Računalništvo znotraj bakterij: Programiranje bakterijskega obnašanja s pomočjo plazmida, ki kodira perceptronsko nevronsko mrežo
Uvod
V znanosti je dalj časa veljala dogma, da imajo lastnosti kompleksnega obnašanja, inteligence in učenja lahko samo večcelični organizmi, ki vsebujejo kompleksno nevronsko mrežo. Kljub temu, da za najzahtevnejše oblike omenjenih delovanj to še zmeraj drži, pa novejše raziskave razširjajo zmožnost teh operacij tudi na druge vrste organizmov. Primer tega so na primer nekatere rastline, ki lahko shranjujejo in kasneje priklicujejo informacije povezane z dotikom, poškodbo, temperaturo, sušo in elektromagnetnim sevanjem, kar jim omogoči drugačen in primernejši odziv, če se podobne okoliščine ponovijo [1], [2]. Preboj o dojemanju obnašanja in učenja pa se je zgodil tudi v enoceličnih organizmih, kot so bakterije, nekatere glive, protisti itd. Pri teh organizmih je obnašanje v največji meri zapisano v genetskem materialu, v molekuli DNA. Enocelične organizme lahko opišemo kot senzorno-motorične agente. S tem označujemo osnovno enoto predvsem v okviru nevronskih mrež, ki ima sposobnost zaznavanja okolja, integracije signalov in ustreznega odziva. Odziv senzorno-motoričnega agenta ni pogojen izključno z dražljajem, ampak se neprestano posodablja, izboljšuje in uči. Torej ob različnih preteklih izkušnjah in različnih časovnih obdobjih lahko odreagira drugače. Bakterije pa so celo inteligentni senzorno-motorični agenti. Močne vzporednice lahko namreč vidimo med obnašanjem prokariontov in med nevronskim omrežjem [3], [4]. Primer tega je recimo poskus s Physarum polycephalum, ki je zmožna učenja in reševanja labirintov podobnih tistim, s katerimi navadno preizkušajo nevronske sposobnosti sesalcev, kot so miši [5]. Inteligentnost prokariontov lahko obrazložimo s kompleksnostjo integracije signala med zaznavo in odzivom, pa tudi učenjem, predvsem pa z dejstvom, da ločijo sebe od zunanjega okolja [3]. Drug pogled na inteligenco bakterije pa je ta, da kolonija kot skupnost predstavlja kvazi-večcelični organizem, ki se kot celota odziva na zunanje dražljaje – podobno kot celice v telesu gradijo živ organizem [3], [6]. Pri tem seveda lahko pomislimo, ali tudi ljudje na podoben način gradimo družbo, oziroma ali je npr. država/civilizacija inteligentno, samozavedno bitje. Sociološki koncept, ki to opisuje, se imenuje socialni organizem. Razvila sta ga Herbert Spencer in Émile Durkheim. Podobna filozofska teorija se imenuje organicizem. Bakterije bi potemtakem lahko imele inteligenco gruče, ki se vzpostavi, ko gradi družbo izjemno veliko osnovnih enot, ki so sposobne medsebojen komunikacije in imajo vsaj minimalno inteligenco [6]. Podobno je bilo ugotovljeno tudi pri rastlinskih celicah v koreninskih kapicah. Njihova vloga je, da se ob hitri delitvi širijo po zemlji proti območjem, kjer je najvišji delež mineralov, hkrati pa ni ovir. Naloga je seveda izredno zahtevna, poleg tega pa tudi ena sama koreninska kapica težko razvozla »podtalni zemljevid«. Znanstveniki so ugotovili, da med koreninskimi kapicami poteka komunikacija in da problem rešujejo skupaj. Presenetljivo so ugotovili, da če korenine enega organizma ločijo in posadijo v ločena lončka, komunikacija še vedno poteka – zaznavanje ene korenine vpliva na rast druge korenine, ki je v popolnoma drugem lončku. Najverjetneje signalizacija poteka prek elektromagnetnih polj [7]. Konec koncev pa je podobno tudi pri ljudeh, kar enostavno in neznanstveno opiše rek »več glav več ve.« Liberman je z izrekom »Celica je računalnik« želel opisati, kako kompleksni procesi potekajo v celicah, ki jih po delovanju lahko primerjamo s tistimi v računalniku [8]. DNA ali RNA predstavljata programsko kodo, proteini, ki nastanejo pa so po tej analogiji izvajalci operacij na sebi, okolju in programski kodi (DNA in RNA). Toda v resnici ne gre le za analogijo, ampak dejansko stanje. Poleg tega pa so celice celo inteligentni računalniki, zaradi učenja s Pavlovim kondicioniranjem, zaznavanjem okolja in sebe, njihove odločitve pa so kompleksne in pomembno – individualne. Primer je recimo poskus z amebami, kjer so jih postavili v električno polje. Vsi organizmi so plavali proti katodi (osnovno obnašanje). Nato so na strani anode pripravili gradient kemotaksina (privablja amebe) in 53 % jih je plavalo proti anodi, 45 % ponovno proti katodi, ostale pa so ostale na mestu. Te, ki so plavali proti kemotaksinu, torej anodi, so postavili v novo gojišče brez gradienta kemotaksina. Ob vključitvi električnega polja jih je 82 % plavalo proti anodi, kar ni osnovno obnašanje, hkrati pa tudi ni mogoče razložiti drugače kot z učenjem [9].
Vnos nevronske mreže v bakterijo
Z razvojem sintezne biologije so se možnosti programiranja celic bistveno povečale. Pripravljeno nevronsko mrežo lahko pretvorimo v zaporedje DNA in vnesemo v bakterije. A pomembna razlika od programiranja računalnika je pri bakterijah difuzija signala – z drugimi besedami, v bakterijah ni možno neskončno operacij, pri katerih predstavlja prejšnja rešitev (ang. output) vnos (ang. input) za naslednjo operacijo. Temu se lahko izognemu z uporabo preprostih operacij, ali pa uporabimo komunikacijo med bakterijami. Lahko bi uporabili konzorcij bakterij, ki rešuje isti problem, nato pa večinsko rešitev med seboj sporoči, tako da vse bakterije v naslednjem koraku začnejo z istim začetnim vnosom. Druga možnost pa je ta, da v konzorcij uvedemo več različnih tipov bakterij, ki potem rešujejo le nekaj operacij vsaka preden signal difundira, nato pa podajo rezultate naprej naslednjemu tipu bakterij. S pomočjo sintezne biologije, programiranja in informatike so do sedaj že oblikovali konzorcij sprejemnih (ang. reciever) in oddajnih (ang. sender) bakterij, ki so zmožne prepoznave 3×3 bitnega vzorca. Za razumevanje področja pa je pomembno tudi poznavanje delovanja nevronskih mrež in strojnega učenja. Nevronske mreže lahko najpreprosteje razložimo kot sistem, ki signale sprejme, nato integrira s pomočjo uteževanja pomembnosti posameznih nevronskih povezav in nato poda odgovor. Ene najpreprostejših nevronskih mrež so perceptroni. Pri teh informacija teče izkjučno v smeri od signala proti odgovoru, poleg tega pa vsebujejo le en sloj integrativnih nevronov. Za kompleksnejše naloge niso uporabni. S strojnim učenjem omogočimo sistemu nevronskih mrež, da čim bolj pravilno uteži določene nevronske poti. Načeloma se to dela s poskušanjem in odbiranjem boljših nevronskih mrež, saj bi človeško nastavljanje utežitev »na roko« bilo prekompleksno. V celici kot že rečeno potekajo podobne povezave kot pri nevronski mreži. Primer tega so medproteinske interakcije pri signalnih poteh. Celica ogromno količino signalov pretvori v nekaj odzivov, kar poteče preko fosforilacije in defosforilacije velikega števila proteinov, ki med seboj interagirajo. Prav zato nekateri tem signalnim potem pravijo fosfonevronsko omrežje, saj spominja na kompleksno nevronsko omrežje v človeških možganih. Druga možnost izgraditve nevronskega omrežja pa je na nivoju DNA, kjer en del genoma regulira delovanje drugega dela in obratno. Regulacijo na osnovi DNA so uporabili v raziskavi, ki jo bom predstavil.
Rezultati raziskave
Vse poskuse v raziskavi so izvajali in silico s pomočjo različnih računalniških programov in simulatorja. Izvrstno poznavanje delovanja nevronskih mrež v celicah in silico je predpogoj za nadaljevanje dela v laboratoriju s pravimi bakterijami. Prvi poskus je predvideval optimizacije sintezne poti polihidroksibutirata (PHB) (bioplastika). Trije vnosi v nevronsko mrežo so predvidevali koncentracije melase, sečnine in propionske kisline, rezultat pa je bil koncentracija nastalega PHB. Z drugimi besedami, s pomočjo poznavanja bakterijskega metabolizma, simulacije in nevronske mreže so ugotovili optimalne pogoje za nastajanje PHB iz treh vhodnih snovi. Drug poskus pa je bil kompleksnejši, saj so s pomočjo nevronske mreže želeli programirati odziv bakterije glede na vhodne podatke. Štirje vhodni podatki so bili: prisotnost galaktoze (kemotaksin), kisika, avtoinduktorja furanozil borat diestra (sodeluje pri komunikaciji bakterij) in arabinoze (vir ogljika). Prisotnost signala je bila ali 0 (ni prisoten) ali 1 (je prisoten) glede na to, ali preseže določeno vrednost. Štirje možni odgovori po integraciji signalov pa so bili aerobni odgovor, premikanje, priskledništvo (nadaljnja razgradnja metabolnih produktov drugih celic) ali stresni odziv. Treniranje nevronskega omrežja lahko poteka na dva načina. En je zunaj celic, torej preden ga implementiramo in se po namestitvi ne spreminja. Prednost je ta, da se ne spreminja, torej, če smo uporabili najboljše utežitve med treningom, bodo te take tudi ostale. Iz tega tudi izhaja slabost, ki je, da se nevronsko omrežje z novimi podatki ne bo posodabljalo in lahko zastara. Po drugi možnosti pa lahko nevronsko omrežje treniramo v bakterijah samih. To pomeni, da se bo s časom in uporabo izboljševalo, utežitve bodo vedno boljše. Slabost pa je ta, da ni nikakor nujno, da bo konvergiralo k optimalnim utežitvam, torej ni nujno, da dobimo uporabno nevronsko omrežje. Pri poskusu so zato uporabili prvo možnost, torej s treningom so utežili nevronske poti, pretvorili nevronsko mrežo v logične operacije, to spremenili v zaporedje DNA in vnesli v in silico plazmid, ki so ga vnesli v in silico celice ter opazovali dogajanje. Vsak odziv celice je bil povezan z nastajanjem drugega fluorescentnega proteina, kar je omogočalo ugotavljanje signalov. Prav tako je celica proizvedla več reporterjev, če je bila v več stanjih odgovorov naenkrat. Rezultati so bili pričakovani, torej pokazali so, da vsaj in silico tovrstno nevronsko omrežje v obliki plazmida deluje dobro.
Zaključek
V prihodnosti bo gotovo še več raziskav v tej smeri, še posebej zanimive bi bile tiste, ki bi uporabljale prave celice. Pa vendar so tudi računalniške simulacije pomemben prvi korak pri uvajanju kompleksnih nevronskih mrež v bakterije in preko njih vplivanja na obnašanje. Uporaba takih bakterij bi bila koristna pri praktično vseh biotehnoloških aplikacijah, pa tudi v medicini, sintezi biogoriv in morda zdravljenju v telesu. Kdo ve, morda pa bodo nekoč kompleksne populacije bakterij lahko reševale tudi probleme, ki jih trenutno rešujejo računalniki? Upajmo, da se ob uvedbi večslojnih nevronskih mrež in vse bolj raznolikega obnašanja bakterije ne bodo naveličale petrijevk in neprestanega centrifugiranja.
Viri
[1] M. Gagliano, M. Renton, M. Depczynski, in S. Mancuso, „Experience teaches plants to learn faster and forget slower in environments where it matters“, Oecologia, let. 175, št. 1, str. 63–72, 2014, doi: 10.1007/s00442-013-2873-7.
[2] M. Thellier in U. Lüttge, „Plant memory: a tentative model“, Plant Biol., let. 15, št. 1, str. 1–12, jan. 2013, doi: https://doi.org/10.1111/j.1438-8677.2012.00674.x.
[3] A. G. Becerra, M. Gutiérrez, in R. Lahoz-Beltra, „Computing within bacteria: Programming of bacterial behavior by means of a plasmid encoding a perceptron neural network“, Biosystems, let. 213, str. 104608, 2022, doi: https://doi.org/10.1016/j.biosystems.2022.104608.
[4] R. Lahoz-Beltra, J. Navarro, in P. Marijuan, „Bacterial computing: a form of natural computing and its applications “, Frontiers in Microbiology , let. 5. 2014.
[5] T. Nakagaki, H. Yamada, in A. Tóth, „Maze-solving by an amoeboid organism.“, Nature, let. 407, št. 6803, str. 470, sep. 2000, doi: 10.1038/35035159.
[6] S. Majumdar in S. Pal, „Bacterial intelligence: imitation games, time-sharing, and long-range quantum coherence“, J. Cell Commun. Signal., let. 11, št. 3, str. 281–284, sep. 2017, doi: 10.1007/s12079-017-0394-6.
[7] F. Baluška, S. Lev-Yadun, in S. Mancuso, „Swarm intelligence in plant roots“, Trends Ecol. Evol., let. 25, št. 12, str. 682–683, 2010, doi: https://doi.org/10.1016/j.tree.2010.09.003.
[8] E. A. Liberman in S. V Minina, „Cell molecular computers and biological information as the foundation of nature’s laws“, Biosystems, let. 38, št. 2, str. 173–177, 1996, doi: https://doi.org/10.1016/0303-2647(95)01588-4.
[9] I. M. De la Fuente idr., „Evidence of conditioned behavior in amoebae“, Nat. Commun., let. 10, št. 1, str. 3690, 2019, doi: 10.1038/s41467-019-11677-w.
