Дружащие с искусственным интеллектом

Шведская королевская академия наук присудила премию по медицине и физиологии Виктору Амбросу и Гэри Равкану. Нобелевский комитет так обосновал присуждение награды: «Их революционное открытие выявило совершенно новый принцип регуляции генов, который имеет решающее значение для многоклеточных организмов, включая человека. Сейчас известно, что геном человека кодирует более тысячи молекул микроРНК. Открытие ученых выявило совершенно новое измерение регуляции генов. Оказалось, что микроРНК имеет фундаментальное значение для развития и функционирования организмов».

В настоящее время исследуется возможность использования микроРНК в борьбе с раком. Первые микроРНК были открыты в начале 1990-х, но лишь в начале XXI в. их выделили в отдельный класс биологических регуляторов.

Информацию, хранящуюся в наших хромосомах, можно сравнить с инструкциями по эксплуатации всех клеток нашего тела. Каждая клетка содержит одни и те же хромосомы, поэтому каждая содержит одинаковый набор генов и инструкций.

Однако разные типы клеток, например мышечные и нервные, имеют очень разные характеристики. Как возникают эти различия? Ответ кроется в системе регуляции генов, которая позволяет каждой клетке выбирать только те записи, которые необходимы для ее развития. Это гарантирует, что в каждом типе клеток активен только правильный набор генов.

Это можно сравнить с избирательным пользованием кулинарной книгой. Предположим, каждый любитель готовить имеет доступ к одному и тому же изданию. Но один из них выбирает рецепт гаспачо, а другой – куриный суп. Остальная часть книги будет не просто неактивна, а даже заблокирована для доступа всегда или в какие-то периоды. Так и в клетках в разное время и на разных стадиях развития активны разные гены. Что же лишает клетки доступа к определенным генам? Этим занимаются микроРНК – малые некордирующие молекулы РНК, которые и открыли Амброс и Равкан. Им было интересно, как развиваются различные типы клеток. МикроРНК представляют собой класс крошечных молекул РНК, которые играют ключевую роль в регуляции экспрессии генов. МикроРНК связываются с матричной РНК целевого гена и блокируют ее. Это революционное открытие выявило совершенно новый принцип регуляции генов, который оказался важным для многоклеточных организмов.

Сегодня мы знаем более тысячи генов микроРНК в геноме человека, которые кодируют более двух тысяч зрелых форм микроРНК. Интересно, что одна микроРНК может регулировать экспрессию множества генов, и один ген может регулироваться разными микроРНК. Нарушение активности микроРНК может привести к развитию онкозаболеваний, потере зрения и слуха, аномалиям развития. От контроля экспрессии генов посредством микроРНК зависят многие важные жизненные процессы.

Виктор Амброс родился в американском штате Нью-Гемпшир в многодетной семье польского военного беженца Лонгина Богдана Амброса и его жены Мелиссы. Он вырос на небольшой молочной ферме в соседнем штате Вермонт. Отец нобелевского лауреата с 15 до 19 лет оставался узником германских трудовых лагерей в годы Второй мировой войны.

Гэри Равкан родился в еврейской семье. Его отец, Сэмюэл Равкан, был инженером-строителем, а мать, Дора Равкан (урожденная Гуревич), сначала была домохозяйкой, а позднее получила степень бакалавра по психологии. Pодители oба поощряли интерес сына к науке.

 

У истоков «глубокого обучения»

Нобелевская премия по физике присуждена за исследования, обеспечивающие машинное обучение с использованием искусственных нейронных сетей. Ee лауреатами назвали бывшего профессора Принстонского университета, 91-летнего американского физика Джона Хопфилда и 77-летнего ученого-компьютерщика Джеффри Хинтона, связанного с Университетом Торонто.

В начале 1980-х Хопфилд начал работать над анализом человеческого процесса мышления и запоминания. В 1982 г. он опубликовал свою первую работу в области неврологии под названием «Нейронные сети и физические системы с возникающими возможностями коллективных вычислений». Он был пионером в разработке искусственного интеллекта, который сегодня называют сетью Хопфилда. Это пример сети с обратной связью (так называемая рекуррентная сеть), которую сам ученый описал как: «тип искусственной сети, которая может служить памятью с адресацией по содержанию, состоящей из бинарных нейронов, которые можно включать или выключать».

Хинтона всегда интересовала проблема так называемого «глубокого обучения» или «машинного обучения», то есть создания глубоких, многослойных нейронных сетей в вычислительных машинах. Это отправная точка для создания моделей и компьютерных программ, частично имитирующих разумное поведение. В 1956 г. на научной конференции в Дартмуте американский ученый-компьютерщик Джон Маккарти первым назвал такие программы искусственным интеллектом. Хинтон сосредоточился на создании нейронных сетей, для которых машинное мышление может стать независимым процессом. Он опубликовал 200 статей о различных способах использования нейронных сетей для независимого распознавания, запоминания и обработки различных символов. Хинтон является соавтором алгоритма, который на основе поведения человеческих нейронных сетей облегчает процесс самообучения искусственного интеллекта.

При машинном обучении с помощью алгоритмов выявляются закономерности в данных. На основе этого создается модель данных для прогнозирования. Чем больший массив данных обрабатывается такой моделью и чем дольше она работает, тем точнее становятся результаты. Разработки Хопфилда и Хинтона следуют известному в физике положению, что состоянию равновесия соответствует минимум энергии. Таким образом, сеть стремится к одному из состояний равновесия. Если речь идет о распознавании образов, то, когда достигнута точка равновесия, сеть часто воспроизводит исходное изображение или близкое к нему, на котором она была обучена. Так, например, решается задача распознавания лиц. Сеть просто находит сохраненное изображение, которое больше всего похоже на то, которое ей предложили.

Хопфилд родился в 1933 г. в США в семье физиков Джона и Хелен Хопфилд с польскими корнями. В его семье преобладал научный взгляд на окружающий мир, согласно которому любой предмет или явление можно было изучить и объяснить.

Хинтон родился в 1947 г. в Британии. Его прадед и прабабушка занимались изучением алгебры и Булевых функций, которые позднее легли в основу работы компьютеров. Дядя бабушки Хопфилда – Джордж Эверест – был географом и генеральным топографом Индии, в честь которого была названа гора Эверест. Отец нобелевского лауреата, Говард, был известным энтомологом, а мать, Ширли Гвендолин, – писательницей.

 

Известные и новые белковые структуры

Нобелевская премия по химии досталась американскому биохимику Дэвиду Бейкеру, британскому исследователю искусственного интеллекта и специалисту в области когнитивной нейробиологии Демису Хассабису, а также американскому биологу-вычислителю Джону Джамперу. Бейкер создал совершенно новые виды белков, а Хассабис и Джампер разработали модель искусственного интеллекта для предсказания сложных белковых структур по их аминокислотным последовательностям.

В 2018 г. появилась программа AlphaFold, разработанная компанией DeepMind, к тому времени приобретенной Google. В числе ее основателей был Хассабис. Первый вариант его разработки предсказывал структуры белков в среднем на 20% точнее, чем другие алгоритмы. Программу значительно усовершенствовал Джампер. Новый ее вариант, AlphaFold2, представленный в 2020-м, предсказывал пространственные белковые структуры в большинстве случаев почти с той же точностью, которую можно получить при помощи их рентгеноструктурного анализа.

AlphaFold – это нейросеть, прошедшая «глубокое обучение» на известных пространственных структурах белков. Она сопоставляет аминокислотные последовательности и пространственные структуры, оценивая, в каких элементах структуры с наибольшей вероятностью оказывается та или иная аминокислота, или две аминокислоты, или три, четыре и т. д. Точность предсказаний AlphaFold обеспечивает то, что на сегодняшний день накопилось уже достаточно много описанных экспериментально белковых структур, вместе с их аминокислотными последовательностями. Благодаря этой нейросети у молекулярных биологов есть трехмерные портреты почти всех двухсот миллионов известных белков, что открывает новые возможности как для фундаментальных, так и для практических исследований.

Бейкер увлекся созданием новых белков. Он создал программу для предсказаний белковых структур Rosetta. Она подбирала фрагменты последовательностей из разных белков и согласовывала их так, чтобы молекула могла физически существовать. В итоге Бейкер получил «схему» не существующего в природе белка Top7. Его последовательность зашифровали в ДНК, ДНК ввели бактерии, которая синтезировала искомое. После рентгеноструктурного анализа выяснилось, что структура белка оказалась именно такой, какой ее представляли теоретически. Бейкер опубликовал статью о создании Top7 в 2003 г. С тех пор появился целый ряд белков, созданных подбором аминокислотной последовательности под желаемую структуру.

Исследования нобелевских лауреатов по химии позволяют нам лучше понять, как устроены живые организмы, в том числе почему развиваются те или иные заболевания, как возникает устойчивость к антибиотикам или почему определенные микробы могут расщеплять пластик. Способность создавать новые белки может привести, среди прочего, к созданию уникальных наноматериалов, таргетных лекарств, более быстрой разработке вакцин и более экологичной химической промышленности.

 

Сергей ГАВРИЛОВ