Основы биологии для инженеров (Часть 0. Морфогенез)

Серия статей о том, как устроены живые системы с точки зрения ^[1] вычислений, управления и проектирования.

Это моя первая пробная статья. По образованию и опыту ^[2] я инженер. Занимался всем: от электроники на VHDL, реверс-инжиниринга, до этих ваших хайповых блокчейнов и AI. Последние 7-8 лет всё больше погружаюсь в биологию, машинное обучение ^[3] и моделирование биологических систем. Случайно окончил магистратуру МФТИ по прикладному анализу данных в медицине.

ДИСКЛЕЙМЕР:

Статья НЕ написана с помощью ИИ, оригинальное авторское скудоумие по многим вопросам полностью сохранено. ИИ применялся только как корректор и исправлятор безграмотности, и немножечко помогал формулировать некоторые мысли. Текст осмыслен автором, логика ^[4] повествования осмыслена. Поэтому прошу не судить строго, а профессиональных биоинформатиков – делать скидку на некоторые допущения и упрощения.

Статья написана преимущественно для специалистов в сфере ИТ, инженеров и, возможно, для ИИшников.

Зачем вообще всё это?

Провозившись с кучей информации на тему устройства белков, цитологии, внутренних механизмов и устройства клеток, я осознал, что в вузах с самого начала погружают в кучу деталей реализации, а общий смысл приходится додумывать самостоятельно. Я потратил очень много времени, чтобы понять какие-то базовые принципы устройства и работы живых систем, и теперь хочу поделиться ими с вами. Может, вдруг у кого-то появится интерес ^[5] к этой теме, как он когда-то появился у меня.

Я бы хотел развивать направление «инженерной биологии» и принести в эту сферу процессы и подходы, которые уже много лет применяются в ИТ. Потому что сейчас много разрозненных данных, многое не структурировано. И разработки занимают даже не годы, а десятилетия.

В то же время сейчас появились замечательные биологические foundation модели (Evo 2 ^[6], ESM 3 ^[7], Alpha Fold 3, ^[8] и другие), которые могут кардинально ускорить процессы разработки как каких-то лекарств, так и просто наглядно показать заинтересованным, как живые системы устроены «под капотом».

Что планируется

В серии статей я бы хотел пройти с вами путь от идеи до реализации какой-то простой биологической системы. Сначала ввести в курс дела, показать, как гениально и сложно устроены клетки, на примере клеточных автоматов. Затем более подробно погрузиться в устройство белков с позиции вычислений, реакций ^[9], взаимодействий. Рассмотреть живое как набор регуляторных паттернов. Чтобы показать, что в биотех в целом реально вкатиться. И что это очень интересная сфера.

В этой статье я бы хотел начать с базы и аналогий: что такое вообще клетка и как она превращается в организм.

Итак, начнём.

Клетка.

Вы наверняка знаете, всё живое состоит из элементарных элементов – клеток. В парадигме электронщиков можно представить клетку как живой и крайне продвинутый микроконтроллер, да ещё и способный самовоспроизводиться.

Он, упрощённо, принимает какие-то входящие сигналы, преимущественно реализованные через биоэлектрические механизмы ^[10]. То есть API клеток практически полностью построен на биоэлектричестве.

Клетка, принимая сигналы, производит десятки, сотни или даже тысячи вычислений. Меняет своё внутреннее состояние, активируя и деактивируя участки ДНК, ответственные за определённые регуляции. После изменения внутреннего состояния выполняет какую-то механическую работу (внутреннюю и/или внешнюю). И отправляет какие-то сигналы наружу, другим клеткам. Те, в свою очередь, их принимают и делают то же самое.

Получается очень сложная и продвинутая распределённая вычислительная система. Ключевое слово тут именно «распределённая».

Под распределённой я здесь понимаю то, что каждая клетка, по сути, выполняет свою строго заданную локальную программу, записанную в ДНК, общается с внешним миром, отправляя и принимая сигналы. Но все вместе клетки выполняют какую-то сложную функцию как эмерджентное состояние системы.

Потерпите, сейчас будет понятно.

ДНК.

Все привыкли считать, что в ДНК записана некоторая программа, которая выполняется и работает. По факту это, конечно, близко к правде, но с большим допущением. На самом деле ДНК – это скорее библиотека скомпилированного кода (/var/lib/). И в каждой клетке этот код практически одинаковый (за исключением мутаций). Есть ещё огромные некодирующие участки ДНК, многие из которых выполняют регуляторные функции. Для простоты их можно представить как различные настройки и служебные данные системы (/etc/), хотя аналогия, конечно, условная.

А вся логика работы происходит именно на уровне внутреннего состояния клетки. То есть какие-то участки ДНК активны, какие-то выключены, какие-то более активны, какие-то менее. Именно поэтому нервная клетка ^[11], клетка печени и клетка кожи, имея практически одинаковую ДНК, работают совершенно по-разному.

Это на самом деле очень сильно напоминает работу нейросетей. То есть ДНК – это веса сети, а внутреннее состояние клетки – её текущий контекст и активации. Конечно, это лишь инженерная аналогия, а не полное соответствие, но она позволяет довольно интуитивно представить происходящие процессы. Да и вычисления тоже зачастую производятся способами, схожими с теми, что используются в нейросетях.

Причём интересный факт. Нейросети, как вы знаете, обучаются через градиентный спуск или его продвинутые варианты. А в природе используется генетический алгоритм. Но градиентный спуск может подобрать не любую функцию, особенно в шумном ландшафте. А генетический алгоритм может подобрать любую, но он просто очень медленный. Однако у природы вариантов и времени было несколько миллиардов лет, чем она успешно и воспользовалась.

Как природа обучается

Кто прочитал до этого места – поражаюсь вашему терпению. Но наверняка у вас возник вопрос: это, конечно, всё замечательно, но как одна клетка, пользуясь какими-то локальными правилами, может построить и поддерживать целый организм?

Очень здравое замечание, давайте разбираться на примере клеточных автоматов – упрощённой песочницы, показывающей не кучу деталей и механизмов, а общий принцип работы для инженеров.

Для начала сформулируем постановку задачи.

1. Нам надо вырастить организм, используя клетки, в которых одинаковая ДНК (код/веса – называйте как хотите).

2. При достижении целевой формы рост должен остановиться.

3. Мы не должны придумывать правила самостоятельно.

4. Правила должны придуматься сами.

И тут нам на помощь как раз может прийти наш любимый ИИ и алгоритмы обучения. План такой.

Берём клетку, кодируем её внутреннее состояние как вектор (просто набор чисел). Первые четыре числа отдаём под цвет и прозрачность.

Далее делаем скрытый слой, который условно и будет нашей ДНК.

Организм, состоящий из клеток, за один прогон клеточного автомата стремится достичь целевой формы. Каждая клетка смотрит, что у неё происходит вокруг (имитируем приём сигналов извне), прогоняет это через свои скрытые слои и меняет своё состояние.

Потом, при следующем проходе клеточного автомата, уже другая клетка смотрит на соседей, выполняет те же локальные операции и обновляет своё состояние. И так до тех пор, пока мы не достигнем цели.

Чистой воды распределённая система.

Магия заключается в том, что скрытые параметры после обучения начинают вести себя как регуляторы и синхронизаторы. Там начинают протекать информационные потоки, волны и много чего ещё интересного.

Именно такой алгоритм сделал Александр Мордвинцев ^[12] и показал принципиальную возможность построения сложной системы по локальным правилам. На анимации вы можете видеть, как из одной клетки с абсолютно одинаковыми внутренними слоями вырастает полноценная ящерка.

Грубо говоря, именно так можно представить процесс, которым эволюция ^[13] подбирает работающие решения. Повторюсь, что это сильное упрощение для инженеров, показывающее общий принцип обучения. И да, в симуляции используется не генетический алгоритм, а градиентный спуск. Иначе мы бы обучали модель очень долго.

В чем отличие эволюционного и градиентного алгоритмов отлично объясняется в видео ^[14].

Потом, при следующем проходе клеточного автомата, уже другая клетка смотрит на соседей, выполняет те же локальные операции и обновляет своё состояние. И так до тех пор, пока мы не достигнем цели.

Подробнее со статьёй можно ознакомиться по ссылке ^[15]. Ноутбук, конечно, морально и версионно устарел, но с агентами починить его и побаловаться не составит труда.

После того как модель научилась выращивать организм, исследователи задались следующим вопросом, а сможет ли она его восстановить после повреждений? Ожидаемо, нет.

Тогда организм во время обучения начали случайным образом «ломать», а затем отбирать модели, которые лучше остальных справлялись с регенерацией.

В результате обучения регенерации удалось получить результат. Модель перестала просто выращивать организм и научилась восстанавливать его после повреждений. Причём никакого «центра управления» по-прежнему нет: каждая клетка действует только на основе локальной информации, а сложное поведение ^[16] возникает как коллективный эффект.

Если тема показалась интересной и хочется копнуть глубже, то рекомендую посмотреть работы, посвящённые анализу скрытых слоёв клеточных автоматов. Исследователи обнаружили, что после обучения скрытые состояния начинают выполнять вполне осмысленные функции: появляются информационные потоки, пространственная память ^[17], синхронизация и другие механизмы самоорганизации.

То есть внутри модели не просто возникают случайные числа – формируется внутренняя регуляторная система, которая и позволяет организму расти, поддерживать форму и восстанавливаться после повреждений.

• Visualising the Attractor Landscape of Neural Cellular Automata (2026) ^[18]

• Investigating dynamics of Neural Cellular Automata applied to image data in diverse complex systems ^[19]

Самое удивительное, что никакой клетки-директора не существует. Нет центрального процессора, который управляет организмом. Вся сложность возникает из взаимодействия огромного количества одинаковых вычислительных узлов.

На этом, пожалуй, остановимся. Если тема окажется интересной, то в следующих статьях попробуем разобраться, как устроены белки, почему они складываются именно так, а не иначе, как выполняют вычисления и механическую работу, и постепенно дойдём до проектирования собственных простых биологических систем.

Биологов заранее прошу сильно не ругаться и не искать в статье академическую точность. Цель этого цикла – не заменить учебник, а дать интуитивное понимание того, как можно смотреть на живые системы. Где-то я сознательно упрощаю и использую аналогии, чтобы сначала объяснить общий принцип, а уже потом разбираться в деталях.

Спасибо всем, кто дочитал до конца. Надеюсь, мне удалось заинтересовать вас этой областью. Буду рад комментариям, замечаниям и конструктивной критике. Если идея серии окажется востребованной – обязательно продолжим.