Илья Неменман — глава Theoretical Biophysics Lab в Emory University. Мы расспросили профессора об исследованиях, проводимых под его руководством, разработках в области машинного обучения и применении работ в сфере искусственного интеллекта для понимания биологических механизмов.

— Над чем сегодня работает ваша лаборатория?

— Я физик-теоретик и работаю в сфере биологии, так что наша лаборатория находится на стыке этих двух областей. И если конкретизировать, есть два основных вопроса, которые меня больше всего интересуют. Один из них — это вопрос о том, как информация обрабатывается в биологических системах разных уровней: от отдельных клеток до нейронов мозга и даже до больших популяций животных. Причиной моего интереса является то, что информация по сути своей является физической величиной, такой же, как масса или энергия. Те же самые общие законы, которые описывают, как информация обрабатывается в клетках, могут быть применимы к мозгу или популяции живых организмов. Таким образом можно получить общее представление о процессах, которые широко распространены и важны для всех живых организмов. Например, мы с вами сейчас разговариваем, мы обмениваемся информацией. Или, к примеру, во время ходьбы ваше тело собирает информацию о своем положении, о том, что происходит во внешнем мире, обрабатывает ее и отправляет эту информацию мышцам, что дает им возможность реагировать. Так что во многих отношениях жизнь — это обработка информации. Поэтому мы изучаем не определенную биологическую систему, но общие законы обработки информации в биологии. Это один аспект того, чем мы занимаемся.

Другой аспект более специализированный, и он, возможно, скорее относится к области мечтаний. Мы пытаемся вывести законы биологии. Вам, конечно, знакомы фундаментальные законы физики: общая теория относительности Эйнштейна, уравнение Шредингера и тому подобные вещи. Однако на самом деле большинство законов физики нефундаментальные, в противовес тем, которые я только что назвал. Большинство законов, с которыми мы знакомимся в старшей школе или вузе, — это так называемые феноменологические законы, такие как, например, закон Гука — о том, как приложенная к объекту сила связана с его деформацией, или закон Ома, или закон идеального газа. Эти законы по сути являются феноменологическими связями, описывающими отношения между несколькими макроскопическими физическими величинами, и не совсем очевидно, как они связаны с фундаментальными законами квантовой механики, описывающими микроскопический мир. Далеко не ясно, существуют ли фундаментальные законы биологии, однако мы надеемся, что в ней существует достаточное количество феноменологических законов. В нашей лаборатории мы пытаемся найти эти биологические законы, используя разнообразные методы, показавшие свою эффективность в физике.

Это примерное описание того, что мы делаем: изучаем обработку информации и пытаемся найти феноменологические законы, которые описывают процессы в биологии и конкретно — процессы обработки информации.

— Насколько я понимаю, ваша лаборатория достаточно активно использует машинное обучение и в целом искусственный интеллект как инструменты исследований. Не могли бы вы рассказать поподробнее, как и для чего эти инструменты используются?

Вторым аспектом нашей работы является использование алгоритмов, которые люди разработали в сфере статистики и машинного обучения, в применении к биологическим задачам. Например, недавно мы изучали данные, полученных от секвенирования отрезка ДНК E.coli, который позволяет этой бактерии усваивать лактозу. Это большое количество данных, в которых хотелось бы найти интересные корреляции. Например, возможно, определенная нуклеиновая кислота в определенном месте приводит к тому, что клетка производит больше фермента, перерабатывающего этот сахар. По сути, машинное обучение — это поиск таких закономерностей, их категоризация и извлечение их из данных. Поэтому мы и использовали алгоритмы машинного обучения в этой работе и других наших работах. Другим примером является наше недавно опубликованное исследование, в котором мы использовали методы байесовской статистики для поиска динамических зависимостей, представленных в виде дифференциальных уравнений. Мы искали набор дифференциальных уравнений, которые могли бы объяснить полученные данные, и использовали машинное обучение, чтобы заставить компьютер искать вместо нас.

Итак, первым направлением была разработка методов, вторым — использование уже существующих методов, и теперь третье — это использование разработок из области искусственного интеллекта, для того чтобы понять, как работает мозг. Например, с моим коллегой Самуилом Собером здесь, в Университете Эмори, мы изучаем, как певчая птица — японская амадина — обучается своим песням. Характерная песня, которую поет эта птица, не является врожденным навыком — птицы учатся ей у своих отцов. Это очень сложный процесс: каким образом птицы находят, а потом модифицируют команды, которые необходимо послать на мышцы, чтобы произвести необходимую песню? Мы пытаемся смоделировать этот процесс примерно так же, как моделируем процесс машинного обучения: какие производятся расчеты в мозгу этой птицы в связи с обучением, когда она пытается понять, что и как ей надо делать? Таким образом, мы пользуемся уже существующими знаниями о машинном обучении и пытаемся смотреть на биологические системы как на такие же обучающиеся системы.

Это замыкает круг нашей деятельности: мы разрабатываем методы, мы их используем и затем задаем вопрос, похожи ли эти методы на то, что в действительности используется биологическими системами.

Продолжение читайте далее.