До недавнего времени фраза «ИИ проектирует жизнь» была хороша прежде всего для заголовков.
Модели умели предсказывать структуру белков.
Предлагать новые белки.
Искать полезные мутации.
Подбирать отдельные генетические элементы.
Это впечатляет, но всё равно похоже на работу с деталями.
Мы научились придумывать хороший винтик.
Красивую шестерёнку.
Иногда — целый узел.
А в августе группа из Стэнфорда и Arc Institute показала нечто принципиально другое.
ИИ предложил полные геномы вирусов.
Исследователи собрали почти три сотни вариантов.
Шестнадцать из них после лабораторной проверки оказались жизнеспособными.
Они размножались.
Заражали бактерии.
И выполняли ту самую функцию, ради которой их проектировали.
Это ещё не «ИИ создал искусственную жизнь».
Но граница между редактировать живое и генерировать живое целиком стала заметно тоньше.
Сначала успокоим заголовок
Слово «вирус» автоматически включает тревожную музыку.
Особенно после последних лет.
Но в этой работе никто не проектировал новый грипп, коронавирус или неизвестную заразу для человека.
Исследователи работали с бактериофагами.
Это вирусы бактерий.
Их хозяин — не человек, а бактериальная клетка.
Конкретно команда ориентировалась на очень хорошо изученный фаг ΦX174.
Он маленький даже по вирусным меркам.
Его геном состоит примерно из 5400 нуклеотидов и кодирует всего 11 белков.
Для сравнения: человеческий геном содержит около трёх миллиардов пар оснований.
То есть человечество не попросило ИИ:
— Напиши нам слона.
Пока задача скорее звучала:
— Напиши работающую биологическую машину из нескольких тысяч букв.
Но ещё совсем недавно и это казалось слишком сложным.
Потому что геном — не список запчастей
Вот здесь кроется главное.
Если взять один ген и изменить его, задача относительно локальная.
Можно изучить функцию белка.
Предсказать его структуру.
Посмотреть, какие замены допустимы.
Но целый геном устроен иначе.
Гены работают не по отдельности.
Один влияет на другой.
Белки должны появляться в нужном количестве и в нужный момент.
Какие-то участки отвечают не за сами белки, а за управление их производством.
Одна удачная мутация может сломать другую часть системы.
Изменение оболочки влияет на способность вируса узнавать хозяина.
Изменение внутреннего белка может потребовать компенсирующих изменений ещё в нескольких местах.
То есть задача выглядит не как:
«придумай один хороший компонент».
Скорее:
«придумай сразу всю машину так, чтобы тысячи взаимозависимых деталей случайно не подрались между собой после включения».
Именно поэтому целый геном — гораздо более серьёзный тест для генеративной биологии.
Тут появляется Evo 2
Модель называется Evo 2.
По смыслу она немного похожа на большие языковые модели.
Только вместо книг, сайтов и человеческих диалогов она изучала генетические последовательности.
Для обычной LLM язык состоит из слов и токенов.
Для Evo — из букв генетического кода.
Модель видит огромное количество природных геномов и учится статистическим закономерностям:
какие фрагменты обычно встречаются рядом;
какие структуры совместимы;
что похоже на функциональный ген;
как устроены большие генетические последовательности.
В полной версии Evo 2 обучали на триллионах нуклеотидов из огромного количества организмов.
А для эксперимента с фагами модель дополнительно специализировали на тысячах родственных вирусных геномов.
В каком-то смысле это похоже на модель, которая прочитала невероятное количество автомобильных чертежей.
А потом ей говорят:
— Теперь нарисуй новый автомобиль целиком.
Не дверь.
Не двигатель.
Всю машину.
Причём ей не дали готовый геном и приказ «поменяй цвет»
Это тоже важно.
Самый простой способ получить «новый» вирус — взять существующий и внести несколько мутаций.
Формально геном новый.
По сути — старая система с парой заменённых деталей.
В данном случае исследователи хотели большего.
Модель генерировала полные последовательности генома целиком.
После компьютерного отбора осталось 302 кандидата.
Физически собрать удалось 285.
И уже после проверки выяснилось, что 16 дают жизнеспособные фаги.
Если смотреть только на процент успеха, можно усмехнуться.
Шестнадцать из 285.
Около пяти с половиной процентов.
Ужасная фабрика.
95 изделий из ста — брак.
Но для биологии вывод почти обратный.
До этого ноль процентов таких проектов вообще существовало как доказанная технология.
А теперь генеративная модель способна предложить сотни целых геномов, среди которых находятся реально работающие.
Это уже не художественное творчество с ДНК.
Это поиск в пространстве биологических конструкций.
И некоторые варианты природе не встречались
Ещё интереснее степень новизны.
Рабочие фаги не были просто копиями исходного ΦX174.
У них были десятки и сотни отличий от ближайших известных природных родственников.
Некоторые изменения вообще не находились в известных природных последовательностях.
Один из вариантов отличался настолько сильно, что по некоторым критериям мог бы считаться отдельным видом.
И тут возникает важный момент.
ИИ не обязательно «понимает» биологию так, как её понимает исследователь.
Он не сидит и не размышляет:
«Этот белок я укорочу, поэтому здесь потребуется компенсация».
Он изучает огромный ландшафт возможных последовательностей и находит комбинации, которые статистически выглядят совместимыми.
А лаборатория потом задаёт природе единственный важный вопрос:
работает?
Иногда природа отвечает:
— Нет.
Но шестнадцать раз ответила:
— Да.
Самое интересное произошло с одной деталью
В одном из созданных фагов исследователи обнаружили комбинацию компонентов, которую раньше было очень сложно получить рациональным проектированием.
ИИ совместил элемент из довольно далёкого родственника с остальной конструкцией.
И вся система сохранила работоспособность.
Это показательно.
Человеческий инженер обычно рассуждает через понятные ему причинные связи.
Мы любим менять одну вещь за раз.
Посмотреть результат.
Потом следующую.
Генеративная модель может делать иначе.
Она способна предложить сразу множество взаимосвязанных изменений.
Человек посмотрит на них и скажет:
— Зачем здесь вообще столько всего поменяно?
А природа отвечает:
— Зато работает.
Вот в этой способности искать согласованные комбинации изменений и может оказаться настоящая сила таких моделей.
А зачем вообще конструировать вирусы?
Вот здесь слово «вирус» снова немного мешает.
Бактериофаги давно рассматриваются как потенциальное оружие против бактерий.
Особенно тех, которые становятся устойчивыми к антибиотикам.
Фаг заражает бактерию.
Использует её клеточный механизм.
Размножается внутри.
Бактериальная клетка погибает.
В принципе это можно использовать как очень специализированный антибактериальный инструмент.
Проблема в том, что бактерии тоже эволюционируют.
Они способны становиться устойчивыми и к фагам.
Начинается обычная биологическая гонка вооружений.
И вот тут возможность быстро создавать множество различных фагов становится очень привлекательной.
В эксперименте смесь созданных ИИ фагов смогла подавлять линии E. coli, которые уже приобрели устойчивость к природному ΦX174.
Это ещё не лекарство из аптеки.
Эксперимент проводился в лабораторных условиях.
Но направление понятно.
Вместо:
нашли природный фаг → проверили → бактерия стала устойчивой → ищем следующий
можно попытаться перейти к:
задаём требования → генерируем библиотеку вариантов → проверяем лучшие.
И вот это уже очень похоже на инженерное производство.
Биология постепенно превращается из науки наблюдения в науку проектирования
Большую часть истории мы изучали живое примерно так.
Находили организм.
Разбирались, как он устроен.
Выделяли полезное свойство.
Пытались его изменить.
Генная инженерия позволила редактировать отдельные элементы гораздо точнее.
CRISPR сделал редактирование вообще почти программируемым.
Но всё равно чаще всего человек начинает с уже существующей природной системы.
Эволюция построила машину.
Мы в ней что-то меняем.
Генеративная биология предлагает следующий шаг.
Природа становится не готовым изделием, а обучающей выборкой.
Мы изучаем миллиарды вариантов, созданных эволюцией.
Модель извлекает из них закономерности.
А затем предлагает конструкции, которых сама эволюция, возможно, никогда не пробовала.
Это уже другой способ работать с живым.
И здесь аналогия с ChatGPT становится немного тревожной
Когда появились языковые модели, сначала казалось:
они просто продолжают текст.
Следующее слово.
Потом ещё одно.
Ну хорошо, очень сложный автокомплит.
А потом оказалось, что из этой простой формулировки вырастают программы, эссе, планы, исследования и агенты.
В геномной модели принцип внешне похож.
Следующая буква ДНК.
Потом следующая.
И ещё.
Только результатом может стать не текст.
А последовательность, которую клетка воспринимает как инструкцию к сборке настоящей биологической системы.
Текстовая галлюцинация заканчивается странным абзацем.
Биологическая — может закончиться объектом, который физически существует.
Это уже совсем другой уровень ответственности.
Именно поэтому авторы заранее ограничивали модель
В Evo 2 разработчики сознательно исключили из обучающих данных вирусы, заражающие человека и других сложных организмов.
Модель должна была хорошо работать с бактериями и бактериофагами, но хуже понимать потенциально опасные вирусные патогены.
Разработчики отдельно проверяли, что такое исключение действительно ухудшает её способности на соответствующих задачах.
Это важная деталь.
Потому что исследование одновременно показывает две вещи.
Первая:
генеративное проектирование целых геномов работает.
Вторая:
теперь безопасность таких моделей перестаёт быть теоретической дискуссией.
Пока модель генерирует картинки несуществующих котов, ошибку можно пережить.
Когда модель учится генерировать работающие биологические системы, вопрос «что именно мы не дадим ей проектировать?» становится частью архитектуры.
Правда, до генератора страшных пандемий ещё очень далеко
После таких исследований неизбежно появляются заголовки:
«ИИ теперь может создать любой вирус».
Нет.
Не может.
В работе использовали один из самых маленьких и хорошо изученных вирусных геномов.
Он заражает бактерии.
Из сотен выбранных вариантов сработали только шестнадцать.
Для перехода от компьютерной последовательности к рабочей биологии понадобилась серьёзная лабораторная команда.
А сложность генетических систем очень быстро растёт.
Маленький бактериофаг — это не сложный вирус млекопитающих.
И тем более не полноценная клетка.
Так что кнопку:
«создать новую форму жизни»
мы пока не получили.
Но фундаментальный барьер действительно пройден.
Полный геном перестал быть слишком большой единицей для генеративного дизайна.
И следующий логичный шаг гораздо крупнее
Авторы уже говорят о работе с более длинными и сложными геномами.
Например, небольших бактерий.
А вот тут масштаб задачи меняется ещё раз.
Бактерия — это уже полноценная клетка.
Нужно поддерживать обмен веществ.
Деление.
Ремонт ДНК.
Работу мембраны.
Тысячи взаимосвязанных процессов.
Создать такую систему целиком намного сложнее, чем фаг из одиннадцати генов.
Но путь понятен.
Белок.
Несколько белков.
Генетический модуль.
Целый вирусный геном.
Потом более сложные геномы.
Каждая ступень увеличивает количество взаимодействующих элементов, которые модель должна удерживать одновременно.
И именно поэтому история с шестнадцатью фагами важнее, чем кажется.
Она показывает не конечную точку.
Она показывает направление масштабирования.
Возможно, мы скоро перестанем спрашивать: «Что этот ген делает?»
Сегодня биология во многом устроена аналитически.
Берём последовательность.
Пытаемся понять функцию.
Как изменение повлияет на организм?
Что произойдёт, если выключить ген?
Новые модели добавляют противоположное направление.
Не:
«вот геном — объясни его».
А:
«вот задача — предложи геном».
Это колоссальный сдвиг.
Примерно как разница между физиком, который изучает свойства существующего материала, и инженером, который говорит:
— Мне нужен материал вот с такими характеристиками. Спроектируйте.
Только материал здесь способен размножаться.
И вот это последнее слово меняет всё
Компьютерный чип, созданный ИИ, можно изготовить миллион раз.
Но сам он не изготовит второй чип.
Биологическая система принципиально другая.
Если она жизнеспособна, она может воспроизводить собственную структуру с помощью живой клетки.
Впервые генеративный дизайн начинает работать с объектами, которые после успешного запуска способны продолжать существование биологически.
И здесь начинается совершенно новая инженерная территория.
С огромными возможностями.
Новые антибактериальные терапии.
Производство лекарств.
Полезные микроорганизмы.
Новые биологические материалы.
Системы, которые природа никогда не успела создать.
Но вместе с этим появляется и совершенно новая цена ошибки.
Поэтому главный результат этой работы я бы сформулировал не так:
«ИИ создал вирус».
Это звучит страшно, но слишком упрощает происходящее.
Гораздо точнее другое:
ИИ впервые показал, что способен проектировать целую взаимосвязанную генетическую систему, а не только отдельные её детали.
Из 285 собранных вариантов шестнадцать заработали.
Сегодня это маленькие вирусы бактерий.
Но после этой работы вопрос уже изменился.
Раньше мы спрашивали:
может ли ИИ вообще написать работающий геном?
Теперь ответ есть.
Может.
Следующий вопрос немного серьёзнее:
насколько сложную живую систему он сможет написать следующей?
