Как работает новый «биокомпьютер» и что он может сделать в будущем

Уже много лет ученые работают над превращением клеток в компьютеры. Это логическая цель, ячейки хранят информацию в чем-то приближенном к памяти, они ведут себя из-за строгого, основанного на правилах выражения программирования в ответ на стимулы, и они могут выполнять операции с поразительной скоростью. Каждая ячейка содержит достаточно физической сложности, чтобы теоретически быть достаточно мощной вычислительной единицей, но каждая из них достаточно мала, чтобы ее можно было собрать миллионами в крошечные физические пространства. С полностью реализованной способностью программировать поведение клетки так же надежно, как и поведение компьютера, невозможно сказать, чего могут достичь биологические вычисления.

Теперь исследователи из Массачусетского технологического института сделали шаг к этому возможному будущему с сотовыми машинами, которые могут выполнять простые вычислительные операции и сохранять, а затем вспоминать память. В принципе, они обеспечивают тот контроль, который нам необходим для проектирования и создания реальных сотовых компьютеров, но они могут просто революционизировать клеточную биологию задолго до того, как наступит это будущее.

MIT был одним из самых плодовитых источников исследований по этой теме. В 2013 году эта же команда разработала вычислительную нагрузку, которая предшествовала этому: биологический «конечный автомат». Конечный автомат — это простая (хотя и не обязательно простая ) форма компьютера или компьютерная модель, в которой машина находится только в одном из конечный список возможных состояний, и может переходить между этими состояниями в соответствии с входными переменными.

Классическим примером конечного автомата является торговый автомат. Счетчик на самом деле не выполняет математику, а просто знает, что если у него уже есть пять центов и он получает еще пять центов, он должен переключиться в режим «У меня есть 10 центов». Этот режим перезаписывает режим «У меня есть пять центов» и имеет собственный набор связанных поведений, учитывающий все возможности для следующей монеты. Это отличается от наличия какого-либо здравого математического мозга, любой концепции для пяти или десяти, или отношений между ними.

Взятая на почти абсурдный уровень сложности, эта базовая система объединения ввода с одним изменяющимся внутренним состоянием, снова и снова (и снова), стоит за современными алгоритмами распознавания речи. В значительной степени машинное обучение — это автоматизированный процесс построения таких цепочек реактивных состояний, который в конечном итоге предоставил компьютеру научную возможность быстро и точно сузить идентичность произносимого слова. Это все, что нужно сказать: конечные автоматы могут быть старыми и простыми, но они ни в коем случае не бесполезны, если вы можете построить их достаточно хорошо и достаточно тщательно.

Эта идея конечного автомата может быть применена в живой клетке с использованием глубоко новомодных методов в генетических манипуляциях; геном ДНК обеспечивает всю функциональность, необходимую для создания полезного конечного автомата, мы просто должны правильно использовать эти функции.

В случае этой новой бумаги MIT их высоко настраиваемый штамм e.coli разработан со специально расположенными «последовательностями-мишенями», очень тщательно распределенными по всему геному; когда ученые предоставляют определенную комбинацию химических сигналов, старые и скучные методы в генной инженерии заставляют клетку выделять специфическую «рекомбиназу», тип фермента, который может инвертировать ориентацию предварительно запрограммированного участка ДНК или полностью удалить его. , Именно действие этих рекомбиназных ферментов и их взаимодействие с короткими последовательностями-мишенями обеспечивают новые возможности в клеточных вычислениях.

В ответ на каждый входной переменной, вероятно , химический агент, рекомбиназы либо удалить или инвертировать связанную с ним часть генома — и самое главное, что часть генома сама содержит цели , которые диктуют позже рекомбиназы связывания. Таким образом, действие любой рекомбиназы изменит среду, которую следующая рекомбиназа обнаружит при активации, и тем самым изменится взаимодействие этой более поздней рекомбиназы с геномом. Если рекомбиназа А инвертирует последовательность А, то рекомбиназа В может связываться там; если он вместо этого удалил последовательность A, то рекомбиназа B не сможет связываться там, и вместо этого пойдет делать что-то еще, или, возможно, вообще ничего.

Это означает, что цепочка ответов на каждую новую переменную должна быть сохранена в последовательности самой бактериальной ДНК , которую можно получить путем секвенирования генома. Более полезно, связывая каждое состояние с производством специфически окрашенного флуоресцентного белка, ученые могут наглядно раскрыть последовательность состояний клетки в режиме реального времени, без двусмысленности. Например, предоставление входа A с последующим вводом B приводит к образованию красных и зеленых флуоресцентных белков, в то время как клетки, которые получают те же два входа в обратном порядке, производят красную и синюю флуоресценцию.

Скорее всего, это обеспечивает хороший способ легко отслеживать экспрессию генов — что все еще в значительной степени смущает молекулярных биологов. В частности, очень трудно отследить паттерн экспрессии генов, необходимый для развития стволовой клетки, например, в здоровом нейроне в коре головного мозга. Если бы мы знали схему, которая диктует, как клетки проходят этот путь естественным образом, мы могли бы довольно быстро попытаться воспроизвести этот путь синтетически. Реализованный в гораздо более сложном масштабе, чем в этом эксперименте, клеточный конечный автомат MIT может предложить средства для записи даже очень быстрых и сложных паттернов экспрессии генов и снять постоянную запись этих критически важных природных процессов.

Этот экспериментальный био-конечный автомат использует только три цвета флуоресценции (красный, зеленый и синий), и поэтому, комбинируя эти цвета, он может лишь визуально различать относительно небольшое количество входных сигналов — конечно, не полный набор гормонов, факторов транскрипции и другие сигнальные молекулы, которые необходимо отслеживать, чтобы полностью записать путь клетки через дифференцировку. Но исследователи разработали свою систему так, чтобы ее можно было масштабировать по сложности, а при достаточно хорошем приложении она могла бы добавить новый мощный инструмент для изучения развития клеток и экспрессии генов.

Ячейки по своей природе программируются, поэтому, как только вы сможете надежно хранить информацию в геноме, выполнение простых операций ввода-вывода с этой информацией требует использования только давних методов в биологии. Таким образом, возникает вопрос: что можно сделать с достаточно программируемой ячейкой или, в идеале, связывающей группой ячеек? Другими словами: у нас уже есть компьютеры. Почему стоит изобретать вычислительное колесо внутри живой клетки? Экспрессия генов происходит быстро, но современные компьютерные процессоры работают быстрее. И даже при флуоресцентном освещении считывание информации с ячейки никогда не будет таким же эффективным, как электрические импульсы по проводу.

Одним из главных преимуществ жизни перед современной техникой является энергоэффективность. Запуск алгоритмов искусственного интеллекта потребляет много гигаватт-часов электричества в год, и чрезвычайно длинные и сложные проблемы могут оказаться гораздо более доступными для решения с использованием биотехнологий. Возможно, ваш чан, заполненный компьютерами e.coli , всего на тысячу раз быстрее, чем этот центр обработки данных Google, но каждый из их суперкомпьютеров ежегодно потребляет миллионы долларов энергии, в то время как ваш биокомпьютер работает лишь на нескольких обычных Дешево метаболиты.

Жизнь также бурна; мы находим живые клетки на дне океана и на вершине атмосферы, устья активных вулканов и в древних озерах под километрами арктического льда. Вот эксперимент: вы хотите узнать реакцию озера на кислотный дождь. Освободите свой следственный штамм e.coli ; вернуться через несколько недель и несколько дождей; собрать образец; избавьтесь от микробов вашего питомца; последовательность их ДНК; проведите статистический анализ (возможно) тысяч репортерных геномов в вашем образце, каждый из которых подробно расскажет о кислотности с момента выпуска микроба-хозяина.

Однако более важной, чем экологическая наука, является медицинская наука, поскольку жизнь, конечно, может существовать и в другой жизни . Однажды можно было бы использовать программируемые бактерии для считывания аспектов биохимии человека у живых пациентов, изнутри их кровотока — конечно, это похоже на путь с меньшей врожденной резистентностью, чем создание микро-роботов для достижения той же цели.

Но в целом клетки просто отличаются от компьютеров. На самом деле невозможно сказать, что мог бы сделать какой-нибудь дальновидный кодер с алгоритмом, разработанным с нуля для использования миллионов или даже миллиардов простых сетевых компьютеров. Даже если каждый компьютер является относительно медленным или ограниченным, этот метод может предложить уникально эффективные способы преодоления ранее трудных или непроходимых барьеров, от эффективной маршрутизации миллионов пакетов по Соединенным Штатам до грубого взлома и надежного шифрования.

Это все долгий путь, но исследователи в области биотехнологии делают первые важные шаги для достижения этой цели. Они создают свои неуклюжие, сфальсифицированные жюри доказательства концепции, живые версии компьютеров с вакуумными трубками старых. Пока неизвестно, будут ли эти простые биологические машины оказывать такое же воздействие, как компьютеры, но потенциал, несомненно, есть.

Back to Top