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 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».