– Может, ей плевать.
– Может, и так.
– Многие люди сочли бы странным ваше предположение, что природа делает какой-то криминалистический или геномный анализ мертвых животных.
– Это правда. Мы получили множество комментариев по поводу нашей статьи, опубликованной в BMC Bioinformatics. С нами дискутировали биологи, физики, философы и специалисты в области информационных технологий. Доктор Дрейк написал довольно критичный и эмоциональный ответ на нашу статью с игривым заголовком «Бог не играет в BLAST». И знаете, его предложения оказались довольно разумными.
– И в чем они заключались?
– Давайте вспомним, как ДНК кодирует белки. Последовательности нуклеотидов логически разбиваются на трехбуквенные кодоны, такие как АТГ, ГТТ, ААЦ, ААТ и так далее. Каждый кодон кодирует аминокислоту будущего белка. В данном случае АТГ кодирует метионин, ГТТ – валин, а ААЦ и ААТ – аспарагин. Помните, я говорил про вырожденность генетического кода? Два разных кодона, кодирующих одну и ту же аминокислоту, вот это оно и есть.
Теперь представим, что мы добавим одну букву А после первого кодона. Было АТГ ГТТ ААЦ ААТ – стало АТГ АГТ ТАА ЦАА Т. Все кодоны после первого изменились. Это называется мутацией «фрейм-шифт», или мутацией сдвига рамки считывания. Наш умный и скептичный оппонент предложил проверить человеческий ген с такой мутацией. Фрейм-шифтовые мутации почти не меняют нуклеотидную последовательность гена, поэтому BLASTn найдет почти полное совпадение. Но белок окажется абсолютно другим, скорее всего, неработающим. И BLASTp ничего не обнаружит.
Еще один способ испортить закодированный белок – добавить преждевременный стоп-кодон: ТГА, ТАГ или ТАА. Синтез белков на таких кодонах заканчивается. Если стоп-кодон появится в начале гена, вы получите обрезанный, неработающий белок. А теперь я перефразирую Чехова: «Если вы говорите о ДНК и упоминаете стоп-кодон, он должен непременно испортить белок». Так получилось, что в примере мутации «фрейм-шифт», который я привел, третий кодон стал стоп-кодоном ТАА. Такое запросто может случиться в реальной жизни.
Мы сравнили эффект от трех типов гуманизированных жертвоприношений червей с тремя вариантами еще одного человеческого гена: с мутацией «фреймшифт», ведущей к преждевременному стоп-кодону, без нее и просто с преждевременным стоп-кодоном. Все три типа работали одинаково хорошо по сравнению с контролем, где использовался мышиный ген. Так мы убедились, что Бог и правда использует BLASTn. Конечно, это все еще шутка, но она отражает то, что когда речь идет о гуманизированных жертвоприношениях, белки не имеют значения, а вот нуклеотидные последовательности человека почему-то важны.
– Вы опубликовали эти результаты?
– Не сразу! Нам предстояло поставить еще один важный эксперимент. Мы не хотели, чтобы результаты, полученные с последним набором генов, подверглись эффекту инверсии. Нас интересовало, что же все-таки такое человек в глазах Ви Джас. И каково ее определение смерти.
– Что вы имеете в виду?
– Мне потребуется сделать небольшое лирическое отступление. Я горжусь тем, что мы придумали сделать дальше. К тому моменту компания Google выпустила свое последнее достижение в области искусственного интеллекта (ИИ). Программа называлась РКК – в честь нейробиолога Родриго Киан Кироги, который недавно получил Нобелевскую премию за открытие в мозге человека «клеток концепций» и объяснение того, что такое «поток сознания». Мозг – это нейронная сеть, которая ритмически переходит от одной комбинации активных нейронов к другой. Понятия и концепции, о которых мы думаем и рассуждаем, например «человек», «красное», «яблоко» или «Дарт Вейдер», представлены подобными скоординированными ансамблями. Концепции, которые в результате накопленного жизненного опыта мы стали ассоциировать друг с другом, например «море» и «пляж», кодируются перекрывающимися и взаимосвязанными комбинациями подобных групп нейронов. Поэтому мысли о море легко уводят нас к фантазиям о пляже. Часть нейронов, которые должны включиться, чтобы мы задумались об одном из этих понятий, уже активна, когда мы мечтаем о втором.
Таким образом, ассоциации между концепциями кодируются через физическое перекрытие нейронных подсетей, которыми они представлены в мозге. Разумеется, я сейчас все сильно упрощаю. Так или иначе, мы умеем создавать виртуальные нейронные сети с очень похожей архитектурой. Один из подходов называется глубоким обучением – он включает создание многослойных иерархических нейронных сетей, которые анализируют большие массивы данных. Слои более высокого уровня учатся представлять все более сложные и абстрактные концепции, закономерности или взаимодействия между ними.
Примерно так же человеческий мозг обрабатывает зрительную информацию: на самом низком уровне отдельные клетки сетчатки активируются фотонами, излученными или отраженными от пейзажа перед нашими глазами. Эти клетки передают информацию на следующий уровень. Там находятся нервные клетки, которые представляют простые концепции, такие как края, движущиеся границы, контраст, затемнение и тому подобное.
Информация от этих клеток объединяется в клетках более высокого иерархического уровня, представляющих более абстрактные концепции: лица, животные, автомобили и так далее. Есть классическая работа в журнале Nature Neuroscience, которая называется «Модель глубокого обучения в нейронауках». Ее авторы продемонстрировали сходство между тем, что мы знаем об архитектуре мозга, и нейронными сетями, используемыми в глубоком обучении. Эта идея вдохновила компьютерных специалистов усилить сходство еще больше. Оказалось, что обученные искусственные нейронные сети приобретают не только такие желаемые свойства человеческих нейронных сетей, как умение обучаться или обучаться обучению, но и своеобразные несовершенства вроде ошибок мышления и оптических иллюзий при обработке визуальных данных.
Архитектура нейронной сети РКК была создана по аналогии с архитектурой мозга человека и воплощала в себе принципы его работы. Ее объединили с методами машинного обучения под названием «состязательные генеративные сети». Они позволяют искусственным нейронным сетям соревноваться друг с другом, что приводит к эволюции их когнитивных способностей. Ранние примеры таких состязательных сетей представляли собой системы искусственного интеллекта, способные рисовать практически идеальные изображения, основанные на текстовых описаниях вроде «маленькая красная птица с желтым клювом сидит на темной ветке».
Сети, учившиеся рисовать картинки по описанию, соревновались с другими сетями, учившимися отличать настоящие фотографии от нарисованных. По мере совершенства систем одного типа приходилось подтягиваться их оппонентам, и со временем оба класса сетей совершенствовались. Похожим образом в природе коэволюционируют хищники и их жертвы: быстрые антилопы принуждают гепардов адаптироваться, бегать еще быстрее, что в свою очередь приводит к усилению отбора в пользу быстрых антилоп. Как говорил Ричард Докинз, эволюционная гонка вооружений. Положительная обратная связь.
