Главная » Гаджеты » Искусственный интеллект и генетика живых существ обучаются очень похоже

Искусственный интеллект и генетика живых существ обучаются очень 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 прочесть статью об эволюции. Она была провокационной и затрагивала старую проблему в эволюционной биологии: мы нехорошо понимаем, как организмы могут этак успешно адаптироваться к окружающей среде.

Живые существа на протяжении своей жизни подвергаются изменениям, или мутациям, в генах, однако они совершенно не кажутся случайными. Вместо этого они фактически «улучшают» свою способность адаптироваться. Будто, что эта способность объясняется не лишь процессом естественного отбора, когда наилучшие черты передаются наиболее успешным организмам.

Потому 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, будто он прочитал эту статью, он разработал теорию, основанную на высказанных тогда идеях. Она могла бы поддержать объяснить, почему животные этак хорошо эволюционируют: эта черта называется «эволюционируемость» (или развиваемость). Более того, она могла бы поддержать решить старые любопытные вопросы в области эволюционной биологии.

Многим людям знакомо понятие о том, что гены передаются от родителей к потомкам, и гены, которые помогают своим хозяевам выживать и плодиться, имеют больше шансов быть переданными. В этом суть эволюции и естественного отбора.

Однако это еще не все, потому что гены нередко работают вместе. Они образуют «сети генов», и эти сети генов также порой могут передаваться интактными в течение нескольких поколений.

«Тот факт, что у организмов кушать генные сети и они наследуются от одного поколения к другому, это информация вдали не нова», говорит Уотсон, в сегодняшнее время работающий в Университете Саутгемптона в Великобритании. Его лепта в основном связан с тем, будто естественный отбор действует в этих сетях.

Он считает, что он выступает не попросту частичным барьером, позволяющим некоторым адаптациям протекать, а некоторым нет. Вместо этого воздействие этого фильтра позволяет генным сетям у животных фактически «учиться» тому, что работает, а что дудки, с течением времени. Таким образом, они могут улучшать свою производительность — во многом этак же, как искусственные нейронные сети, используемые компьютерными учеными, могут «учиться» решать проблемы.

«Генные сети» развиваются, будто нейронные сети — учатся», говорит он. «Вот что подлинно новое».

В основе утверждения Уотсона лежит идея, что связи между генами могут быть усилены или ослаблены по мере эволюции и изменений вида — и собственно сила этих связей в генных сетях позволяет организмам адаптироваться.

Этот процесс аналогичен тому, будто работают искусственные нейронные сети на компьютерах.

В наше пора эти системы используются для выполнения самых разных задач. Так, они могут распознавать лица людей на фотографиях или видео, и даже разбирать съемку футбольных игр, чтоб понять, тактика какой команды показывает себя лучше и отчего. 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 метрополитен.

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 этак дети учатся читать и строчить.

Как и ребенок, нейронная сеть не может вмиг устанавливать соединение, а должна обучаться с течением времени. Это обучение сложное, однако по существу предполагает изменение сильных связей между виртуальными нейронами. Любой раз это улучшает итог, пока вся сеть не сможет надежно вывести желаемый ответ: в нашем примере смешные символы на странице («привет») соответствуют слову «привет». Сейчас компьютер знает, что вы записали.

Уотсон считает, что нечто подобное происходит и в природе. Развивающийся облик «выводит» черту как один для определенной среды.

Существуют различные способы обучения нейронных сетей. Тот, на котором сосредоточился Уотсон, представляет неплохой 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 совместно, связываются между собой». Сеть «учится», создавая прочные связи внутри себя.

Если у организма кушать определенные гены, срабатывающие совместно таким образом, и этот организм оказывается довольно успешным для размножения, то его потомство не попросту 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. Так, одна группа генов может определять, имеет ли скотина задние лапы, или очи, или пальцы. Точно этак же горстка связанных адаптаций — как способность рыбы справляться с повышенной температурой и соленостью воды — может снестись и унаследоваться целиком, в одной сети генов.

«Если кушать отдельное существо, которое имеет чуть более сильную регуляторную связь между этими генами, чем какое-либо другое, оно будет предпочтительнее», говорит Уотсон. «Их выберет природный отбор. И значит, по прошествии эволюционного времени, мочь связей между этими генами будет увеличена».

Для Уотсона это помогает обогнуть прилипчивую проблему в теории эволюции.

Представьте себе на миг, что геном организма представляет собой компьютерный код. Программист-новенький мог бы постепенно обновлять собственный код время от времени, пытаясь привнести улучшения. С их помощью можно было бы установить, может ли другая последовательность команда принудить программу работать чуть более эффективно.

Начнем с того, что этот процесс проб и ошибок может трудиться достаточно хорошо. Но со временем обновление кода таким образом сделает его будет громоздким. Код начнет выглядеть беспорядочным, что затруднит дефиниция того, к каким последствиям может повергнуть определенное изменение. Иногда это случается и в программировании, итог называют «спагетти-кодом».

Если организмы подлинно развивались таким образом, говорит Уотсон, их «эволюционируемость — способность адаптироваться к новым стрессам или окружению — была бы не самой лучшей». Однако на деле «способность природных организмов адаптироваться к селективному окружению или проблемам попросту удивительна».

Уотсон также предположил, что сети генов могут вводить «воспоминания» предыдущих адаптаций, которые могли быть обусловлены требованиями окружающей среды.

Так, возможно, некоторые группы организмов могли скоро развиваться, чтобы употреблять пищу, вредную для других членов тех же видов — потому что их деды уже выдержали такую диету. В прошлом структура регуляции генов могла измениться, облегчив отдельный триггеры генной экспрессии. Этот «уклон» в конечном счете помог бы их потомкам переварить сложную еду.

Одинешенек из реальных примеров Уотсона — колюшки. Эти рыбы выработали в одно пора переносимость пресной, затем соленой воды, затем вернулись назад, 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 приноровиться к природному миру Земли. Вот отчего 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, вечно был глубокий потенциал исследовать параллели между компьютерным обучением и эволюцией, однако никто не занимался этим с подобный же строгостью, как и Ричард Уотсон», говорит Кевин Лаланд из Университета Сент-Эндрюс в Великобритании, участвовавший в крупномасштабном проекте совместно 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, однако конкретные процессы у них покамест не наблюдались.

«Это проблема на 64 миллиона долларов», признает Уотсон.

Однако Уотсон и Лаланд полагают, что кушать другие способы проверить эту теорию эволюционируемости. Уотсон предлагает проанализировать, будто меняются сети генов у микробов, развивающихся в лаборатории. Поскольку микробы, так бактерии, воспроизводятся быстро, за несколько дней можно следить несколько поколений адаптации.

«Если вы хотите прочертить жесткое испытание теории, вам стоит задаться вопросом, сможете ли вы сделать новые предсказания, еще не отраженные в литературе?», говорит Лаланд.

Так, можно было бы разработать компьютерную систему, основанную на идеях Уотсона, которая могла бы предсказать, будто 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, порой может включаться или отключаться лишь одним другим активаторным геном.

Примеры такого можно найти в природе, говорит Уотсон. Среди них «эволюционные отбрасывания»: организмы с адаптациями, которые, будто полагали, должны были пропасть еще у их предков. Это называется «атавизм».

Популярный пример такого — зубы у кур. Куры генетически способны отращивать зубы, однако не делают этого обыкновенно в дикой природе или в неволе. Однако рост зубов можно включить в лаборатории при помощи молекулярной биологии.

Порой атавистические черты проявляются у естественных популяций. Одинешенек из последних возможных случаев — кит, найденный на пляже в Австралии в феврале 2016 года. У него были похожие на клыки зубы, которых обыкновенно 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 совсем разных средах обитания, каким-то образом приходят к одной и той же адаптации. Среди примеров — определенные рисунки на крыльях бабочек и весьма похожие рыбы, обитающие в отдельных озерах в Африке, говорит Лаланд.

«Те же формы, те же шаблоны появляются опять и снова», говорит он. «Возможно, проще создать определенный облик рыб, чем другие. Отдельный формы могут проявляться чаще в процессе поколений».

Эволюционируемость такого рода, описанная Уотсоном, может это разъяснить. Генетические сети, утверждает он, исподволь научились реагировать похожим образом в подобных ситуациях. Эти модульные функции, такие будто 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 опять и снова.

И здесь рождаются весьма философские вопросы. С одной стороны, эволюция функционирует будто большой природный компьютер. И может ли «эволюционируемость» предполагать, что существование в каком-то смысле запрограммирована на улучшение — хотя бы на генетическом уровне? Отдельный биологи в ужасе от этой идеи, однако если способность организмов к адаптации улучшается со временем, если эволюция учится со временем, неужели все так прозрачно?

Уотсон думает, что конечно.

«Только если вы представите систему, обладающую соответствующей изменчивостью, селекцией и наследованием, вы заставите эволюцию трудиться. И без эволюционируемости это представить невозможно».

Hi-News.ru — Новости высоких технологий.

Оставить комментарий