Utiliser l'IA créer un code génétique humain artificiel

Depuis au moins 1950, lorsque le célèbre «Machines informatiques et intelligence" L'article a été publié pour la première fois dans la revue Esprit, les informaticiens intéressés par l’intelligence artificielle ont été fascinés par la notion de codage de l’esprit. L’esprit, selon la théorie, est indépendant du substrat, ce qui signifie que sa capacité de traitement ne doit pas, par nécessité, être attachée au système humide du cerveau. Nous pourrions télécharger des esprits sur des ordinateurs ou, en théorie, en construire de entièrement nouveaux, entièrement dans le monde du logiciel.

Tout cela est familier. Bien que nous n'ayons pas encore construit ou recréé un esprit dans le logiciel, en dehors des abstractions à plus basse résolution qui sont des réseaux de neurones modernes, les informaticiens qui travaillent sur cet effort ne manquent pas en ce moment moment.

Ce qui est beaucoup moins connu, ce sont les travaux menés par des chercheurs de l’Université de Tartu en Estonie et de l’Université Paris-Saclay en France.

Plutôt que d’essayer simplement de recréer une approximation de l’esprit dans un logiciel, ils se sont tournés vers un problème différent: pouvez-vous utiliser un algorithme pour générer du code génétique pour des personnes qui n'ont jamais existait? Pourriez-vous appliquer la même technologie de réseau contradictoire génératif (GAN) qui permet I.A. des modèles comme BigSleep cracher des images générées d’un réalisme convaincant et les utiliser, à la place, pour créer un faux ADN qui, dans la veine du travail de Turing, est impossible à distinguer de celui d’une personne en chair et en os ?

Données génétiques artificielles

« Créer des données génétiques artificielles suffisamment réalistes, sans copier directement les séquences, est un problème très difficile » Flore Geai, chercheur spécialisé en apprentissage automatique et en génétique des populations à l'Université Paris-Saclay, a déclaré à Digital Trends. « Les données génétiques sont d’une grande dimension, et vous ne pouvez pas simplement regarder ce qui est important ou non. Nous nous sommes ainsi tournés vers des techniques de pointe appliquées au monde de la vision par ordinateur, du texte, de la musique ou des protéines. Ces réseaux génératifs – GAN et [machines Boltzmann restreintes] – sont conçus pour pouvoir apprendre progressivement et automatiquement à créer des séquences génétiques artificielles.

Un GAN, une classe de cadre d'apprentissage automatique inventé par le chercheur (et actuel employé d'Apple) Ian Goodfellow, utilise une approche combative et acharnée pour améliorer ses résultats génératifs. Il se compose de deux réseaux de neurones: un « générateur » et un « discriminateur » qui échangent des sorties entre eux.

Le travail du générateur est de créer quelque chose, que ce soit une IA. peinture ou un morceau de code représentant un génome artificiel sous la forme de uns et de zéros. Le discriminateur, comme une version bot de J.K. Le professeur de musique perfectionniste de Simmons dans le film Coup de fouet, puis critique ses efforts et renvoie le tout au générateur. Le générateur apprend de ces commentaires, tandis que le discriminateur parvient de la même manière à deviner de plus en plus ce qui a été créé par le générateur et quel est le véritable article. Finalement, le générateur est si doué pour créer de fausses versions de tout ce qu’il tente que le discriminateur peut être trompé. Il n’est plus capable de différencier le vrai du faux.

"L'un des principaux problèmes ici est d'évaluer la qualité des génomes artificiels." Burak Yelmen, un doctorat. étudiant à l’Institut de génomique de l’Université de Tartu, a déclaré à Digital Trends. « Vous pouvez regarder une image et décider si elle semble réelle, mais ce n’est pas possible pour les génomes. [La] majorité des analyses que nous avons effectuées dans notre étude visaient à voir si les morceaux de génome artificiel que nous avons générés ressemblaient vraiment aux vrais.

Ne vous inquiétez pas, cependant. Malgré une masse croissante d'articles sur la falsification génétique très douteuse visant à réécrire le code humain, ce travail n’a pas pour but d’essayer « d’écrire » de nouveaux humains sans parents qui pourraient être créés à l’aide de supercalculateurs.

« Pour être clair, l’objectif de notre travail est de mieux comprendre et coder les gènes existants diversité de milliers ou de millions de personnes à travers le monde, et non pour créer des cellules artificielles », Jay dit. "Les réseaux neuronaux sont formés sur cette diversité existante, de sorte que les régions génomiques générées ne portent pas de nouvelles mutations supplémentaires qui pourraient facilement perturber la fonctionnalité d'une séquence - et ils incluent, intacts, les segments qui sont conservés à travers l'humain. populations."

Jay a noté qu'à l'échelle du génome entier, il est « difficile de dire » si une combinaison spécifique de millions de nucléotides générés pourrait effectivement être "fonctionnel." En d’autres termes, ne vous attendez pas à compiler et à exécuter ce code en vous attendant à ce qu’une personne pleinement formée (ou ses plans) émerge à l’autre bout du monde. fin. Au lieu de cela, le but est quelque chose de moins sinistre et, potentiellement, de plus utile.

Tout sur la confidentialité des données

« Il existe une immense quantité de données dans les biobanques et elles ne cessent d'augmenter chaque jour », a déclaré Yelmen. « Cependant, les données génomiques sont des données sensibles et l’accès à ces biobanques peut être difficile pour les chercheurs en raison de problèmes éthiques. L'objectif principal de notre travail est de créer des substituts de haute qualité à partir de banques de génomes existantes et de fournir une solution à cet obstacle d'accessibilité dans un cadre éthique sûr. Il est important de noter que notre étude constituait une première étape: il reste encore du travail à faire.

Jay a ajouté: « L'idée derrière notre étude est de commencer à rechercher si la libération de génomes artificiels au lieu des génomes réels ceux-ci pourraient préserver la vie privée des donneurs de génome, tout en fournissant des informations utiles à la génétique des populations communauté. Les applications [possibles] des génomes artificiels pourraient aller d’une meilleure compréhension de notre passé évolutif à la fourniture d’informations sur la génétique médicale, y compris un plus large éventail de diversité.

D'une certaine manière, l'œuvre rappelle la tendance observée Il y a quelques années, dans lequel les GAN ont été utilisés pour créer des images de personnes, d'animaux et bien plus encore, comme le montre le site Web génératif CettePersonneDoesNotExist.com. Mais cette fois, bien sûr, il s’agit d’un code génétique réel, plutôt que de simples images.

Un article décrivant le projet, intitulé « Création de génomes humains artificiels à l'aide de réseaux neuronaux génératifs », a été publié. récemment publié dans la revue PLOS Genetics.

Recommandations des rédacteurs

• Les illusions d'optique pourraient nous aider à construire la prochaine génération d'IA
• Une IA analogique? Ça paraît fou, mais ça pourrait être l'avenir
• Lisez les « écritures synthétiques » étrangement belles d’un IA. qui pense que c'est Dieu
• Architecture algorithmique: Faut-il laisser l’IA concevoir des bâtiments pour nous?
• Cette technologie relevait de la science-fiction il y a 20 ans. Maintenant c'est la réalité