Взломать Дарвина: генная инженерия и будущее человечества - Джейми Метцль
Шрифт:
Интервал:
Закладка:
К сожалению для них, эти наши родственники приняли на себя основной удар генетических исследований. Раньше их длительно облучали вредной радиацией для мутации генов, чтобы мы могли увидеть, как различные генетические изменения вызывают конкретные физические проявления. Сегодня же для выделения генов в модельных организмах используется широкий спектр генетических инструментов, а лаборатории по всему миру генетически создают мышей и других животных, которые помогут ученым в изучении различных заболеваний или признаков. Медленно, но верно эти процессы приближают нас к лучшему пониманию того, как функционируют сложные биологические системы.[52]
В течение многих лет такие исследователи, как Эрик Дэвидсон, биолог из Калифорнийского технологического института, работали над усовершенствованием нашего понимания сложных биологических систем модельных организмов. Дэвидсон систематически нокаутировал, или блокировал, различные белки, управляющие экспрессией генов у морских ежей, и следил за тем, как каждая такая модификация изменяла другие белки и экспрессию генов. Обладая этой информацией, команда Дэвидсона смогла создать подробную динамическую карту взаимодействия различных белков и генов и вывести основные принципы биологической системы морских ежей. Впереди еще много работы, но Дэвидсон характеризует свою работу как «доказательство принципа, что вы можете детально изучить устройство всей системы, если поймете работу ее составляющих»[53].
Новые генетические инструменты позволяют включать и выключать несколько генов, но для реального понимания того, как гены способствуют развитию сложных человеческих качеств, требуется гораздо более сложная интеграция. Этим и начинает заниматься полногеномный поиск ассоциаций, или GWAS.[54]
Несмотря на то что генетически все люди скорее похожи, чем различны, наше сравнительно небольшое количество генетических отличий во многом стало причиной нашего разнообразия и болезней. Поэтому наши различия очень важны. В отличие от былых времен, когда мы искали эти типы одногенных мутаций в группах людей с тем же генетическим заболеванием, GWAS анализирует сотни, тысячи и даже миллионы известных генетических вариаций для поиска различий и профилей, которые можно связать с определенными последствиями.
После секвенирования генов порядок оснований Г, А, Ц, Т передается в цифровой файл. В GWAS заложен компьютерный алгоритм, сканирующий геномы больших групп людей в поисках генетических вариаций, связанных с конкретными генетическими заболеваниями или признаками. Каждый GWAS может искать тысячи таких вариаций (которые ученые называют однонуклеотидным полиморфизмом, или SNP[55]). Чем больше подходящих мутаций будет найдено, тем более точными станут исследования.
Чтобы лучше понять принципы работы GWAS и других процессов для анализа большого объема генетических данных, представьте, что вы пытаетесь осмыслить лес. Другие люди годами ходили по лабиринту деревьев и ветвей и выделили тысячи ключевых областей, в которых происходит все самое важное. Быть может, это водопады, пастбища, особые растения и т. д. Мы знаем, что эти типы участков важны, и это знание основано на нашем опыте путешествий по другим лесам. Один из способов лучше понять этот конкретный лес – посещать каждое из этих значимых участков и наблюдать за происходящим. То же самое GWAS делает на просторе генома, наблюдая за тем, чем занимаются конкретные генетические маркеры, которые были помечены как релевантные для нашей области поиска.
Кроме GWAS, существуют и более новые инструменты секвенирования следующего поколения (NGS). Они позволяют исследователям секвенировать все белок-кодирующие гены, а затем – все гены в данном геноме. Наблюдать за генами, кодирующими белок, – это все равно что найти след, связывающий между собой все ключевые участки леса и позволяющий понять, как эти разные точки на пути соединяются и взаимодействуют друг с другом. Секвенирование целого генома похоже на картинку целого леса. Это более масштабная и сложная работа, которая в конечном итоге позволяет понять лес намного лучше, чем при простом наблюдении за ключевыми участками.[56]
Сосредоточиться на столь огромном массиве данных, как лес или целый геном, – это куда более сложная аналитическая задача. Нам проще изучить пару водопадов и растений, или несколько целевых генов, чем понять более обширную и сложную экосистему леса или всего генома. Но если бы мы смогли понять эти обширные экосистемы, то узнали бы гораздо больше о лесе и, если говорить о геноме, о нас самих.
Чем дальше мы уходим от изучения того, как одногенная мутация вызывает заболевание или проявление признака, к анализу того, как сложный набор генов и других систем приводит к определенному исходу, тем менее вероятным становится возможность установить причинно-следственную связь, используя только ограниченные ресурсы человеческого мозга. Вот почему для нашей истории так важно пересечение открытий в области генетики и биотехнологий, с одной стороны, и достижений в области искусственного интеллекта (ИИ) и анализа больших данных – с другой.
* * *
Древняя китайская игра в го, которую многие считают самой сложной настольной игрой в мире, долгое время играла центральную роль в китайской культуре и стратегическом мышлении. Доску для го изобрели более 2500 лет назад. Она поделена на 361 квадрат, и на пересечении линий первый игрок выкладывает черные камни, а второй – белые. Каждый игрок поочередно делает ход, пытаясь окружить камни соперника и удалить их из игрового поля. Побеждает тот, кто по окончании игры занимает большую территорию. Чтобы лучше понять всю сложность го, следует помнить, что после первых двух ходов в шахматах у следующего хода есть около 400 возможных вариантов. В го такой ход предполагает около 130 000 возможных вариантов.
Даже после того, как в 1996 году компьютер Deep Blue от IBM победил великого чемпиона по шахматам Гарри Каспарова, многие наблюдатели продолжали верить: пройдет не один десяток лет, прежде чем компьютер сможет победить мировых чемпионов по го, поскольку математическая сложность игры делала вычислительный подход Deep Blue бесполезным. Но затем программа AlphaGo от Google DeepMind задействовала мощные средства машинного обучения, чтобы побороть чемпионов мира по го из Кореи и Китая в серии громких турниров 2016 и 2017 годов, и на это обратил внимание весь мир.
Программа AlphaGo обучалась игре в го анализом сотен тысяч
