Зачем в биологии нужны компьютерные модели

Многие исследователи начинают научный процесс с наблюдений за природой и сбора данных, а затем пытаются выявить закономерности с помощью статистического анализа. Однако одни лишь статистические корреляции не дают понимания. Для этого нужна теория. Научная теория стремится создать единую основу для большого класса эмпирических данных, чтобы помочь исследователям делать проверяемые предсказания.

Хотя в физических науках теория высоко ценится, в биологии к ней часто относятся скептически. Изначально теоретическая биология была малопонятной и публиковалась в узкоспециальных журналах. Однако с появлением больших данных теория вышла на передний план. В этой статье обсуждается роль теории в биологии, приводятся примеры важных моделей, а также представлено личное интервью с известным теоретиком Ларри Эбботтом из Колумбийского университета.

Почему физики любят модели, и почему биологам стоит это делать

В биологии мало количественных теорий, способных делать предсказания, что заставляет некоторых учёных не доверять теоретическим исследованиям. В физике всё наоборот. Разница кроется в природе изучаемых систем: если физика черпает красоту в простой редукционистской элегантности, то биология находит её в сложности и многообразии. Поэтому простые математические теории в биологии часто оказываются неверными. Многие экспериментаторы также считают, что данные моделирования слишком далеки от реальной биологии. Некоторых раздражает сложный язык вычислительных статей и малопонятная математика, используемая для объяснения простых биологических принципов.

Вычислительные модели могут дополнять экспериментальные данные, обеспечивая лучшее биологическое понимание и лечение болезней. Хорошая модель вдохновляет на новые эксперименты и даёт новые идеи. Хотя модели не могут доказать, какие именно механизмы работают, они могут подсказать, какие переменные наиболее важны для исследования в эксперименте. Дэниел Хиллис сравнивает полезность теоретических моделей с полезностью модельных организмов: «модели не могут доказать что-либо окончательное о биологической эволюции, так же как нервная система нематоды не может доказать что-либо о нервной системе млекопитающего». Иными словами, и компьютерные модели, и более простые нервные системы служат поучительными примерами.

Уроки теории: открытие структуры ДНК

Теория сыграла важную роль в открытии структуры ДНК. Фрэнсис Крик имел образование в области математики и физики, а Джеймс Уотсон был экспертом в молекулярной биологии фагов — вирусов, поражающих бактерий. Работая вместе, эти учёные использовали построение моделей, чтобы раскрыть знаменитую двойную спираль. Также решающее значение имели данные рентгеновской кристаллографии, полученные Розалинд Франклин и Морисом Уилкинсом в Королевском колледже Лондона. В частности, фотография Франклин B-формы ДНК указывала на её спиральную структуру. «В тот миг, когда я увидел снимок, у меня отвисла челюсть и забилось сердце», — писал Уотсон. Вместе Уотсон и Крик построили знаменитую модель ДНК, используя металлические пластины для нуклеотидов и стержни для связей между ними. Истинная красота этой модели в том, что структура подразумевает функцию, и это открытие положило начало новой эре в биологических исследованиях.

Вычислительные модели в нейронауке

Вычислительные модели стали очень популярны в нейронауке, где модель Ходжкина — Хаксли для потенциалов действия, пожалуй, является важнейшей теорией. Эта модель представляет собой набор нелинейных дифференциальных уравнений, описывающих электрическую активность возбудимых клеток, таких как нейроны и кардиомиоциты. Модель Ходжкина — Хаксли вдохновила современных нейроучёных, таких как профессор Эбботт, на моделирование паттернов активности клеток коры головного мозга. В статье в PLOS Computational Biology Эбботт рассматривает взаимосвязь между кривыми настройки нейронов и нейронными цепями. Кривая настройки — это график зависимости порога слуховой чувствительности от частоты для отдельного нейрона. Поскольку нейроны имеют различные кривые настройки, которые, как считается, возникают из-за структурированной синаптической связности, теоретическая модель может предсказать порядок синаптических входов. Знание порядка синаптических входов, включая идентичность, силу и расположение каждого синапса, критически важно для понимания того, как нейроны производят вычисления.

Профессор Эбботт о создании моделей

В статье PLOS Computational Biology Лазар и др. создали теоретическую модель для контроля позы руки у приматов. Результаты этой модели нейронной сети сравнивались с биологическими данными, полученными из области первичной моторной коры. Неожиданно это исследование показало, что синаптическая связность в этой модели полностью случайна.

Профессор Эбботт десять лет был теоретиком в области физики элементарных частиц в Университете Брандейса, прежде чем переключился на нейронауку. Сегодня он является лидером в теоретической нейронауке и соавтором первого всеобъемлющего учебника по теоретической нейронауке. Его вдохновил на переход в биологию визит в лабораторию профессора Ив Мардер в Университете Брандейса. Очарованный звуком спайков электрической активности в нервной ткани, Эбботт стажировался у Мардер в течение года. Впоследствии они публиковались вместе более десяти лет.

В Колумбийском университете Эбботт основал Центр теоретической нейронауки. Он активно сотрудничает с экспериментальными биологами, включая Эрика Канделя. Эбботт использует компьютерное моделирование и аналитические методы для изучения нейронных цепей, управляющих поведением. «Я сначала пытаюсь учесть все важные особенности нейронной цепи, а затем смотрю, что из этого следует. Затем я проверяю, согласуется ли это с теми экспериментами, которые я считаю важными», — говорит Эбботт в интервью. Другими словами, Эбботт сначала определяет нейроны, участвующие в цепи, а затем создаёт симуляцию, чтобы предсказать, как каждый нейрон интегрирует входные сигналы от синапсов.

Хорошая модель будет воспроизводить биологию и приводить к новому пониманию. Однако вычислительная модель в биологии не обязательно должна быть предсказательной, чтобы быть полезной. «Вы можете создавать модели уже хорошо изученного явления, если описываете его по-новому. Эти модели приведут к более глубокому пониманию», — говорит Эбботт. Он утверждает, что критически важно, чтобы модель выходила за рамки нашей простой интуиции.

Важность вычислительных навыков

Эбботт утверждает, что начинающим биологам крайне важно осваивать вычислительные навыки. «Знание навыков вне вашей области до того, как вы выберете специализацию, очень полезно. Сделать это в обратном порядке, когда вы уже выбрали лабораторию, очень сложно. Статистика и математика — важные навыки сегодня».

Я могу подтвердить пользу изучения вычислительных навыков, так как сначала я стажировался в лаборатории механической инженерии. Когда я пришёл в нейронауку, я уже понимал инженерные принципы установок для электрофизиологии и математику теоретических моделей. В моих текущих исследованиях я объединяю эксперименты и теорию, используя простую нервную систему мухи, и эта работа показала мне ценность сочетания этих двух подходов. Для дальнейшего прогресса теоретическим и эмпирическим биологам необходимо делать свою работу более доступной и ценной друг для друга. Профессор Эбботт является примером такого сотрудничества и преуспел в привлечении широкого внимания к вычислительным теориям в нейронауке. Теория может дать новые идеи и изменить то, как экспериментальные биологи понимают свой предмет.