View message

Автор статті зазначає: «Схоже, у нас на очах відбувається нова технологічна революція в біології. Саме технологічна, а не наукова, але від цього вона не менш значуща. Днями завершилося чергове "змагання" методів передбачення тривимірної структури білків CASP14 — своєрідний міжнародний огляд найкращих обчислювальних методів, які дозволяють отримати тривимірну структуру білкової глобули за її первинною геномною послідовностю. Як і минулого разу в 2018 році, усіх перевершив алгоритм машинного навчання від Google AlphaFold другої версії. Саме по собі це не є чимось сенсаційним — ну, первершив конкурентів. Сенсація в тому, що вперше за 28-річну (!) історію змагань CASP, точність моделей стала де-факто такою ж, як точність експериментальних методів — рентгенівської кристалографії та кріоелектронної мікроскопії. Частина структур була передбачена настільки точно, що у фахівців просто не було слів. Якщо люди, які працювали в цій галузі десятиліттями, заявляють що "проблема в практичному плані вирішена", то це багато про що говорить, погодьтеся. Нейромережа досить скоро навчиться вирішувати й складні випадки, такі як мембранні білки або компоненти супрамолекулярних косплексів, на яких вона поки що видає не дуже переконливі результати, — це чисто технічне питання часу. Після цього в руках вчених виявиться практично "безкоштовний" і надійний метод передбачення структури будь-якого потрібного їм білка.  Впаде останній бар'єр на шляху до "золотого віку" молекулярної фармакології: бери для роботи будь-який білок, який хочеш, а не тільки той, для якого є структура.».

Наостанок вчений підсумовує: «А тепер ложка дьогтю: проблема фолдінгу як наукова задача, як була невирішеною, так і залишилася. Нейромережа не розкриває ніяких фізичних механізмів явища, вона працює як незбагненний чорний ящик — закинули сіквенс на вхід, отримали структуру на вихід. Чому саме таку структуру — хто його знає. Це загальна проблема всіх методів машинного навчання  — вони розв'язують проблему практично, але не вирішують її концептуально: не редукують складну задачу до набору простих, не виявляють у ній закономірностей, не виокремлюють важливі параметри та не поділяють її на ієрархічні структурні блоки. Для людського розуму і сама задача, і нейромережа, яка її розв'язує, залишаються незбагненними. Але тут виникає інша, вже філософська, проблема: а чи можна розв'язати завдання фолдінгу в принципі в межах традиційного фізичного редукціонізму? Можливо тут ми маємо справу з тією самою "незводимою складністю" (irreducible complexity), коли складну проблему принципово не можна поділити на простіші? Над цим завданням 40 років билися досить кмітливі люди, але до настання машинного навчання все буксувало в болоті на вельми сумному рівні точності в 40-50%. А потім з'явилися нейромережі й за два роки точність злетіла до 85-90% ... Взагалі, якщо в якійсь області фундаментальної науки починають активно хизуватися штучним інтелектом та машинним навчанням, то це говорить про те, що ніхто нічого не розуміє, теорія безнадійно буксує і немає навіть надії розібратися в процесах, які відбуваються. Фраза "ми застосували машинне навчання до задачі Х" в перекладі на зрозумілу означає "нам треба вирішити якусь практично важливу задачу на вчора, але ми ґадки не маємо як її вирішувати, тому ми застосуємо один незрозумілий чорний ящик до іншого незрозумілого чорного ящика, щоб на виході вийшло щось схоже на правильну відповідь, в тому вигляді як ми його собі уявляємо". Приблизно так останнім часом підходять не тільки до згортання білків, але навіть до аналізу симуляцій макромолекул. Це, по суті, ганебна капітуляція. Люди зневірилися в тому, щоб зрозуміти як виокремлювати значущі колективні змінні з хаосу траєкторій окремих атомів і звалили це на нейромережі. Чи не означає все це, що в біології більше немає сенсу шукати якихось теоретичних узагальнень, а потрібно лише програмувати все більш складні нейромережі для розв'язання все більш комплексних проблем? Хто знає, може і так. У будь-якому випадку часи нас чекають цікаві».

За інформацією платформи «Medium