Met behulp van A.I. om kunstmatige menselijke genetische code te creëren

Al sinds minstens 1950, toen Alan Turing’s beroemde ‘Computermachines en intelligentie”paper werd voor het eerst gepubliceerd in het tijdschrift Verstandzijn computerwetenschappers die geïnteresseerd zijn in kunstmatige intelligentie gefascineerd door het idee van het coderen van de geest. De geest, zo luidt de theorie, is substraatonafhankelijk, wat betekent dat zijn verwerkingsvermogen niet noodzakelijkerwijs hoeft te worden gekoppeld aan de wetware van de hersenen. We zouden geesten naar computers kunnen uploaden of, denkbaar, geheel nieuwe kunnen bouwen, geheel in de wereld van software.

Dit zijn allemaal bekende dingen. Hoewel we nog geen geest in software moeten opbouwen of opnieuw creëren, afgezien van de abstracties met de laagste resolutie Omdat het moderne neurale netwerken zijn, is er geen tekort aan computerwetenschappers die hieraan werken moment.

Wat totaal minder bekend is, is het werk dat wordt uitgevoerd door onderzoekers aan de Estse Universiteit van Tartu en de Franse Paris-Saclay Universiteit.

In plaats van alleen maar te proberen een benadering van de geest in software opnieuw te creëren, hebben ze zich tot een Ander probleem: kun je een algoritme gebruiken om genetische code te genereren voor mensen die dat nog nooit hebben gedaan? bestond? Zou u dezelfde generatieve vijandige netwerktechnologie (GAN) kunnen toepassen die dit mogelijk maakt? AI modellen zoals BigSleep om meeslepend realistisch gegenereerde beelden uit te spuwen en deze in plaats daarvan te gebruiken om nep-DNA te creëren dat, in de trant van Turings werk, niet te onderscheiden is van dat van een persoon van vlees en bloed?

Kunstmatige genetische gegevens

“Het creëren van kunstmatige genetische gegevens die realistisch genoeg zijn, zonder de sequenties direct te kopiëren, is een heel moeilijk probleem,” Flora Jay, een onderzoeker gespecialiseerd in machine learning en populatiegenetica aan de Universiteit van Paris-Saclay University, vertelde Digital Trends. “Genetische gegevens hebben een grote dimensie, en je kunt niet zomaar opmerken wat belangrijk is of niet. We hebben ons dus tot de allernieuwste technieken gewend die worden toegepast op de computervisie, tekst, muziek of eiwitwereld. Deze generatieve netwerken – GAN’s en [beperkte Boltzmann-machines] – zijn zo ontworpen dat ze geleidelijk en automatisch kunnen leren hoe ze kunstmatige genetische sequenties kunnen creëren.”

A GAN, een soort raamwerk voor machinaal leren, bedacht door onderzoeker (en huidige Apple-medewerker) Ian Goodfellow, gebruikt een strijdlustige, touwtrekkende aanpak om de generatieve resultaten ervan te verbeteren. Het bestaat uit twee neurale netwerken: een ‘generator’ en een ‘discriminator’ die outputs aan elkaar doorgeven.

Het is de taak van de generator om iets te creëren, of het nu een A.I. schilderij of een stuk code dat een kunstmatig genoom voorstelt in de vorm van enen en nullen. De discriminator, zoals een botversie van J.K. Simmons’ perfectionistische muziekleraar in de film Whiplash, bekritiseert vervolgens zijn inspanningen en stuurt dit terug naar de generator. De generator leert van deze feedback, terwijl de discriminator steeds beter wordt in het raden van wat er door de generator is gemaakt en wat het echte artikel is. Uiteindelijk is de generator zo goed in het creëren van nepversies van wat hij ook probeert, dat de discriminator voor de gek gehouden kan worden. Het is niet langer in staat echt van nep te onderscheiden.

“Een van de grootste problemen hier is het beoordelen van de kwaliteit van kunstmatige genomen,” Burak Jelmen, een Ph.D. student aan het Institute of Genomics van de Universiteit van Tartu, vertelde Digital Trends. “Je kunt naar een afbeelding kijken en beslissen of het er echt uitziet, maar bij genomen is dat niet mogelijk. [Het] merendeel van de analyses die we in ons onderzoek uitvoerden, was om te zien of de kunstmatige genoombrokken die we genereerden er echt uitzagen als de echte.”

Maak je echter geen zorgen. Ondanks een groeiende hoeveelheid artikelen over zeer twijfelachtige manipulatie van genen, bedoeld om de menselijke code te herschrijven, dit werk gaat niet over het proberen nieuwe, ouderloze mensen te ‘schrijven’ die met behulp van supercomputers.

“Voor alle duidelijkheid: het doel van ons werk is om de bestaande genetica beter te begrijpen en te coderen diversiteit van duizenden of miljoenen mensen over de hele wereld, niet om kunstmatige cellen te creëren”, zegt Jay gezegd. “De neurale netwerken zijn getraind op deze bestaande diversiteit, dus de gegenereerde genomische regio’s bevatten geen extra nieuwe mutaties kunnen gemakkelijk de functionaliteit van een reeks verstoren – en ze omvatten, onaangeroerd, de segmenten die bij de mens behouden blijven populaties.”

Jay merkte op dat het op de schaal van het hele genoom ‘moeilijk te zeggen’ is of een specifieke combinatie van miljoenen gegenereerde nucleotiden inderdaad “functioneel.” Met andere woorden, verwacht niet dat je deze code compileert en uitvoert, in de verwachting dat er een volledig gevormd persoon (of zijn blauwdrukken) bij de ander tevoorschijn komt. einde. In plaats daarvan is het doel iets totaal minder sinister en potentieel nuttiger.

Alles over gegevensprivacy

“Er zit een enorme hoeveelheid data in biobanken en die wordt elke dag groter”, zegt Yelmen. “Genomische gegevens zijn echter gevoelige gegevens en de toegang tot deze biobanken kan voor onderzoekers moeilijk zijn vanwege ethische bezwaren. Het belangrijkste doel van ons werk is het creëren van hoogwaardige surrogaten van bestaande genoombanken en het bieden van een oplossing voor deze toegankelijkheidsbarrière binnen een veilig ethisch kader. Het is belangrijk op te merken dat ons onderzoek een eerste stap was: er is nog werk aan de winkel.”

Jay voegde eraan toe: “Het idee achter onze studie is om te gaan onderzoeken of we kunstmatige genomen vrijgeven in plaats van de echte deze zouden de privacy van genoomdonoren kunnen beschermen, terwijl ze nuttige informatie zouden kunnen verschaffen aan de populatiegenetica gemeenschap. [Mogelijke] toepassingen van kunstmatige genomen zouden kunnen variëren van een beter begrip van ons evolutionaire verleden tot het verschaffen van inzichten in de medische genetica, inclusief een breder scala aan diversiteit.”

In sommige opzichten doet het werk denken aan de trend, gezien een paar jaar geleden, waarin GAN's werden gebruikt om afbeeldingen te maken van denkbeeldige mensen, dieren en meer, zoals belichaamd door de generatieve website ThisPersonDoesNotExist.com. Alleen deze keer gaat het natuurlijk om daadwerkelijke genetische code, en niet om simpele plaatjes.

Er verscheen een paper waarin het project werd beschreven, getiteld ‘Creating Artificial Human Genomes Using Generative Neural Networks’ onlangs gepubliceerd in het tijdschrift PLOS Genetics.

Aanbevelingen van de redactie

• Optische illusies kunnen ons helpen de volgende generatie AI te bouwen
• Analoge AI? Het klinkt gek, maar het zou de toekomst kunnen zijn
• Lees het griezelig mooie ‘synthetische geschrift’ van een A.I. die denkt dat het God is
• Algoritmische architectuur: moeten we A.I. gebouwen voor ons ontwerpen?
• Deze technologie was twintig jaar geleden sciencefiction. Nu is het realiteit