ИИ будет способен понимать или изучать многие интеллектуальные задачи, которые может выполнить человек. Карниадакис вместе с инженером из Стэнфорда Эллен Куль и коллегами утверждает: «Недавние тенденции предполагают, что интеграция машинного обучения и многомасштабного моделирования может стать ключом к лучшему пониманию биологических, биомедицинских и поведенческих систем», когда речь идет об усилиях по созданию цифровых двойников[254].
Когда наступит эра большого ИИ, мы ожидаем, что его влияние распространится далеко за пределы виртуального человека, где он поможет создавать более точные модели клеток, тканей и органов. Теория управления искусственным интеллектом будет иметь огромные последствия для всей науки и ознаменует собой важный шаг на пути к созданию общего искусственного интеллекта.
Теперь, когда мы сделали первые четыре шага, пришло время приступить к созданию виртуального двойника. Давайте рассмотрим необычайный диапазон компьютерных симуляций, от уровня молекул до всего тела, которые уже использовались в глобальном проекте по созданию виртуального человека.
Глава 5Симуляция жизни
«Когда сидишь рядом с хорошенькой девушкой, час кажется минутой, а когда сядешь на горячую сковородку, то минута кажется часом».
Альберт Эйнштейн сделал больше, чем кто-либо другой, для формирования нашего понимания пространства, времени, энергии, материи и гравитации. Во время annus mirabilis[256] в 1905 г., когда ему было всего 26 лет, к Эйнштейну пришло прозрение, опровергшее многовековую идею Ньютона о том, что пространство и время для всех одинаковы. Предположив, что законы науки, особенно скорость света, всем наблюдателям должны казаться одинаковыми, он понял, что пространство и время, объединенные как «пространство-время», зависят от точки зрения. Доведя эту идею до конца, Эйнштейн проложил путь для теории относительности (которую популяризировал с помощью забавной цитаты выше) и современного понимания гравитации не как силы, а как искривленного пространства-времени[257]. Как выразился один физик: «Пространство-время захватывает массу, указывая ей, как двигаться <…> Масса захватывает пространство-время, указывая ему, как искривляться»[258].
Пример Эйнштейна помогает признать, что в биологии человека не существует какой-либо привилегированной точки отсчета, и изучение эмерджентного целого человека так же обоснованно, как и изучение ДНК. С точки зрения анатома 213 костей[259] и 640 или более мышц[260], которые сочленяют вас, могут показаться сложными. Но эта степень сложности меркнет, если сменить угол обзора. Вы состоите из 37,2 триллиона клеток – это миллион миллионов основных биологических единиц. Ими ничто не управляет, и, действуя вместе, они позволяют вам дышать, переваривать пищу, двигаться и думать. Пока вы думаете о бесконечной борьбе за сотрудничество между семью миллиардами людей на нашей планете, степень молекулярного сотрудничества внутри вашего тела сейчас, когда вы читаете это предложение, поистине экстраординарна. Вы – настоящее чудо.
Теперь представьте свое тело с точки зрения одного из десятков миллионов белков всего лишь в одной из ваших 37,2 триллиона клеток. Или, как модно говорить в последнее время, с точки зрения вашего кода ДНК. С какого уровня лучше начать строить виртуального человека? Как однажды заметил нобелевский лауреат Сидни Бреннер: «Я знаю один подход, который потерпит неудачу: начать с генов, создать из них белки и попытаться построить все снизу вверх»[261].
Хотя мышление «снизу вверх» обычно начинается с ДНК, необходимо учитывать и эффекты «сверху вниз». Например, тип и направление воздействия на клетку меняет способ использования ее генов[262]. Мы не роботизированные сосуды для эгоистичных генов, а совокупность клеточных колоний тысяч генов, которые находятся в диалоге с внешним миром[263]. Несмотря на это, взгляды «сверху вниз» и «снизу вверх» должны давать одни и те же ответы: хотя сама эволюция была открыта при рассмотрении широкого спектра жизни, важны также и мутации ДНК – прекрасный пример согласованности.
В биологических системах не существует привилегированного уровня причинности[264]. Многие считают клетку основным строительным блоком тела. Возможно, это подходящий уровень для того, чтобы начать создавать виртуального человека, но по банальной причине: нужно начать хоть с чего-то[265]. Действительно важно вот что: повествование о работе тела на клеточном уровне должно соответствовать подробной истории, рассказанной на молекулярном уровне (например, ДНК), а также на более высоких уровнях организации, от органов к телу одного человека к целой популяции.
Не будем пока беспокоиться о размере каждой клетки или головокружительных деталях ее внутренностей. Вместо этого давайте сосредоточимся на том, что делают клетки и как они работают. Мы можем добиться прогресса в создании виртуального человека, воспользовавшись выдающимися знаниями о жизни, полученными благодаря молекулярной биологии, самому впечатляющему недавнему достижению биомедицины. В этой волне фундаментального понимания поможет разобраться компьютерное моделирование.
Попытаемся понять, как тонко организованная химическая хореография внутри клетки реагирует на различные обстоятельства. Внутри клетки существует множество промежуточных продуктов – молекул, контролирующих реакции метаболизма, а также белков, ферментов (которые ускоряют химические реакции, участвующие в росте), выработку энергии и другие функции организма. Например, когда клетка сталкивается с пищей, фермент расщепляет ее на молекулу, которая может быть использована следующим ферментом и следующим, в конечном итоге генерируя энергию.
Но вместо того, чтобы просто наблюдать за происходящим и давать словесное объяснение (традиционный подход, принятый муравьями Бэкона в биологии и медицине), мы должны сплести нити понимания в математическую форму, что дает более глубокое понимание, чем простая справочная таблица, где вы связываете химический состав клетки с тем, испытывает ли она кислородное голодание, подвергается вторжению вируса или активируется гормоном. Этот подход также способен на большее, чем машина, обученная предсказывать, как клетки поведут себя в ограниченном наборе обстоятельств. Математическая теория – если ее правильно поняли – способна описать известное поведение и, что немаловажно, показать, что произойдет в совершенно новых обстоятельствах.
Изменения можно отразить в форме обыкновенных дифференциальных уравнений (хотя следует отметить, что существуют и другие способы представления изменений, например, стохастические дифференциальные уравнения, которые привносят случайность). Чтобы заставить ОДУ работать, их необходимо дополнить экспериментальными данными о сложных сетях химических процессов внутри живой клетки. Нам нужны коэффициенты или параметры скорости, которые выражают, насколько быстро одно клеточное химическое вещество превращается в другое.
Например, для описания метаболических процессов, осуществляемых ферментами, ученые используют уравнение Михаэлиса – Ментен, названное в честь немецкого и канадского биохимиков, опубликовавших его в 1913 г.[266]. Уравнение получается в результате решения обыкновенных дифференциальных уравнений, которые описывают скорость ферментативной реакции в зависимости от концентрации субстрата – молекулы, которую фермент превращает в конечные продукты. Центральным фактором в этом уравнении является константа Михаэлиса, показатель сродства фермента к его субстрату, который необходимо измерять в лаборатории.
Однако существует практический предел тому, насколько детально можно исследовать химический состав клетки в лаборатории. Сети биохимических реакций внутри этих крошечных единиц жизни могут включать сотни или тысячи скоростных параметров, и потребуется целая вечность, чтобы определить каждый из них, тщательно исследуя клеточную химию, чтобы раскрыть ее секреты. Прагматичная альтернатива – использовать умные способы оценки всех этих параметров на основе ограниченного числа экспериментов на клетках. Один из способов – использовать байесовские методы, названные в честь английского пресвитерианского священника XVIII в. Томаса Байеса (1701–1761), который вывел систематический способ расчета (на основе предположений о том, как устроен мир): как вероятность того или иного события меняется по мере того, как выявляются новые факты. «Практика ведет к совершенству»: начинаем с нашего лучшего текущего понимания, последовательно оттачивая его с помощью новых данных экспериментов и/или моделирования, чтобы определить вероятность того, что конкретный набор параметров оптимально соответствует данным.
Когда дело доходит до причудливых взаимосвязанных сетей химических реакций в клетках, оптимальный набор параметров находится с помощью методов Монте-Карло, впервые предложенных Уламом, известных как схема Метрополиса – Монте-Карло, в честь его коллеги Николаса Метрополиса, которого мы встречали в третьей главе. Эти вероятностные методы оказались настолько полезными, что один из коллег даже восхвалял Метрополиса в стихотворении, в котором упоминались «безмятежные дни», когда «Монте-Карло вступил в свои права»