Читать книгу Машина творения: Новые организмы, редактирование генома и лабораторные гамбургеры онлайн

Современные электронные компьютеры всё еще представляют собой улучшенную версию калькуляторов. Они так же потребляют энергию, такие же непрочные, не могут сами себя ремонтировать или воспроизводить и без подключения к принтеру не способны произвести ничего осязаемого. Клетки – устройства, которыми мечтали бы стать традиционные компьютеры, умей они мечтать: клетки сами себя воспроизводят, ремонтируют и работают практически от любого источника энергии.

Вот почему новаторская работа Genentech имела принципиальное значение, и вот почему в будущем синтетическая биология изменит жизнь. Когда мы научимся говорить на языке биологии и управлять им, у нас появится возможность влиять на то, что происходит в клетках. Не просто читать код и редактировать его – клонировать инсулин или вносить мелкие исправления, – а писать новые инструкции, обеспечивать их доставку по назначению и производить новые биологические продукты на той, клеточной, стороне. Хумулин был ранним продуктом синтетической биологии – области, пока совсем новой и развивающейся. Исследователи, чья деятельность связана с данной научной сферой, пытаются очертить ее контуры, при этом она охватывает химию, биологию, компьютерные технологии, проектирование и дизайн с единственной целью – получить доступ к клеточной фабрике и к операционной системе жизни, чтобы написать новый (и, возможно, лучший) биологический код.

Синтетическая биология пересекается с компьютерными технологиями, и в частности с искусственным интеллектом, используя машинное обучение и выявляя значимые закономерности в больших массивах данных. На машинном обучении работают сервисы, которыми вы часто пользуетесь, например рекомендации на YouTube и Spotify, а также голосовые помощники вроде Alexa и Siri. В контексте биологии машинное обучение позволяет исследователям выявлять, продвигаясь бесчисленными мелкими шажками, новые закономерности. Проведение опытов с несколькими переменными часто требует мельчайших методичных изменений в измерениях, материалах и исходных данных – и в итоге жизнеспособного продукта все равно может не получиться. DeepMind, подразделение компании Google, занимающееся исследованием и созданием систем искусственного интеллекта, которые затем применяются для решения сложных проблем, разработало способ тестирования и моделирования многосоставной структуры укладки (сворачивания) длинных цепочек аминокислот, решив тем самым проблему, долгое время не дававшую покоя ученым. Разработанная DeepMind для этой цели система AlphaFold была использована, чтобы предсказать структуру более чем 350 000 белков человека и 20 модельных организмов. К 2022 г. набор данных должен был, по ожиданиям, превысить 130 млн структурssss1. Это позволит исследователям синтезировать новые препараты гораздо быстрее, чем путем подбора, как делали в Genentech при создании хумулинаssss1. В результате применения данного метода и других подходов синтетической биологии лаборатории чаще будут находить удачные варианты, что снизит стоимость вывода новых лекарств на рынок. Исследователи Genentech синтезировали инсулин человека до наступления эры искусственного интеллекта и компьютеров, использующих огромные массивы данных, машинное обучение и глубокие нейронные сети, созданные для того, чтобы превзойти по сообразительности самых умных представителей человечества. Сегодня существуют обширные базы данных о белках и обмене веществ, а компьютеры способны вновь и вновь запускать миллиарды процессов моделирования в поисках решения вычислительных задач. Если бы та же группа исследователей взялась за решение инсулиновой проблемы сейчас, им бы не пришлось месяцами круглосуточно корпеть в лаборатории над пробирками и чашками Петри. При наличии платформы, управляемой искусственным интеллектом, они в течение нескольких часов перебрали бы все возможные трехбуквенные комбинации и нашли бы идеальное решение.