g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Yapay zeka, modern DNA'da eski insanların izlerini bulur!

Brocade Park: Bu makale bilim ve teknoloji içindir

Derin öğrenme teknolojisinin yardımıyla, paleoantropologlar insan soy ağacında uzun süredir kayıp olan dal kanıtlarını keşfettiler. Derin öğrenme teknolojisi, paleontologların ve genetikçilerin eski insanların izlerini bulmasına yardımcı olabilir mi? 70.000 yıl önce, modern insanlar Afrika'dan ilk kez çıktıklarında, Avrasya'da en az iki ilgili nesli tükenmiş nüfus onları bekliyordu. İlgili iki popülasyon, eski insanlar Neandertaller ve Denisovalılardır ve daha sonra eski insanlar, erken modern insanlarla geçti ve antik insanların DNA parçaları hala Afrika soyundan gelenlerin genomlarında var. Bu tarihin bildiğimizden çok daha heyecan verici olduğuna dair giderek daha fazla işaret var. Nature dergisinde bir araştırma ekibi şunları bildirdi: Sibirya'daki bir mağarada bir insan melezinin yavrularına ait bir kemik parçası buldular.Bu yavrunun annesi bir Neandertal ve babası Denisova'dır. İnsanlar, bu kemik parçası, ilk nesil insan melezlerinin ilk fosil kanıtıdır.

Ne yazık ki, benzer fosiller çok nadirdir, örneğin, Denisovanların bilgisi falankstan elde edilen DNA'ya dayanmaktadır. İlk melez popülasyonlardan ve diğer atalardan gelen derneklerden gelen bu ilişkileri bulmak kolay olsa da, fiziksel kanıt söz konusu olduğunda bunları doğrulamak zor olabilir. Ortaya çıkardıkları ipuçları yalnızca belirli insanların DNA'sında var olabilir ve öyle olsa bile, Neandertallerin ve Denisovanların genlerinden daha ince olabilirler. İstatistiksel modeller, bilim insanlarının bu popülasyonların varlığını fosil verileri olmadan çıkarmasına yardımcı oluyor: örneğin, 2013'teki eski ve modern insanların genetik varyasyon kalıpları, bilinmeyen bir insan popülasyonunun Denisovalılarla (veya atalarıyla) bir ilişkisi olduğunu gösterdi. Hibridizasyon. Ancak uzmanlar, bu yöntemlerin kaçınılmaz olarak birçok ayrıntıyı görmezden geldiğine inanıyor.

Yapay zeka, paleontologların ve antropologların, modern insanlara yol açan eski insan melezleşmesinin karmaşık modellerini yeniden yapılandırmalarına yardımcı oluyor. Fotoğraf: Bill O'Leary / The Washington Post, Getty Images üzerinden fotoğraf

Bugün insan genomuna başka kim katkıda bulundu? Bu popülasyonlar neye benziyor? Onlar nerede yaşıyor? Diğer insan türleriyle ne sıklıkla etkileşimde bulunur ve çiftleşirler? Nature Communications'da yayınlanan bir makalede, araştırmacılar, bazı eksik kısımları doldurmaya yardımcı olabilecek derin öğrenme teknolojisinin potansiyelini gösterdiler ve bazı uzmanlar bunun farkında bile olmayabilir. Derinlemesine araştırma yoluyla, başka bir popülasyonun varlığına dair kanıt seçtiler: Avrasya'da bilinmeyen bir insan atası, Neandertallerin ve Denisovanların bir karışımı olabilir veya Denisovalılar olabilir. Akraba. Yapay zekanın paleontolojide gelecekteki kullanımına işaret eden bu araştırma, yalnızca öngörülemeyen izleri tespit etmekle kalmıyor, aynı zamanda evrimimizin eksik kısımlarını da ortaya çıkarıyor.

1. İnce özellikleri arayın

Mevcut istatistiksel yöntem, 4 genomun ortak özelliklerinin eşzamanlı tespitini içerir.Bu bir benzerlik testidir, ancak gerçek ataların bir testidir; çünkü birçok farklı yöntem, ortaya koyduğu az sayıdaki gen karışımını açıklayabilir. Örneğin, bu analizler, modern Avrupalıların ve Neandertallerin genomlarının belirli özellikleri paylaştığını, ancak modern Afrikalılardan farklı olduğunu gösterebilir, ancak bu, bu genlerin Neandertaller ile Avrupalı atalar arasındaki melezden geldiği anlamına gelmez. İkincisi, Neandertallerin kendilerinden ziyade Neandertallerle yakından ilişkili bir popülasyonla çoğalmış olabilir. Bu eski varsayımsal genetik mutasyonların, popülasyonların ne zaman, nerede ve nasıl yaşadıklarından kaynaklandığını gösteren fiziksel kanıtların bulunmaması nedeniyle, birçok spekülatif atadan hangisinin olduğunu söylemek zor.

Wisconsin-Madison Üniversitesi'nden paleoantropolog John Hawks şunları söyledi: Bu teknoloji basit ve güçlü, ancak evrimi anlamada hala çözülmemiş birçok sorun var. Derin öğrenme yöntemleri gen akışının seviyesini açıklamaya çalışır.Gen akışı seviyesi istatistiksel yöntemlere göre çok küçük olsa da, açıklanması daha geniş ve daha karmaşık bir model sağlar. Sinir ağları, eğitim yoluyla, genomik verilerdeki kalıpları, bu bağlantıları nasıl yapacakları söylenmeden, onları üretme olasılığı en yüksek olan nüfus geçmişine göre sınıflandırmayı öğrenebilirler.

Derin öğrenme teknolojisinin kullanımı, araştırmacıların şüphelenmediği eski insanların izlerini bulabilir. Her şeyden önce, Neandertallerin, Denisovanların ve modern insanların insanlık tarihindeki tek üç popülasyon olduğuna inanmak için hiçbir nedenimiz yok. Hawkes'a göre, bu tür düzinelerce nüfus olabilir. New York Eyalet Üniversitesi'ndeki Stony Brook Üniversitesi'nde antropolog olan Jason Lewis, bu görüşe katılıyor ve şunları söyledi: Hayal gücümüz her zaman sınırlı kaldı, çünkü her zaman hayatta olan veya Avrupa'da olan insanlara dikkat ediyoruz. , Afrika ve Batı Asya'da bulunan fosiller. Derin öğrenme teknikleri, bu olasılıkları artık hayal gücümüzle sınırlı olmayan garip bir şekilde yeniden odaklıyor.

2. Tarihin gerçek değerini simüle edin

Derin öğrenmenin paleontologların problemini çözmesi pek olası görünmüyor, çünkü bu yöntem genellikle çok fazla eğitim verisi gerektiriyor. En yaygın görüntü sınıflandırıcısını örnek olarak alın: Bir uzman kedilerin görüntülerini tanımak için bir model eğittiğinde, uzmanın eğitilebilecek binlerce görüntüsü vardır ve uzmanın kendisi, kedinin neye benzemesi gerektiğini bildiği için bunun etkili olup olmadığını bilir. . İlgili antropolojik ve paleontolojik verilerin eksikliği nedeniyle, derin öğrenme teknolojisini kullanmak isteyen araştırmacılar, verileri daha akıllı hale getirmek için kendi verilerini oluşturmak zorundadır. Barselona'daki Ulusal Genomik Analiz Merkezi'nde araştırmacı olan Oscar Lao şunları söyledi: Simülasyonları kullandığımız için derin öğrenme motorlarını eğitmek için sınırsız miktarda veri kullanabildiğimiz için kirli oyunlar oynuyoruz.

Araştırmacılar, farklı demografik ayrıntıların bir kombinasyonuna dayalı olarak binlerce simüle edilmiş evrimsel tarih üretti: atalara ait popülasyonların sayısı ve boyutu, birbirlerinden ayrıldıklarında karışma oranı vb. Bu simülasyonların tarihinden bilim adamları, modern insanlar için çok sayıda simüle edilmiş genom ürettiler. Bu genomları, hangi evrimsel modelin belirli bir genetik model üretme olasılığı en yüksek olduğunu anlamak için derin öğrenme algoritmalarıyla eğittiler. Ardından araştırma ekibi, gerçek genom verilerine en iyi uyan geçmişi çıkarmak için yapay zeka yayınladı. Sonunda, sistem daha önce tanımlanmamış bir insan grubunun da Asya soyundan gelenlerin atalarına katkıda bulunduğu sonucuna vardı. İlgili genetik kalıplara bakılırsa, bu insanlar 300.000 yıl önce Denisovalılar ve Neandertaller arasındaki çaprazlamayla üretilen benzersiz bir popülasyon olabilir.

Ya ondan kısa bir süre sonra Denisovalıların soyundan gelen bir gruptu. Bu, derin öğrenmenin bu şekilde kullanıldığı ilk sefer değil.Bu alandaki bazı laboratuvarlar, evrimsel araştırmadaki diğer ipuçlarını çözmek için zaten benzer yöntemler uyguluyorlar. Oregon Üniversitesi'nden Andrew Kern liderliğindeki bir araştırma ekibi, insanlar da dahil olmak üzere türlerin nasıl evrimleştiğine ilişkin çeşitli modelleri ayırt etmek için simülasyon tabanlı yöntemler ve makine öğrenimi tekniklerini kullandı. Evrimin tercih ettiği çoğu adaptasyonun popülasyonda faydalı yeni mutasyonların ortaya çıkmasına değil, zaten var olan genetik varyasyonun genişlemesine dayandığı ve bu yeni problemlere derin öğrenmenin uygulanmasının heyecan verici sonuçlar ürettiği keşfedildi.

3. Hype veya umut?

Bazı problemler var: Birincisi, gerçek insanın evrimsel tarihi, derin öğrenme yöntemi ile eğitilmiş simülasyon modeli ile aynı değilse, o zaman bu teknoloji yanlış sonuçlar verecektir. Bu, Cohen ve diğerlerinin çözmeye çalıştığı bir sorundur ve doğruluğu iyileştirmek için hala yapılması gereken çok iş var. Princeton Üniversitesi'nde ekolojist ve evrimsel biyolog Joshua Akey şunları söyledi: Yapay zekanın genomikte kullanımının aşırı abartıldığını düşünüyorum. Derin öğrenme teknolojisi harika ve yeni bir araçtır, ancak yalnızca insan evriminde anlamak istediğimiz tüm gizemleri ve karmaşıklıkları çözmeyen bir yöntemdir.

Harvard Üniversitesi ve Peabody Müzesi'nde paleontolog olan David Pilbeam bir e-postada şöyle yazdı: Kararım şu: İyi düşünülmüş, akıllı, manuel olmayan analize ek olarak, verilerin yoğunluğu ve kalitesi ideal değildir. Bununla birlikte, diğer paleontologların ve genetikçilerin gözünde bu, insanların binlerce yıl önce sahip olması gereken gelecekteki olası fosil keşiflerini ve genetik varyasyonları tahmin etmek için kullanılabilecek iyi bir ilerlemedir. Derinlemesine öğrenmenin popülasyon genetiğini gerçekten destekleyeceğini düşünüyorum ve verilere erişebildiğimiz ancak veri üretme sürecine erişemediğimiz diğer alanlar için de durum geçerli olabilir.

Cohen ve diğer popülasyon genetikçileri ve evrimsel biyologlar, problemleri çözmek için simülasyon tabanlı yapay zeka teknolojisini geliştirdiğinde, fizikçiler ayrıca Büyük Hadron Çarpıştırıcısı ve diğer parçacık hızlandırıcıları tarafından üretilen devasa verilerin nasıl taranacağını inceliyorlardı. Jeolojik araştırma ve deprem tahmin yöntemleri de derin öğrenme yöntemlerinden yararlanmaya başlamıştır. MIT ve Harvard Üniversitesi'ndeki Massachusetts Institute of Technology'nin Geniş Enstitüsü'nde hesaplamalı biyolog olan Nick Patterson şunları söyledi: Ne olacağını gerçekten bilmiyorum ama yeni bir şey var. Yöntem her zaman iyidir. Sorularımızı iyi cevaplayabilirse, onu geliştirmek için elimizden geleni yapacağız!