Använder A.I. att skapa artificiell mänsklig genetisk kod

Sedan åtminstone 1950, då Alan Turings berömda "Datormaskiner och intelligens” papper publicerades först i tidskriften Sinne, har datavetare som är intresserade av artificiell intelligens fascinerats av idén om att koda sinnet. Sinnet, så säger teorin, är substratoberoende, vilket betyder att dess bearbetningsförmåga inte nödvändigtvis måste vara fäst vid hjärnans våtgods. Vi skulle kunna ladda upp sinnen till datorer eller, tänkbart, bygga helt nya helt inom mjukvaruvärlden.

Det här är alla bekanta grejer. Även om vi ännu inte har byggt eller återskapat ett sinne i mjukvara, utanför de lägsta upplösningsabstraktionerna det är moderna neurala nätverk, finns det ingen brist på datavetare som arbetar med detta arbete just detta ögonblick.

Vad som är mindre bekant är det arbete som utförs av forskare vid Estlands universitet i Tartu och Frankrikes universitet i Paris-Saclay.

Istället för att bara försöka återskapa en approximation av sinnet i programvara, har de vänt sig till en annat problem: Kan du använda en algoritm för att generera genetisk kod för människor som aldrig har gjort det funnits? Kan du använda samma generative adversarial network (GAN)-teknik som tillåter A.I. modeller som BigSleep att spotta ut övertygande realistiskt genererade bilder och istället använda det för att skapa falskt DNA som, i samma stil som Turings arbete, inte går att skilja från en människa av kött och blod?

Konstgjorda genetiska data

"Att skapa konstgjorda genetiska data som är tillräckligt realistiska, utan att direkt kopiera sekvenserna, är ett mycket svårt problem," Flora Jay, en forskare som specialiserat sig på maskininlärning och populationsgenetik vid University of Paris-Saclay University, berättade för Digital Trends. "Genetisk data är av hög dimension, och du kan inte bara öga vad som är viktigt eller inte. Vi vände oss därför till banbrytande tekniker [att tillämpas] på datorvision, text, musik eller proteinvärlden. Dessa generativa nätverk – GAN och [begränsade Boltzmann-maskiner] – är designade så att de progressivt och automatiskt kan lära sig hur man skapar artificiella genetiska sekvenser.”

En GAN, en klass av maskininlärningsramverk som myntats av forskaren (och nuvarande Apple-anställd) Ian Goodfellow, använder en stridbar, dragkampstrategi för att förbättra sina generativa resultat. Den består av två neurala nätverk: en "generator" och en "diskriminator" som skickar utsignaler mellan varandra.

Generatorns uppgift är att skapa något, oavsett om det är en A.I. målning eller en bit kod som representerar ett artificiellt genom i form av ettor och nollor. Diskriminatorn, som en botversion av J.K. Simmons perfektionistiska musikinstruktör i filmen Pisksnärt, kritiserar sedan dess ansträngningar och skickar tillbaka detta till generatorn. Generatorn lär sig av denna feedback, medan diskriminatorn på samma sätt blir allt bättre på att gissa vad som har skapats av generatorn och vad som är den äkta artikeln. Så småningom är generatorn så bra på att skapa falska versioner av vad den än försöker att diskriminatorn kan luras. Det går inte längre att skilja verkligt från falskt.

"Ett av huvudproblemen här är att bedöma kvaliteten på artificiella genom," Burak Yelmen, en doktorsexamen student vid University of Tartus Institute of Genomics, berättade för Digital Trends. "Du kan titta på en bild och avgöra om den ser verklig ut, men detta är inte möjligt för genom. Majoriteten av analyserna vi utförde i vår studie var för att se om de artificiella genombitarna vi genererade verkligen såg ut som de verkliga."

Oroa dig dock inte. Trots en växande mängd artiklar om mycket tvivelaktiga genmanipulering utformade för att skriva om den mänskliga koden, detta arbete handlar inte om att försöka "skriva" nya föräldralösa människor som skulle kunna skapas med hjälp av superdatorer.

"För att vara tydlig är målet med vårt arbete att bättre förstå och koda den befintliga genetiska mångfald av tusentals eller miljoner människor runt om i världen, inte för att skapa konstgjorda celler,” Jay sa. "De neurala nätverken är tränade på denna befintliga mångfald, så de genererade genomiska regionerna bär inte på ytterligare nya mutationer som kan lätt störa funktionaliteten hos en sekvens - och de inkluderar, orörda, de segment som är bevarade över människor befolkningar.”

Jay noterade att det i hela genomskalan är "svårt att säga" om en specifik kombination av miljontals genererade nukleotider verkligen skulle kunna vara "funktionell." Med andra ord, förvänta dig inte att kompilera och köra den här koden, förvänta dig att en färdigbildad person (eller deras ritningar) ska dyka upp vid den andra slutet. Istället är syftet något helt och hållet mindre olycksbådande och, potentiellt, mer användbart.

Allt om datasekretess

"Det finns en enorm mängd data i biobanker och den fortsätter att öka för varje dag", sa Yelmen. "Men genomisk data är känslig data och tillgång till dessa biobanker kan vara svårt för forskare på grund av etiska problem. Huvudmålet med vårt arbete är att skapa högkvalitativa surrogat av befintliga genombanker och tillhandahålla en lösning på denna tillgänglighetsbarriär inom en säker etisk ram. Det är viktigt att notera att vår studie var ett första steg: Det finns fortfarande arbete att göra.”

Lade till Jay: "Idén bakom vår studie är att börja undersöka om man frigör artificiella genom istället för de verkliga sådana skulle kunna bevara integriteten för genomdonatorer, samtidigt som de ger användbar information till populationsgenetiken gemenskap. [Möjliga] tillämpningar av artificiella genom kan sträcka sig från bättre förståelse av vårt evolutionära förflutna till att ge insikter i medicinsk genetik, inklusive ett bredare utbud av mångfald."

På något sätt påminner arbetet om trenden sett för några år sedan, där GAN: er användes för att skapa bilder av imaginära människor, djur och mer som betecknas av den generativa webbplatsen ThisPersonDoesNotExist.com. Bara den här gången handlar det förstås om faktisk genetisk kod, snarare än enkla bilder.

En artikel som beskrev projektet, med titeln "Skapa artificiella mänskliga genom med hjälp av generativa neurala nätverk", var nyligen publicerad i tidskriften PLOS Genetics.

Redaktörens rekommendationer

• Optiska illusioner kan hjälpa oss att bygga nästa generations AI
• Analog A.I.? Det låter galet, men det kanske är framtiden
• Läs den kusligt vackra "syntetiska skriften" av en A.I. som tror att det är Gud
• Algoritmisk arkitektur: Ska vi låta A.I. designa byggnader åt oss?
• Den här tekniken var science fiction för 20 år sedan. Nu är det verklighet