Gasztrula és sejttudat, avagy nem ártana tudni végre

Ez itt puszta spekulacio. Ha erre jar egy biologus, remelem, talál valami használhatót. Azt is remélem, nem írtam le túl nagy ökörségeket. Egyszerűen nincs erőforrásom minden részletnek utánanézni.

A zigota osztodni kezd. Szedercsira lesz. Beagyazodik. Valamikor megindul a differencialodas. Honnan tudja a szedercsira valamikor meg sok egyforma sejtje, hogyan differencialodjon, mely dns-szakasz kifejtese alapjan osztodjon tovább, szintetizaljon feherjet?
Ez egy kardinális kérdés.
Az informacio dekodolasanak a mechanizmusat keressuk. Ha ezt jobban ismernenk, megerthetnenk szamos betegsegunk, defektusunk hatteret, sejtszintu mukodeset.
*Azt a felvetest, hogy a kifejtes veletlen, nyugodtan elvethetjuk. Ha a differencialodasban az egyes sejtek a maguk feje utan mennenek, és mindegyik valamilyen valoszinuseggel alakulna a megfelelo testi sejtte, tul gyakran jonne letre eletkeptelen egyed. Marpedig az élővilagban ehhez a statisztikai valoszinuseghez kepest igen jo a petesejtek feldolgozasi hatekonysaga, így biztosra vehető, hogy a veletlennel megbizhatobb mechanizmus gondoskodik a folyamatrol.



 ** Isten (felsőbbrendű hatalom) folyamatos beavatkozása sem a keresett magyarázat. Egyrészt van dolga enélkül is bőven, másrészt tfh. beavatkozásként elégnek látta a világ működésének törvényeit lefektetni - e törvényeket keressük.

Javaslok egy univerzalis sejtszintu automata (véges automata vagy esetleg magasabb szintu, akar Turing-gep) modellt, amely minden egyes sejtnel mukodhet, es kiindulopontnak alkalmas a folyamat leirasara. A szukseges mechanizmusok nagy vonalakban ismertek, reszleteik kutathatok.

1. Adott a szedercsira, mint terbeli kiterjedessel rendelkezo objektum. Az egyes sejteket elso kozelitesben egy haromdimenzios racsban vagy tombben probaljuk elrendezni. Elso pillantasra harom kulonbozo fajtat lathatunk a meg differencialatlan egyes sejtek kozott, kizarolag terbeli elrendezodes-sajatossagok alapjan. Racs szelen levoket vagy peremieket, amelyek sejthartyaja magzatvizzel es mas szedercsira-sejtekkel erintkezik, racs kozepen levoket, amelyek sejthartyaja csak mas szedercsira-sejthartyakkal erintkezik, és beagyazodasi helyen levoket vagy konnektorokat, amelyek magzatvizzel, mas szedercsira-sejtekkel és placenta-sejtekkel (vagy nem mehlepenyeseknel avval analog sejtekkel) erintkeznek.
2. A telomer-mechanizmus, vagy ahhoz hasonlo, alkalmas arra, hogy idomero szerkezetkent mukodjon. Erre szukseg lehet az automatanal, amely az allapotatmeneteket egy-egy "orautesre" hajtja vegre. Az óraütések nem feltétlenül vannak szinkroban; de ha a jelközvetítő mechanizmus gyors az óraciklushoz (osztódási sebesség) képest, akkor kváziszinkron állapot létrejön, illetve nagyobb sejtcsoportok és differenciálódás esetén már lokális kváziszinkron állapot továbbá valamely globális vagy metaszinkronizációs mechanizmus ezt kiegészítheti.
3. Az automata allapottere az osszes lehetseges testi sejt es koztes allapotu, azaz meg nem vegdifferencialt sejt.
4. Az automata kiindulo allapota, kezdopontja a zigota vagy azzal funkcionalisan egyezo sejt.
5. Az automata terminalis allapotai a vegdifferencialt sejtek. Egy egeszseges mechanizmust leiro automata eseten e terminalis allapotokbol csak onmagukba vezethetnek allapotatmenetek, a valos mukodest jobban leiro masodik szintu, finomabb modell a rakkal, valamint az apoptozissal is szamolni kell tudjon.
6. Az egyes állapotokban a sejt anyagcseret folytat a kornyezetevel. A szekretalt anyagok allapotspecifikusak, ezert a kornyezet szamara informaciohordozok arrol, hogy az adott sejt milyen allapotaban van az automatanak.
7. Az anyagcsere soran felvett anyagok, valamint az aktualis allapot egyutt hatarozzak meg a kovetkezo allapothoz vezeto allapotatmenetet. Az elso szintu automata modellben az input szalag szimbolumaikent vagy stringjeikent kepzelhetjuk el a kornyezet anyagait.
8. A kulso kornyezeti hatasok (pl. gravitacio) lényeges folyamat-befolyasolo szerepe elvetheto. Egyreszt a sejtben ilyenek meresere nincs alkalmas eszkoz, masreszt tul gyakran valtozik (forgolodik az anya) egy ilyen finomszabalyozashoz.
9. Egy-egy sejtallapot megadhatja, milyen anyagokat szekretaljon a sejt, "irva a kornyezeteben levo sejtek input szalagjaira", milyen dns-reszek kifejtesevel foglalkozzon, hogyan hasznalja sejtszervecskeit, belso mechanizmusait.
10. Szekrecioval uzenet kuldheto a kornyezetnek, a sejt kommunikalhat. Ezt a kornyezet "olvassa", reagalhat ra allapotatmenettel es az uj allapotban eloirt egyeb mukodessel, vagy akar figyelmen kívül hagyhatja. A szekrecio lehet olyan trigger, amely a környező, azonos irányban differenciálódó (ugyanahhoz a szervhez vagy szövethez tartozó) sejteket ugyanezen anyagok szekreciojára készteti, de más "típusú" sejtek (szövethatár) esetén már a működést egyéb módon befolyásolják.
11. A telomer-mechanizmus mellett idomeresre es generacio-szabalyzasra is alkalmas a kovetkezo: egy allapotatmenetet kivalto u1 uzenet hatasara a sejt a0-bol a1 allapotba jut. Ekkor u2 anyagot valaszt ki, a2 allapotba lep es itt is marad u8 uzenet beerkezeseig. A kornyezeteben levo sejtek u2 uzenet hatasara a0-bol a3 allapotba lepnek, u3 uzenetet anyagot valasztanak ki,majd atlepnek a2-be. A kornyezetukben levo sejtek vagy a2-ben vannak, ekkor u3-ra nem reagalnak, vagy a0-ban, s igy u3-ra a4 allapotba lepnek, kivalasztjak u4-et majd beallnak a2-be. Es igy tovabb. A folyamat u8 kivalasztasaval lep tovabb, amikor is minden eddig a2ben varakozo u8 beerkezesere u8at termel es a8-ba lep, ami e folyamat terminalis allapota.
Igy egy 8 lepes vagy sejt atmeroju sav jon letre 8 generacio alatt. A "lokeshullam" folyamat tehat alkalmas arra, hogy a terbeli strukturaban meghatarozott veges kiterjedesu allapotvaltozast vegezzen.
12. A beagyazodasi hely szerepe elsodleges. A koldok kialakulasa olyan trigger, amely a kozvetlen kapcsolodo konnektor sejtektol lokeshullamszeruen terjed tovabb, a gasztrula, belcsira kialakulasaig. Hogy ennek a lokeshullamnak az iranya milyen lehet, azt a kulso sejtreteg korlatozza. E lepesben tehat szerepet kap mindket specialis helyzetu sejt, a peremi es a konnektor is. Mindkettotol indulo lokeshullamok utkozesi frontja (u es v tipusu uzenetek egyideju megjelenese) eedmenyezi az elso komoly differencialodast, a belcsirat.
13. A telomerek merik a megtermekenyitestol eltelt idot. Emlosoknel az ovulaciotol indulo fogekonysag es a megtermekenyites, valamint a petevezeteken valo vandorlas es - nagyjabol stabil utemu - osztodas altal igenyelt ido nagysagrendileg, statisztikailag a mehbe erkezes idejere teheto - ha nem, mehen kivuli terhessegrol beszelunk. Az osztodas telomerek altal mert valahanyadik fazisaban a szedercsira beagyazasra kesz allapotba kerul. Ekkor meg minden sejtje egyforma, tehat mindegy, hogyan er a mehlepenyhez. A beagyazaskor indulo uzenetvaltas a lepeny es a csira kozott oda vezet, hogy a lepeny u1 uzenetet kuld ki az osszefonodas helyen. Ez pedig triggereli az elozoekben leirt lokeshullamot.
14. A lokeshullam-folyamat tehat tobb forrasgocbol (kezdetben 2: peremi es konnektor) kiindulo, meghatarozhato kiterjedesu (peldankban 8) hatasok egyuttes beerkezeset (a frontok utkozese) le tudja irni. A terbeli szerkezetben ilyen frontok meglete az ujabb es ujabb differencialodasi kepletek megjeleneset, majd ezeknek forrasgocca valasat magyarazza.
15. A fenti modell osszhangban van azokkal a megfigyelesekkel, amelyek szerint az egyedfejlodes szakaszos, egyes kepletek alakulasa meghatarozott sorrendet kovet, tovabba azzal is hogy az egyedfejlodes a torzsfejlodest ismetli. Valoszinuleg az a 90%nyi kozos dns, a kozos program vezerli ezt a mechanizmust is.

Remélem, ilyen modellel előálltak már a biológusok, esetleg részletes magyarázat is született. Ha nem így lenne, érdemes kutatásokat végezni - én beérem egy story by credittel.

feltámad a neurális hálózat

Újra reneszánszát éli a neurális hálózat mint a mintatanulás, a mély gépi tanulás (Deep Learning) hatékony eszköze.

A neurális hálózat az idegrendszer működését utánozza, elemi egységei a mesterséges neuronok (amelyek egyszerű számításokat végeznek), az összeköttetések (ezek változtatható értékű súlytényezők, faktorok, amelyek változási képessége a neuroplaszticitásnek felel meg), a struktúra (mely neuronok mely más neuronokkal állnak kapcsolatban, hogyan szerveződnek - pl. rétegekbe - az egyes neuroncsoportok), illetve a tanulási algoritmus (amely a súlytényezők változásának algoritmusa).

Amikor két évtizede a Neocognitronnal vacakoltunk, eredményeink nem voltak látványosak, egyes minták megtanulása után más, korábban tanult minták elfelejtődtek. A rendszerünk kicsi volt és csapongott ide-oda, gyakorlatilag nem produkált használható eredményt.

A struktúra és a neurális számítási elv önmagában kevés, nagyon sok múlik a tanulás mikéntjén.
Fontos szempont a konvergencia, vagyis az a kérdés, hogy egyre pontosabbá válik-e a mintafelismerés a tanítás során, illetve ez milyen gyorsan következik be.
A Neocognitronnál híján voltunk az elméleti apparátusnak, és megérzésre, hiányos dokumentációra és próbálgatásra támaszkodtunk - kevés sikerrel.


... AlphaGo, Demis Hassabis, Yann LeCun... visszatér ez a szép irányzat, de a MI létrehozásának ez az irány nem elégséges alapja.


Emellett több érv is szól.

Egyrészt, bár a feature engineeringbe vetett bizalom elpárologni látszik, mégsem mondhatunk le azon eredmények beépítéséről, amelyeket valami elmélet (például a kognitív nyelvészet, ha már a nyelvfeldolgozással is foglalkozom) megalapoz.
Másrészt a csupasz, véletlenszerűen inicializált struktúra nem tartalmaz olyan, velünk született képességeket, mint az ösztönök, amelyek bizonyos mértékben felelnek azért, hogy olyan jól teljesítünk. Mi az ösztön? A neurális számítógépeknek erre jelenleg nincs válaszuk, pedig az ember rendelkezik veleszületett "adottsággal".
A neurális mélytanuló rendszereknél mindig van valami megfigyelhető cél. A felügyelt tanításnál az elvárt válasz, a jutalmazott (megerősítéses) tanulásnál a kifizetési célfüggvény; a felügyelet nélküli tanulásnál is bizonyosan fellelhető ilyen (például a gyorsabb mintafelismerés talán egyfajta jutalommal hozható kapcsolatba).

De más területeken nehéz elképzelni, hogy ilyen folyamatokra támaszkodunk. A nyelv elsajátítása vajon milyen szorosan kapcsolódik a neurális tanulási modellekhez? Bár az emberben is működik neurális hálózat, egyáltalán nem biztos, hogy csupán ez az egyetlen struktúra, valamint hogy ez a modell nem hanyagol el valami lényegeset.
Egyes helyzetekben meg tudjuk ragadni, ahogy a jutalom megerősíti a tanulási folyamatot (pl. az "anya" szó kimondása nevetést vált ki), de máskor ez nem ilyen magától értetődő. A halál vagy a szomorúság fogalmának és a megfelelő szavaknak a megtanulását nehezebb a jutalmazásos modellel értelmezni.



Szép a Goban elért eredmény, de aligha hihető, hogy a mélytanuló neurális hálózatok univerzális választ adnak az MI problematikájára. Azt hiszem, Watson stratégiája jobb: felhasználni mindent, amit a tudomány kidolgozott, és hagyni az egyes modelleket versengeni, az egész tetejére pedig ráültethető egy gépi tanulással folyamatosan újrahangolt mély konvolúciós neurális háló, amely a rugalmasságot biztosítja.


Megnyugtat, hogy még évtizedekig lesz kutatnivaló az MI-ben.