ИИ Дали да научиш какво означава да си жив

През 1889 г. френски лекар на име Франсоа-Жилбер Вио слиза от планина в Андите, взема кръв от ръката си и я инспектира под микроскоп. Червените кръвни клетки на д-р Вио, които пренасят кислород, са скочили с 42 процента. Той беше открил мистериозна сила на човешкото тяло: когато то се нуждае от повече от тези жизненоважни клетки, то може да ги произвежда при поискване.

В началото на 1900 г. учени теоретизираха, че причината беше хормон. Те нарекоха теоретичния хормон еритропоетин, или „производител на червено“ на гръцки. Седем десетилетия по-късно изследователите откриха действителен еритропоетин след филтриране на 670 галона урина.

И около 50 години след това биолози в Израел обявиха, че са открили рядка бъбречна клетка, която прави хормона, когато кислородът падне твърде ниско. Нарича се Норн клетка, кръстена на скандинавските божества, за които се е смятало, че контролират човешката съдба.

На хората са били необходими 134 години, за да открият Норн клетките. Миналото лято компютри в Калифорния ги откриха сами само за шест седмици.

Откритието стана, когато изследователи от Станфорд програмираха компютрите да се обучават по биология. Компютрите изпълняват програма с изкуствен интелект, подобна на ChatGPT, популярният бот, който владее езика след обучение на милиарди текстове от интернет. Но изследователите от Станфорд обучиха компютрите си на сурови данни за милиони реални клетки и техния химичен и генетичен състав.

Изследователите не казаха на компютрите какво означават тези измервания. Те не обясниха, че различните видове клетки имат различни биохимични профили. Те не са дефинирали кои клетки например улавят светлина в очите ни или кои произвеждат антитела.

Компютрите сами обработват данните, създавайки модел на всички клетките въз основа на тяхната прилика една с друга в огромно, многоизмерно пространство. Когато машините бяха готови, те бяха научили удивително много. Те биха могли да класифицират клетка, която никога преди не са виждали, като една от над 1000 различни типа. Една от тях беше клетката Norn.

„Това е забележително, защото никой никога не е казал на модела, че клетка Norn съществува в бъбрека“, каза Юре Лесковец, компютърен учен в Станфорд, който обучи компютрите.

Софтуерът е една от няколкото нови програми, задвижвани от изкуствен интелект, известни като фундаментални модели, които насочват погледа си към основите на биологията. Моделите не просто подреждат информацията, която биолозите събират. Те правят открития за това как работят гените и как се развиват клетките.

С увеличаването на моделите, с все повече лабораторни данни и изчислителна мощност, учените прогнозират, че ще започнат да правят по-дълбоки открития. Те могат да разкрият тайни за рак и други заболявания. Те могат да измислят рецепти за превръщането на един вид клетка в друг.

„Жизненоважно откритие за биологията, което иначе не би било направено от биолозите – мисля, че ние ще видим това в един момент“, каза д-р Ерик Топол, директор на Scripps Research Translational Institute.

Въпрос на това колко далеч ще стигнат е дебат. Докато някои скептици смятат, че моделите ще се блъснат в стената, по-оптимистичните учени смятат, че основните модели дори ще се справят с най-големия биологичен въпрос от всички тях: Какво разделя живота от неживота?

клетъчни атласи на сърдечни клетки и къртици плъхове

, които набъбнаха с милиарди данни.

Dr. Кристина Теодорис, ординатор в Бостънската детска болница, четеше за нов вид ИИ. модел, създаден от инженерите на Google през 2017 г. за езикови преводи. Изследователите предоставиха на модела милиони изречения на английски, заедно с техните преводи на немски и френски. Моделът разви силата да превежда изречения, които не беше виждал преди. Д-р Теодорис се чудеше дали подобен модел може да се научи да осмисля данните в клетъчните атласи.

През 2021 г. тя се бореше да намери лаборатория, която да й позволи да опита да построи такъв. „Имаше много скептицизъм, че този подход изобщо ще проработи“, каза тя.

Шърли Лиу, изчислителен биолог в Dana-Farber Cancer Institute в Бостън, даде й инжекция. Д-р Теодорис извади данни от 106 публикувани проучвания върху хора, които общо включват 30 милиона клетки, и ги въведе в програма, наречена GeneFormer.

Моделът придоби задълбочено разбиране на как нашите гени се държат в различни клетки. Той прогнозира например, че спирането на ген, наречен TEAD4 в определен тип сърдечна клетка, ще го наруши сериозно. Когато нейният екип подложи прогнозата на тест в реални клетки, наречени кардиомиоцити, биенето на сърдечните клетки стана по-слабо.

В друг тест тя и нейните колеги показаха GeneFormer heart клетки от хора с дефектен сърдечен ритъм, както и от здрави хора. „Тогава казахме, сега ни кажете какви промени трябва да се случат с нездравите клетки, за да ги направим здрави“, каза д-р Теодорис, който сега работи в Калифорнийския университет в Сан Франциско.

GeneFormer препоръчва намаляване на активността на четири гена, които никога преди не са били свързвани със сърдечни заболявания. Екипът на д-р Теодорис последва съвета на модела, премахвайки всеки от четирите гена. В два от четирите случая лечението подобри начина, по който клетките се свиват.

Екипът на Станфорд влезе в бизнеса с основни модели, след като помогна за изграждането на една от най-големите бази данни на клетките в света, известен като CellXGene. В началото на август изследователите обучиха компютрите си на 33-те милиона клетки в базата данни, като се фокусираха върху вид генетична информация, наречена информационна РНК. Те също така захранваха модела с триизмерните структури на протеини, които са продукти на гени.

като ChatGPT, биологичните модели понякога грешат. Kasia Kedzierska, изчислителен биолог в Оксфордския университет, и нейните колеги наскоро предоставиха GeneFormer и друг основен модел, scGPT, набор от тестове. Те представиха на моделите клетъчни атласи, които не бяха виждали преди, и ги накараха да изпълняват задачи като класифициране на клетките по типове. Моделите се представиха добре при някои задачи, но в други случаи се представиха зле в сравнение с по-простите компютърни програми.

Dr. Kedzierska каза, че възлага големи надежди на моделите, но засега „те не трябва да се използват предварително без правилно разбиране на техните ограничения.“

Д-р . Лесковец каза, че моделите се подобряват, докато учените ги обучават на повече данни. Но в сравнение с обучението на ChatGPT в целия интернет, най-новите клетъчни атласи предлагат само скромно количество информация. „Бих искал цяла мрежа от клетки“, каза той.

Повече клетки са на път, тъй като по-големите клетъчни атласи идват онлайн. И учените събират различни видове данни от всяка от клетките в тези атласи. Някои учени каталогизират молекулите, които се придържат към гените, или правят снимки на клетки, за да осветят точното местоположение на техните протеини. Цялата тази информация ще позволи на моделите на основите да извлекат поуки за това какво кара клетките да работят.

Учените също така разработват инструменти, които позволяват на моделите на основите да комбинират това, което научават сами с това, което биолозите от плът и кръв вече са открили. Идеята би била да се свържат констатациите в хиляди публикувани научни статии с базите данни с клетъчни измервания.

подписа призив технологията да бъде регулирана, така че да не може да се използва за създаване на нови биологични оръжия. Такова безпокойство може да се отнася за нови видове клетки, произведени от моделите.

Нарушаването на поверителността може да се случи дори по-рано. Изследователите се надяват да програмират персонализирани основни модели, които да разглеждат уникалния геном на индивида и специфичния начин, по който той работи в клетките. Това ново измерение на знанието може да разкрие как различните версии на гените влияят върху начина, по който работят клетките. Но също така може да даде на собствениците на модел на фондация някои от най-интимните познания, които можете да си представите за хората, които са дарили своята ДНК и клетки на науката.

Някои учени имат своите съмнения за това колко далеч ще стигнат основните модели по пътя към „Фантастичното пътешествие“ обаче. Моделите са толкова добри, колкото и данните, които им се подават. Да направим важно ново откритие за живота може да зависи от наличието на данни, които не сме измислили как да съберем. Може дори да не знаем от какви данни се нуждаят моделите.

„Може да направят някои нови интересни открития“, каза Сара Уокър, физик в Държавния университет на Аризона, която изучава физическа основа на живота. „Но в крайна сметка те са ограничени, когато става дума за нови фундаментални постижения.“

Все пак ефективността на моделите на основите вече е накарала създателите им да се чудят за ролята на човешките биолози в свят, в който компютрите правят важни прозрения сами. Традиционно биолозите са награждавани за креативни и отнемащи време експерименти, които разкриват някои от механизмите на живот. Но компютрите може да са в състояние да видят тези действия след няколко седмици, дни или дори часове, като сканират милиарди клетки за модели, които не можем да видим.

„Върви за да принудим цялостно преосмисляне на това, което считаме за творчество“, каза д-р Куейк. „Професорите трябва да са много, много нервни.“