрос на 64 миллиона долларов», признает Уотсон. |
Но Уотсон и Лаланд полагают, что есть другие способы проверить эту теорию эволюционируемости. Уотсон предлагает проанализировать, как меняются сети генов у микробов, развивающихся в лаборатории. Поскольку микробы, например бактерии, воспроизводятся быстро, за несколько дней можно наблюдать несколько поколений адаптации. |
«Если вы хотите провести жесткое испытание теории, вам стоит задаться вопросом, сможете ли вы сделать новые предсказания, еще не отраженные в литературе?», говорит Лаланд. |
Например, можно было бы разработать компьютерную систему, основанную на идеях Уотсона, которая могла бы предсказать, как будут развиваться организмы в дикой природе при определенных известных условиях. Если такая система окажется точной, это, безусловно, поможет укрепить теорию. |
В генных сетях уже существует несколько особенностей, которые помогают выйти на подход Уотсона. Мини-сеть генов, определяющих конкретную адаптацию, вроде одного из модулей, упомянутых выше, иногда может включаться или выключаться лишь одним другим активаторным геном. |
Примеры такого можно найти в природе, говорит Уотсон. Среди них «эволюционные отбрасывания»: организмы с адаптациями, которые, как полагали, должны были исчезнуть еще у их предков. Это называется «атавизм». |
Известный пример такого — зубы у кур. Куры генетически способны отращивать зубы, но не делают этого обычно в дикой природе или в неволе. Однако рост зубов можно включить в лаборатории при помощи молекулярной биологии. |
Иногда атавистические черты проявляются у естественных популяций. Один из последних возможных случаев — кит, найденный на пляже в Австралии в феврале 2016 года. У него были похожие на клыки зубы, которых обычно не видно у китов. Возможно, это осталось от предков, у которых также были зубы, похожие на клыки, миллионы лет назад. |
Другим актуальным явлением является «конвергентная эволюция», когда неродственные виды, живущие в совершенно разных средах обитания, каким-то образом приходят к одной и той же адаптации. Среди примеров — определенные рисунки на крыльях бабочек и очень похожие рыбы, обитающие в отдельных озерах в Африке, говорит Лаланд. |
«Те же формы, те же шаблоны появляются снова и снова», говорит он. «Возможно, проще создать определенный вид рыб, чем другие. Некоторые формы могут проявляться чаще в процессе поколений». |
Эволюционируемость такого рода, описанная Уотсоном, может это объяснить. Генетические сети, утверждает он, постепенно научились реагировать похожим образом в подобных ситуациях. Эти модульные функции, такие как рисунок крыла бабочки, могут быть наиболее вероятными решениями для системы обучения, чем другие. |
Другими словами, при наличии нескольких необходимых условий эволюция будет выполнять одни и те же трюки снова и снова. |
И здесь рождаются весьма философские вопросы. С одной стороны, эволюция функционирует как большой природный компьютер. И может ли «эволюционируемость» предполагать, что жизнь в каком-то смысле запрограммирована на улучшение — хотя бы на генетическом уровне? Некоторые биологи в ужасе от этой идеи, но если способность организмов к адаптации улучшается со временем, если эволюция учится со временем, неужели все настолько прозрачно? |
Уотсон думает, что да. |
«Только если вы представите систему, обладающую соответствующей изменчивостью, селекцией и наследованием, вы заставите эволюцию работать. И без эволюционируемости это представить невозможно». |
Источник |
При использовании материалов с сайта активная ссылка на него обязательна
|