она не встраивается. Она не встраивается в эту прекрасную историю о связи химической структуры с психофизическим восприятием. Вместо этого происходит множество других вещей».
В предыдущей главе говорилось о том, что обработка обонятельного сигнала не сводится к отражению отдаленного стимула в качестве внешнего предмета, а связана с топологией, создаваемой сенсорной системой. В этой главе мы исследуем, почему между химией стимула и топологией его нейронного представления имеется значительное различие. Теперь мы поговорим о том, как биология воспринимает химию.
Очевидный путь
Химия кажется удобной отправной точкой для начального научного интереса к биологии обоняния. «Именно так продвигались исследования обоняния на протяжении долгого времени, – комментирует Фаерштейн. – Поскольку в этом есть химический смысл, верно? Все молекулы, запах которых мы чувствуем, по большей части являются органическими соединениями. И вы знаете, что есть целая область, называемая органической химией. Естественно, вы ожидаете, что они в этом разбираются. Они дают названия этим молекулам, они их экстрагируют, синтезируют. Они организуют весь этот химический спектакль. Вполне резонно полагаться на химиков-органиков в организации и классификации химических соединений, с которыми они постоянно работают. А мы [нейробиологи] этого не делаем, поскольку мы их только используем».
Нейробиологу нет нужды начинать с нуля. Когда на сцену вышла биология, химия запахов уже существовала. «Не нужно думать, что это окончательный ответ, – комментирует Гордон Шеферд, – однако это совершенно определенно инструмент для более углубленного понимания. Это почти список способов представления входящего сигнала. По моему мнению, простейшая идея – поскольку именно в соответствии с ней происходит анализ большинства чувств – в том, что вам нужно знать, в какой части сенсорного сигнала вы находитесь, чтобы затем стимулировать его отдельные части. Как в поле зрения. А потом понять, в какую часть системы в мозге смотреть».
Но в исследовании обоняния этот подход усложняется из-за огромного количества рецепторов. Ричард Аксель отмечает: «Если у вас есть тысяча разных клеток, а запах активирует сотню рецепторов, число возможных комбинаций превышает число атомов во вселенной! То есть это много, очень много. Это немедленно дает вам возможность распознать столько молекул, сколько вы можете встретить за всю жизнь». Это откровение неизбежно меняет представление о кодировании запаха.
«Нам показалось, что теперь мы можем применить биологию, – замечает Фаерштейн. – Сначала была идея попробовать подогнать биологию и рецепторы под то, что нам уже было известно из химии и психофизики. И биология должна была просто в это встроиться. Как оказалось, так не работает. Но было логично думать в этом направлении или начинать оттуда».
Стимул по-прежнему остается в центре теорий обоняния. Может ли современная наука об обонянии, дополненная знанием о биологии рецепторов, продолжать строиться на связи структуры молекул и их запаха? Сравнивая прошлое с настоящим, мы наблюдаем скрытый онтологический сдвиг.
За последние годы в нескольких исследованиях предпринимались попытки установить связь между структурой молекул и их запахом путем анализа больших массивов данных. В рамках этих исследований с помощью искусственного интеллекта были созданы компьютерные модели обонятельных стимулов, которые могли бы прояснить связь между химией и психофизикой. Этот подход также ознаменовал появление нового поколения ученых среди специалистов по обонянию.
Как замечает Андреас Келлер, проверка новых методов для решения старых проблем не требовала больших усилий: «Было очевидно, что нужно пробовать». Его коллега Пабло Мейер соглашается: «Есть лишь пара очевидных вещей, которые нужно сделать. Я имею в виду, почему бы их не сделать?» Джоэль Мейнленд считает, что такие методы, как машинное обучение, способствовали этому сдвигу, что также отражало теоретико-познавательный разрыв с традицией: произошел переход от объяснения к предсказанию. Машинное обучение представляет собой «новый набор методов, которые еще не были усвоены этой сферой исследований».
Компьютерные технологии обещали вскрыть код носа с помощью более сложных методов, большего количества данных и лучших методов их обработки. Нейроинформатик Рик Геркин считает: «Вы можете ответить на частные вопросы здесь и там, но чтобы ответить на вопросы такого плана, как размерность пространства в обонятельном восприятии или количество существующих запахов, нужно иметь много данных, а для сбора значительного объема данных нужно много времени, это стоит немалых денег, а большинство мест, где изучают обоняние и психофизику обоняния – это скромные лаборатории, которые не могут позволить себе ответы на эти вопросы». Одной из серьезных проблем новых компьютерных исследований были данные. Как заметила Лесли Воссхолл, «большая часть теоретических работ [в области обоняния] была основана на одном наборе данных тридцатилетней давности. Почему никто их не обновил?» Этот старый набор данных назывался «Атлас характеристического профиля запахов» (см. главу 3). Как рассказывает Воссхолл, Эндрю Дравнек «в начале 80-х составил большой список для использования на северо-востоке Соединенных Штатов для людей, родившихся в период демографического взрыва. Но очень многие слова из этого списка не имеют смысла для тех, кто принимал участие в наших исследованиях». – И добавляет: «Все подобные списки… стареют, очень сильно зависят от культурной среды и работают на определенном историческом этапе и для конкретной целевой аудитории».
Еще одна проблема «Атласа» Дравнека – в недостатке методологии его психофизики. Дравнек подбирал описания самостоятельно. В компьютерных исследованиях, отражавших семантику «пространства признаков запаха» через словесные описания Дравнека, не было практических экспериментов по психофизике человека. Иными словами, они отражали пространство признаков запаха «по Дравнеку». Компьютерные методы исследований связи структуры вещества и его запаха имели те же недостатки, что и старые методы: они убирали биологию системы в черный ящик. А если бы в них были реальные психофизические данные?
Именно это было показано в статье Андреаса Келлера, Лесли Воссхолл и Пабло Мейера, опубликованной в 2017 году в журнале Science[271]. Статья примечательна по нескольким причинам. Во-первых, в ней использовались новые конкретные психофизические данные о реакции людей на запахи, взятые из обширного исследования, опубликованного в 2016 году (также Келлером и Воссхолл)[272]. Во-вторых, это был значительный массив данных. Ценность данных по обонянию человека нельзя переоценить. Келлер и Воссхолл работали с 49 участниками, которые понюхали и описали не менее 476 молекул (с помощью 19 семантических идентификаторов и рейтингов интенсивности и приятности). Келлер и Воссхолл проверили большой набор одорантов на необычно большом количестве участников (для такой слабо финансируемой области, какой является обоняние). «Это была удивительно скучная работа, – смеется Келлер. – Вы даете людям вещество и спрашиваете, чем оно пахнет. Трудно придумать что-нибудь менее интересное. Описательная наука в чистейшем виде. Но это было нужно. Так что мы сорвали яблоко и попробовали его».
В-третьих, статья замечательна по той причине, что отражает такой современный подход к научному сотрудничеству, как краудсорсинг[273]. В работе, опубликованной в Science в 2017 году, психофизические данные 2016 года были обработаны с помощью алгоритмов машинного обучения для выявления связи между структурой и запахом. Эксперимент строился следующим образом. Сначала подбирали добровольцев в рамках программы DREAM Challenges (открытая интернет-платформа для исследователей с описанием научной проблемы, в которой могут принять участие все желающие). Задача была достаточно понятной: найти алгоритм, описывающий два набора данных – список химических параметров молекул и результаты психофизического исследования 2016 года. Затем участникам выдали некоторое количество данных, на которых они могли проверить и настроить свои алгоритмы до представления окончательной версии. Келлер смеется: «В этом и заключалась задача: я составил набор данных, мы разделили их на две части и половину предоставили участникам. И спрашивали: если одно вещество пахнет так, предскажите, как будет пахнуть другое». Результаты, полученные с помощью двух лучших алгоритмов, были опубликованы, но сами алгоритмы – нет.
Победителями стали биоинформатик Юйфэн Чжан, который также выиграл несколько конкурсов по подбору алгоритмов для описания наборов данных из самых разных областей, и Рик Геркин, о котором мы уже упоминали. Следует подчеркнуть, что статья Келлера от 2017 года – до сих пор самый удачный пример использования больших массивов данных в области обоняния; она служит отправной точкой для аналогичных проектов в будущем.
И все же алгоритм – не объяснение. Статья «Предсказание восприятия запахов человеком на основании химической структуры молекул запаха» – важный пример поиска данных и подтверждение ряда существующих гипотез о значении элементов химической структуры. Однако коэффициент корреляции в этом исследовании был сравнительно низким – 0,3. Так что проект DREAM Challenges не привел к расшифровке кода носа.
На результаты работы, отчасти из-за привлекательности подхода с использованием больших массивов данных, обратили внимание научные журналисты, такие как писатель Эд Йонг[274]. Кроме того, исследование вызвало осторожную критику со стороны экспертов, в частности, Эйвери Гилберта. Беспокойство Гилберта касается не этого конкретного исследования, а компьютерного подхода к исследованиям обоняния в целом. Он указывает на отсутствие психологической теоретической базы. Словесное опи