Наделение искусственного интеллекта эволюционным взглядом
Искусственный интеллект (ИИ) превосходит человека в распознавании многих паттернов, но эволюционные взаимосвязи всегда были для него сложной задачей. Команда из отдела биоинформатики Рурского университета в Бохуме (Германия) под руководством профессора Акселя Мозига обучила нейронную сеть решать эту проблему.
ИИ может соотносить любые данные от разных видов в эволюционном родстве и определять, какие характеристики развивались каким образом в ходе эволюции.
«Наш подход позволяет, образно говоря, взглянуть на данные через призму эволюции», — объясняет Вивиан Бранденбург, ведущий автор статьи, опубликованной в Computational and Structural Biotechnology Journal 22 августа 2025 года.
Предоставление априорных знаний о древе предков
«Большинству предыдущих алгоритмов ИИ сложно анализировать биологические данные через эволюционную линзу, потому что они не знают, что искать, и путаются из-за случайных паттернов», — говорит Мозиг. Команда предоставила своему ИИ априорные знания о филогенетических деревьях анализируемых видов.
Этот подход основан на классификации групп из четырёх видов в предположительно правильное древо предков при обучении ИИ. Дерево содержит информацию о близких и отдалённых родственных связях. «Если все группы из четырёх видов расположены правильно, всё древо предков может сложиться, как пазл», — объясняет Луис Хак, также работавший над исследованием. «Затем ИИ может искать в последовательностях паттерны, которые эволюционировали в рамках этого дерева».
Важный момент: этот метод работает не только для данных генетических последовательностей, но и для любого другого типа данных, таких как изображения или структурные паттерны биомолекул от различных видов. После того как биоинформатики из Рурского университета первоначально разработали подход для данных последовательностей ДНК в рамках текущей работы, они уже исследуют его применимость для данных изображений.
«Например, можно было бы реконструировать гипотетические изображения эволюционных видов-предшественников», — говорит Хак, объясняя потенциал метода для будущих проектов.