Хотел бы начать с «привет, хабровчане», но сегодня, пожалуй, стоит начать иначе:
«Дорогой дневник…»
Давайте вспомним, что мы освоили ранее.
В «Части 0. Морфогенез» мы разобрались, как эмерджентное свойство можно разложить на локальные правила отдельных агентов и вырастить организм из единственной клетки на примере клеточных автоматов.
В «Части 1. Конструкции» немного погрузились во внутреннюю реализацию и базовые строительные блоки живых систем. Попытались понять, на каких физических принципах работают внутренние вычислительно-исполнительные механизмы биологии: альфа-спирали, бета-листы и всё то, из чего в итоге собираются белки.
Сегодняшняя статья будет немного противоречивой, субъективной и, возможно, даже провокационной.
Но я ведь всё ещё только учусь, поэтому, пожалуйста, не судите слишком строго.
Вопрос авторам статей
Дорогие авторы, подскажите, пожалуйста: как вы находите баланс между сложностью и информативностью?
Как оказалось, писать статьи не тривиальная задача.
Потому что если начать с чего-то вроде: «Питера Паркера укусил радиоактивный паук», а потом дядя Бен сказал: «Чем больше сила, тем больше и ответственность», то получается скучно и постно.
А если с ходу полезть в цикл Кребса, мембранные потенциалы и молекулярную регуляцию, то, наверное, проще сразу открыть лекции МГУ или других институтов по цитологии и биохимии.
И вот где проходит эта граница? Когда материал уже достаточно полезный, но всё ещё понятный? И как не превратить статью ни в пересказ школьного учебника, ни в конспект университетской лекции?
Знание как инструмент управления
Прежде чем подходить к дизайну белков, лекарств и биологических систем в целом, нельзя пропустить разговор про управление.
Вообще, зачем мы что-то изучаем и исследуем? Для чего тратятся огромные деньги на фундаментальную и прикладную науку?
На самом деле (и это моё субъективное мнение, но я предупреждал, что статья будет противоречивой) всё в конечном счёте сводится к контролю и управлению.
Если мы изучили какую-то систему достаточно хорошо и построили её рабочую модель, то можем предсказывать её поведение. Можем встроить эту систему в свою картину мира, выбирать условия, при которых она перейдёт в нужное состояние, и в конечном счёте научиться ею управлять (пускай и не всегда до конца понимая систему полностью).
Правда, как правило, из нового знания сначала рождается очередной способ уничтожения себе подобных, а уже потом технология добирается до мирного применения. Но этот момент мы вынесем за скобки статьи.
Есть популярное мнение, что человек способен одновременно удерживать в голове не более пяти или семи мысленных единиц. Это справедливо только отчасти. Когда область новая, мы действительно вынуждены держать в рабочей памяти множество разрозненных деталей. Каждый термин, объект и причинная связь существуют отдельно, поэтому мозг довольно быстро переполняется (аналог контекстного окна).
Но по мере накопления опыта отдельные детали объединяются в более крупные смысловые блоки. Для новичка шахматная позиция состоит из множества отдельных фигур. Для опытного шахматиста это уже знакомые структуры, угрозы и шаблоны, которые воспринимаются почти как единое целое. Исследования показывают, что преимущество специалистов связано с доменными шаблонами, эффективным кодированием и быстрым доступом к информации, хранящейся в долговременной памяти.
Мозг постепенно строит внутреннюю модель предметной области. Разрозненные факты связываются, часть операций автоматизируется, а вместо десятков отдельных деталей человек начинает оперировать несколькими крупными понятиями.
Программист видит не набор символов, а знакомый паттерн. Врач видит не перечень симптомов, а клиническую картину. Инженер видит не отдельные детали, а работающий контур.
Альберт Эйнштейн представлял, что будет, если лететь рядом с лучом света, находиться в падающем лифте или наблюдать часы из разных систем отсчёта. Это были не физические эксперименты в лаборатории, а модели, прокручиваемые в голове. Отто Лёви рассказывал, что идея решающего эксперимента пришла ему во сне. Он проснулся, что-то записал, утром не смог разобрать собственные каракули, а следующей ночью увидел сон снова. После этого Лёви поставил опыт с двумя лягушачьими сердцами и показал, что нервный сигнал может передаваться химическим веществом. Август Кекуле утверждал, что кольцевая структура бензола открылась ему в образе змеи, кусающей собственный хвост.
Грубо говоря, учёный сначала годами забивает голову деталями, а потом идёт спать. И иногда мозг ночью выдаёт ему скомпилированную версию проекта. Обычно озарение становится результатом длительного накопления материала, после которого мозг наконец упаковывает множество разрозненных элементов в одну рабочую парадигму.
Вы как инженеры наверняка сталкивались в работе с чем-то подобным.
Иногда смотришь на систему и почти сразу понимаешь, что здесь что-то не так. Архитектура выглядит подозрительно, решение кажется кривым, а конкретная реализация кода будто бы просит неприятностей. Но в моменте объяснить, где именно спрятана ошибка, не получается. Есть только внутреннее ощущение, что что-то не то. Но такая интуиция появляется только после большого опыта и достаточного количества набитых шишек.
А затем проходит время, падает прод, и всё внезапно становится очевидно.
Получается, мозг уже успел автоматически решить задачу. Просто осознанное объяснение не успело догнать интуитивный опыт. Понимание пришло чуть позже. Желательно, конечно, до падения прода, но кому как повезёт. Настоящий сеньёр должен хотя бы раз уронить прод.
Итак, хоть и принято считать, что мы изучаем Вселенную, чтобы открывать новые горизонты, постигать её устройство, пытаться понять, кто мы и для чего созданы, история обычно приводит нас к более практичному результату.
Результатом исследований становится очередное управляемое поведение уже освоенной системы. Мы учимся предсказывать её реакции, менять условия, получать нужный результат и встраивать всё это в нашу картину мира. Но именно это каждый раз переводит человечество на новый виток развития. При этом не обязательно знать всю систему на 100%, чтобы уметь ей умело управлять.
Возможно, мы ещё недостаточно развиты, чтобы использовать полученный контроль исключительно разумно и мирно. Но это уже отдельный философский вопрос. А сегодня мы попробуем верхнеуровнево разобраться, как вообще происходит управление в контексте биологических систем.
Заходим на поляну учёных (да, опять про ИИ)
Давайте теперь немного нагло зайдём на поляну учёных, но сделаем это с позиции инженеров.
Я понимаю, что сейчас посягаю на святая святых и, возможно, буду закидан тухлыми помидорами. Но мне кажется, что с приходом ИИ граница между наукой и инженерией начнёт постепенно стираться. На самом деле она стирается уже сейчас, просто пока ещё хорошо видны отдельные территории, роли и правила игры.
Дальше, как мне кажется, всё чаще будет работать связка «человек плюс ИИ», где человек обладает широким кругозором, понимает общие принципы работы сложных систем, умеет быстро погружаться в новую область и задавать правильные вопросы. У меня нет строгих фактов, подтверждающих именно такой сценарий. Это скорее личное ощущение от того, куда всё движется.
Но, возможно, многие сложные задачи будущего будут решаться не за счёт того, что один человек знает все способы микроменеджмента молекул, реакций и клеточных процессов. Это и сейчас почти невозможно. Гораздо важнее может оказаться понимание общей архитектуры системы, способность увидеть связи между разными областями, сформулировать задачу и при необходимости достаточно глубоко нырнуть в конкретный участок.
Потому что ИИ может помочь перебрать варианты, найти статьи, построить модель и проверить гипотезу. Но сам вопрос о том, что вообще стоит попробовать собрать, изменить или связать между собой, пока всё ещё начинается в голове человека.
Самое главное, что даёт ИИ, это не готовое решение проблемы. В первую очередь он забирает на себя огромный объём рутинной работы. Поиск информации, перебор вариантов, написание кода, первичный анализ данных, построение моделей, подготовку черновиков и ещё десятки операций, на которые раньше уходили дни и недели.
Почти каждая реальная задача в какой-то мере уникальна. И если просто отключить мозг и ждать, что ИИ сам дойдёт до конечного результата, то чаще всего ничего хорошего не получится. Особенно если задача лежит далеко за пределами тех закономерностей и решений, которые модель успела увидеть во время обучения.
Грубо говоря, ИИ работает по карте, которая уже зашита в его весах. Он может очень быстро двигаться по этой карте, находить неожиданные маршруты и соединять удалённые точки. Но человек пока лучше умеет замечать, что нужной территории на карте вообще нет, и пытаться выйти за её границы.
При этом прирост скорости и производительности получается почти нереальным.
То, для чего раньше требовалась команда специалистов, вычислительный кластер или хотя бы несколько отдельных исполнителей, сегодня в некоторых задачах можно частично собрать в одиночку на обычном ноутбуке. ИИ не заменяет эксперименты, оборудование, специалистов и глубокую предметную экспертизу. Но часть работы, которая раньше была доступна только большим командам, постепенно становится доступна одному человеку. При условии, что этот человек всё-таки продолжает думать.
В удивительное время живём. Меняется сам масштаб задач, за которые может взяться один человек. И, кажется, это только начало. Конечно, при условии, что мы в очередной раз не скатимся к новым и особенно эффективным вариантам самоликвидации. Но история всё же показывает, что в конечном итоге человечество каким-то образом выруливает. Поэтому будем считать, что всё будет хорошо.
Одни копают вглубь, другие смотрят куда копать
Давайте теперь на практическом примере попробуем понять, за какие «ниточки» нужно подёргать биологическую систему, чтобы корректно на неё воздействовать.
Клетка и организм представляют собой не отдельный механизм с одной кнопкой, а огромную сеть взаимосвязанных процессов. Если перекрыть один путь, поток может уйти в соседний. Если слишком сильно ускорить нужную реакцию, может закончиться исходное сырьё. А если отключить что-то действительно важное, клетка просто перестанет работать.
Поэтому воздействие на биологическую систему больше похоже не на нажатие кнопки, а на управление сложной транспортной сетью. Где-то можно расширить дорогу, где-то перекрыть съезд, где-то убрать пробку, а где-то изменение одного маршрута неожиданно парализует половину города.
Для примера возьмём метаболический путь и поставим достаточно инженерную задачу: изменить концентрацию нужного вещества, сохранив нормальную работу системы. Сначала посмотрим, как к такой задаче подходили классически. Затем попробуем повторить тот же путь с помощью математической модели и ИИ. И сравним, изменился ли сам принцип решения задачи.
Ставим задачу
Допустим, у человека в крови слишком много LDL, который в быту часто называют «плохим холестерином». Сам по себе холестерин не является врагом. Он нужен организму. Из него строятся клеточные мембраны, гормоны и другие важные молекулы. Поэтому задача не в том, чтобы уничтожить его полностью. Нужно сделать так, чтобы его в крови стало меньше, но сама система продолжила нормально работать.
Классический подход
Начнём с классического подхода. Как человечество вообще научилось управлять уровнем холестерина?
Сначала учёным пришлось разобрать систему по деталям. Выяснить, откуда холестерин берётся, через какие реакции синтезируется, как переносится по организму и каким образом возвращается из крови обратно в клетки. Полная схема состоит из огромного количества молекул, ферментов, стрелочек и названий, после которых неподготовленному человеку хочется закрыть вкладку.
Но на верхнем уровне логика достаточно простая.
Печень умеет производить холестерин самостоятельно. Внутри этого производственного конвейера есть фермент HMG-CoA-редуктаза, который участвует в одном из ключевых этапов процесса. Если снизить активность этого фермента, печень начинает производить меньше собственного холестерина.
Клетка замечает, что внутри холестерина стало меньше, и пытается компенсировать дефицит. Для этого она выставляет на поверхность больше LDL-рецепторов. Эти рецепторы работают как своеобразные погрузчики. Они захватывают частицы LDL из крови и затаскивают их обратно в клетку.
В реальности человечеству понадобились десятилетия, чтобы собрать эту картину.
Сначала учёные постепенно разбирались, как организм вообще синтезирует холестерин и регулирует его количество. Исследования обмена холестерина привели Конрада Блоха и Феодора Линена к Нобелевской премии ещё в 1964 году. Затем в 1973 году Майкл Браун и Джозеф Голдстайн обнаружили LDL-рецептор и начали объяснять, как клетки балансируют собственное производство холестерина и его захват из крови. За эту работу они получили Нобелевскую премию в 1985 году.
Параллельно японский биохимик Акира Эндо искал вещества, способные тормозить синтез холестерина. Для этого его группа проверила около шести тысяч образцов продуктов жизнедеятельности грибов. Среди них нашлось соединение, которое блокировало HMG-CoA-редуктазу. Но от первой удачной молекулы до препарата, который можно безопасно дать миллионам людей, оставался ещё длинный путь.
Первые результаты появились в начале 1970-х. А первый коммерческий статин, ловастатин, получил одобрение FDA только в 1987 году. То есть даже если считать от начала целенаправленного поиска ингибитора, путь занял примерно пятнадцать лет. А если учитывать фундаментальные исследования метаболизма и регуляции холестерина, речь идёт уже о нескольких десятилетиях.
Нужно было выращивать микроорганизмы, выделять из них тысячи соединений, проверять их на клетках и животных, разбираться с токсичностью, подбирать дозировки, запускать клинические исследования и доказывать, что снижение показателя в анализе действительно приносит пользу человеку.
Причём некоторые ветки исследований заходили в тупик. Первый найденный статин, компактин, так и не стал массовым лекарством. Компаниям пришлось искать родственные молекулы, повторять исследования и заново проходить значительную часть пути. История статинов была не одним удачным открытием, а длинной цепочкой гипотез, неудач, остановок и повторных запусков.
Назвать точную стоимость открытия статинов невозможно. Это не был один проект с единым бюджетом. В нём участвовали университеты, государственные организации и несколько фармацевтических компаний в разных странах. Фундаментальные исследования, поиск молекул, лабораторные испытания и клиническая разработка финансировались отдельно, а значительная часть расходов публично не раскрывалась.
Это десятилетия работы лабораторий, тысячи проверенных образцов, содержание экспериментальной инфраструктуры, исследования на животных, несколько фаз испытаний на людях и промышленное производство. В пересчёте на современную организацию разработки лекарства такая программа потребовала бы сотен миллионов, а возможно и миллиардов долларов. Это не историческая сумма из отчёта, а оценка порядка масштаба.
А теперь попробуем с ИИ
Теперь представим, что вся накопленная человечеством карта уже лежит перед нами. Мы знаем, какие молекулы участвуют в синтезе холестерина, какие белки переносят его по организму, как печень забирает LDL из крови и какие механизмы регулируют количество рецепторов на поверхности клеток.
То есть нам не нужно заново открывать биохимию холестерина с нуля. Наша задача другая. Попробуем дать ИИ описание системы, сформулировать цель и посмотреть, сможет ли он найти уже известные точки управления.
Формулируем задачу примерно так:
У человека повышен уровень LDL. Полностью отключать синтез холестерина нельзя, потому что он нужен организму. Необходимо найти такие элементы системы, воздействие на которые снизит LDL в крови, но не разрушит нормальную работу клеток.
Человечество десятилетиями по крупицам собирало знания о том, как устроен обмен холестерина. Учёные разбирали отдельные реакции, искали ферменты, изучали перенос липопротеинов, наблюдали за редкими генетическими вариантами, ставили эксперименты и проверяли, какие воздействия действительно работают у человека. А мы сейчас довольно нагло заабьюзили всю эту накопленную систему знаний с помощью LLM.
Можно возразить, что такой подход работает только на уже известных данных. В целом это справедливо. ИИ не достанет из воздуха эксперимент, который ещё никто не проводил. Но массив знаний постоянно обновляется. Каждый день выходят новые статьи, обзоры, результаты экспериментов и наборы данных, объём которых один человек физически не способен прочитать и удержать в голове. А с помощью поиска по научным источникам, RAG и нормально собранного контекста можно быстро вытащить именно ту часть информации, которая относится к нашей задаче, сопоставить её с уже известными механизмами и получить не весь мировой научный шум, а осмысленную выжимку.
Мы просто дали модели описание задачи и за несколько минут получили верхнеуровневую карту возможных воздействий. Модель выделила уже известные мишени, объяснила их роль и предложила, через какие элементы системы можно снижать LDL. ИИ ничего из этого не открыл. Он не заменил десятилетия исследований. Он быстро собрал, связал и пересказал уже накопленные человечеством знания в удобной для нас форме. Но именно в этом и заключается огромный выигрыш.
Раньше, чтобы получить такую первичную карту, пришлось бы прочитать десятки обзоров, разобраться в терминах, сопоставить разные механизмы и вручную собрать всё в одну схему. Теперь до осмысленной гипотезы можно добраться значительно быстрее.
Помимо языковых моделей, уже существуют и развиваются более специализированные инструменты, которые содержат формализованные метаболические сети и умеют просчитывать последствия вмешательств. В таких моделях реакции, метаболиты, ферменты и связанные с ними гены собираются в единую математическую карту. После этого алгоритм может виртуально выключать отдельные реакции, ослаблять или усиливать их, перераспределять потоки веществ и смотреть, как это повлияет на систему в целом.
Например, инструменты семейства COBRA позволяют анализировать метаболические сети, моделировать отключение генов и реакций и искать допустимые режимы работы системы. Алгоритмы вроде OptKnock, OptForce и FastKnock могут автоматически подбирать комбинации вмешательств под заданную цель.
То есть мы можем сформулировать уже почти инженерную задачу:
Найди минимальный набор воздействий, который снизит нужный метаболит, сохранит жизнеспособность клетки и не отключит критически важные процессы.
Дальше алгоритм перебирает варианты и предлагает точки, за которые потенциально стоит потянуть. Алгоритм находит оптимальное решение только внутри той модели, которую ему дали, и только относительно выбранной целевой функции. Если в модели нет важной реакции, не учтена регуляция, конкретная ткань или побочный эффект, то математически красивое решение может оказаться биологически бесполезным.
Получается интересная связка. LLM помогает быстро собрать карту знаний и сформулировать гипотезы. Механистическая модель проверяет, не противоречат ли эти гипотезы устройству системы. Оптимизатор перебирает возможные воздействия. А человек всё ещё решает, какую цель задавать, каким ограничениям доверять и какие результаты вообще имеют смысл проверять дальше.
Но это ещё не всё. Мы уже умеем взять кодирующую последовательность ДНК, получить аминокислотную последовательность белка и предсказать его пространственную структуру. То есть после того, как алгоритм предложил возможную точку воздействия, нам необязательно сразу тащить все варианты в лабораторию.
Можно сначала виртуально «свернуть» белки, посмотреть форму их активных участков, проверить предполагаемые взаимодействия и заранее отбросить тысячи кандидатов, которые геометрически, химически или функционально просто не подходят.
Конечно, это пока не абсолютная истина. Предсказанная структура не всегда полностью соответствует поведению белка в живой клетке, а хорошее виртуальное связывание ещё не гарантирует, что молекула сработает в организме. Но пространство поиска резко сужается.
Раньше мы перебирали огромную гору вариантов почти вслепую. Теперь сначала метаболическая модель помогает понять, на что вообще стоит воздействовать. Затем модели структуры белков показывают, как выглядит выбранная мишень. Алгоритмы взаимодействия отсеивают заведомо неподходящие варианты. И только после этого наиболее перспективные кандидаты переходят к реальным экспериментам.
Получается своеобразная вычислительная воронка:
Сначала исключаем биологически бессмысленные мишени. Затем структурно несовместимые молекулы. И только потом тратим время и деньги лаборатории на то, что хотя бы теоретически может сработать.
Это не отменяет эксперименты, но позволяет не проверять руками всё подряд.
Таким макаром сейчас начинают работать десятки компаний, и отсюда, собственно, весь хайп вокруг ИИ в биологии. Причём хайп этот не на пустом месте.
Речь уже не только о красивых презентациях и обещаниях «изобрести лекарство за один вечер». Меняется сам конвейер поиска.
Кто-то пытается искать новые лекарства от рака. Например, Insilico Medicine применяет свою AI-платформу для поиска терапевтических мишеней и проектирования молекул, в том числе в онкологии и иммуноонкологии.
Кто-то замахивается на бессмертие. Хотя компании обычно формулируют это осторожнее и говорят о продлении здоровой жизни. Например, NewLimit исследует эпигенетическое перепрограммирование клеток и ищет способы вернуть старым клеткам более молодое функциональное состояние. То есть идея состоит не в том, чтобы сделать человека буквально вечным, а в том, чтобы попытаться замедлить или частично обратить возрастные изменения.
Кто-то пытается проектировать лекарства почти как инженерные объекты. Isomorphic Labs строит AI-first систему дизайна препаратов на базе идей, развившихся вокруг AlphaFold, и работает над малыми молекулами и биологическими препаратами для сложных мишеней. Компания уже ведёт совместные исследовательские программы с крупными фармацевтическими игроками.
И самое интересное, что этим занимаются не только крупные компании с миллиардными инвестициями и закрытыми лабораториями. Вокруг биологии старения, проектирования лекарств и вычислительной биологии постепенно возникают любительские сообщества, открытые проекты и инициативы в духе citizen science.
Например, Open Longevity объединяет людей, которым интересны радикальное продление жизни, биология старения и поиск практических способов ускорить исследования в этой области. У проекта есть открытые обсуждения, собственные инициативы и попытки систематизировать нерешённые вопросы longevity-науки. То есть на поле выходят уже не только университеты, фармацевтические гиганты и государственные институты.
Появляются сообщества программистов, биоинформатиков, врачей, инженеров и просто очень мотивированных любителей, которые собирают открытые данные, пишут инструменты, классифицируют научные проблемы, обсуждают гипотезы и пытаются понять, какие задачи можно сдвинуть с места без собственной лаборатории. Собственно, именно это и подтолкнуло вашего покорного слугу погрузиться в эту область.
Конечно, здесь особенно важно не путать открытость с надёжностью. Любительский проект не становится научным только потому, что использует нейросеть, красивую визуализацию и несколько биологических терминов. Но сам факт важен. Порог входа снижается.
Человек без собственного института уже может получить доступ к статьям, биологическим базам, моделям белков, метаболическим сетям, облачным вычислениям и инструментам анализа, которые ещё недавно были доступны только отдельным лабораториям.
И, возможно, часть будущих идей действительно будет рождаться не внутри большой корпорации, а в небольшой распределённой группе людей, которые просто правильно сформулировали вопрос и сумели собрать вокруг него нужные инструменты.
Итого. Управление без полного понимания
Итак, что у нас получилось.
Сначала человечество десятилетиями разбирало живые системы по отдельным реакциям, молекулам и механизмам. Учёные строили карту снизу вверх, шаг за шагом проверяя, что с чем связано и за какую ниточку вообще можно безопасно потянуть.
Теперь поверх этой карты появляются новые инструменты.
Языковые модели помогают быстро собирать знания и формулировать гипотезы. Метаболические модели позволяют просчитывать последствия вмешательств. Алгоритмы оптимизации перебирают комбинации воздействий. Модели структуры белков отсеивают заведомо неподходящие варианты ещё до лаборатории.
Эксперимент никуда не исчезает, но до него доходит уже не огромная гора случайных кандидатов, а сравнительно небольшой набор вариантов, которые хотя бы теоретически имеют смысл.
На мой взгляд, именно здесь и начинается новый этап биоинженерии. Вместо вопроса «что будет, если случайно дёрнуть за эту ниточку?» мы переходим к вопросу «в какое состояние мы хотим перевести систему и какой минимальный набор воздействий может это сделать?»
Чем сложнее становятся модели и сами воздействия, тем чаще мы будем получать работающий результат раньше, чем полное человеческое объяснение этого результата. Мы будем знать, что определённая комбинация воспроизводимо переводит систему из нежелательного состояния в нужное, но не всегда сможем свести происходящее к одной красивой причинно-следственной цепочке. Возможно, это и есть новая форма управления.
Вместо послесловия
Спасибо всем, кто дочитал до конца. Я понимаю, что эта часть получилась более философской, субъективной и местами спорной, чем предыдущие. Это не попытка описать единственно правильный взгляд на развитие биологических систем и тем более не заявление, что наука теперь должна уступить место инженерам и ИИ. Скорее это моя попытка верхнеуровнево собрать в одну картину то, как постепенно меняется сам подход к работе с биологией от накопления отдельных фактов и построения карт к поиску точек воздействия, вычислительному перебору вариантов и проектированию систем с заданным поведением.
Пропустить этот разговор мы, на мой взгляд, не могли. Если бы после морфогенеза и базовых белковых конструкций мы сразу полезли проектировать молекулы, сворачивать белки и запускать симуляции, неизбежно возник бы вопрос: а зачем мы вообще всё это делаем? В каком контексте существует эта работа? Почему нам недостаточно просто узнать, как устроен очередной белок, и для чего мы ищем способы изменить его форму, взаимодействия или функцию? Без разговора об управлении отдельные технические разделы остались бы набором слабо связанных инструментов. Мы бы научились нажимать на кнопки, но не определились бы, куда именно хотим привести систему.
Поэтому эту часть можно считать не столько отдельной главой про метаболические модели или ИИ, сколько попыткой обозначить направление всего дальнейшего пути. Мы изучаем устройство живых систем, чтобы строить их модели. Строим модели, чтобы предсказывать поведение. Предсказываем поведение, чтобы находить допустимые точки воздействия. А затем пытаемся перевести систему из одного состояния в другое, желательно не сломав по дороге всё остальное. Насколько этот взгляд окажется правильным, покажет время. Я всё ещё только учусь и, вполне возможно, через несколько лет сам посмотрю на некоторые формулировки из этой статьи с лёгким ужасом.
В следующей части попробуем перестать только рассматривать уже существующие биологические механизмы и спроектировать какую-нибудь молекулу или белковую конструкцию самостоятельно. Возможно, белок с заданной функцией, молекулу для выбранной мишени или небольшую конструкцию, которая должна вести себя нужным нам образом. Скорее всего, с первого раза мы не победим рак, старение и смерть. Но попробуем пройти весь путь от постановки задачи до вычислительного кандидата и посмотреть, насколько далеко сегодня действительно можно уехать с ноутбуком, ИИ и некоторым количеством инженерной наглости.
ссылка на оригинал статьи https://habr.com/ru/articles/1058304/