Что такое генетический конструкт
Метод генетически-конструктивный
Генетически-конструктивный метод — это теоретический метод построения и развития научной теории (см. Теория), основанный на конструировании идеальных (абстрактных) теоретических объектов и мысленных экспериментах с ними. В отличие от аксиоматического метода, при котором осуществляются логические действия над высказываниями, описывающими некоторую область объектов (предметов и явлений), генетически-конструктивный метод предполагает оперирование непосредственно с идеальными объектами — так называемыми конструктами (см. Конструкт). В данном контексте термин «конструкт» используется для указания на некую абстрактную модель (идеальный объект, порождаемый теоретическим сознанием и существующий лишь в языке соответствующих концептуальных систем). Процесс развития теории включает мысленные эксперименты с такими объектами, фиксируемыми в соответствующей знаковой форме и взятыми как конкретно наличные.
В научном познании (см. Наука) объекты такого рода служат средством представления знаний о тех характеристиках изучаемого фрагмента действительности, которые невозможно непосредственно наблюдать ни при каких условиях. Введение в структуру теории идеальных моделей позволяет эффективно использовать такое познавательное средство, как мысленный эксперимент. Представляя абстрактные объекты в некоторой знаковой форме, исследователь может вносить в неё определённые преобразования, вводить в их содержание характеристики, не обнаруженные эмпирическим путём, рассматривать интересующие его сущности в таких условиях, которые в реальной обстановке могут быть невозможными. Всё это позволяет увидеть изучаемый объект в каком-то новом ракурсе и обнаружить такие способы его описания, которые ранее оставались не задействованными. Такие возможности обусловлены тем обстоятельством, что значение конструктов определяется не посредством эмпирических интерпретаций, а исключительно его связями с другими терминами, входящими в структуру соответствующей теоретической системы. В связи с этим мысленное оперирование с идеальными объектами может изменять характер связей, существующих между языковыми средствами некоторой концептуальной конструкции, и тем самым открывать возможности качественно иного описания воображаемой действительности, а следовательно и появления новых содержательных интерпретаций тех результатов, которые получены с помощью интеллектуальных операций. Таким образом, производя всевозможные операции с объектами такого рода, исследователи получают возможность развивать создаваемые ими теории, не попадая в абсолютную зависимость от эмпирической реальности.
Генетически-конструктивный метод наиболее эффективно применяется в сфере математических исследований, поскольку современная математика в меньшей степени, нежели другие области знания, опирается на результаты непосредственного взаимодействия с предметно-реальной действительностью. Однако и в дисциплинах, преимущественно ориентированных на экспериментальное исследование, генетически-конструктивный метод часто оказывается вполне правомерным. В таких науках генетически-конструктивный метод основан на операциях с абстрактными объектами теоретических схем — особыми моделями, включаемыми в состав теории, относительно которых затем формулируются положения теории. При этом использование конструктов в содержательных концепциях оказывается возможным при условии их определённой корректировки, учитывающей особенности реальных предметов и явлений, теоретическим отображением которых и являются идеальные объекты. Хотя основная сфера применения данного метода связана с естествознанием, он достаточно часто используется и в гуманитарных науках.
Концептуальная система, построенная с помощью генетически-конструктивного метода, выступает в роли эталонного образца при разработке целого ряда частных теорий, опирающихся на непосредственные эмпирические результаты исследований. Она задаёт способ формулировки соответствующих познавательных проблем и определяет направление поиска решения возникающих задач. При формировании развитых научных теорий образцы автоматически включаются в их состав в процессе обоснования. Развитым теориям обычно предшествуют теоретические знания меньшей степени общности (частные теоретические схемы и сформулированные относительно них законы). Построение обобщающих теорий осуществляется путём последовательного синтеза частных теоретических схем и соответствующих им законов. В этом процессе теоретические схемы перестраиваются и включаются в состав обобщающей теории. На завершающем этапе синтеза, когда сформулирована фундаментальная теоретическая схема, осуществляется доказательство того, что в ней аккумулировано основное содержание всего обобщаемого теоретического материала. Процесс такого доказательства предполагает конструирование соответствующих частных теоретических схем на базе фундаментальной и вывод из фундаментальных законов теории обобщаемых законов меньшей степени общности. В результате процесс обоснования демонстрирует приёмы редукции фундаментальной теоретической схемы к частным, выступая образцами решения теоретических задач. Ориентируясь на них, исследователь решает новые теоретические задачи. Таким образом, генетически-конструктивный метод выступает и как способ построения теории, и как способ её развёртывания, получения из основных её законов новых теоретических следствий.
Что такое генная инженерия и зачем вмешиваться в природу организмов
Содержание:
Генная инженерия — это современное направление биотехнологии, объединяющее знания, приемы и методики из целого блока смежных наук — генетики, биологии, химии, вирусологии и так далее — чтобы получить новые наследственные свойства организмов.
Перестройка генотипов происходит путем внесения изменений в ДНК (макромолекулу, обеспечивающую хранение, передачу из поколения в поколение и реализацию генетической программы развития и функционирования живых организмов) и РНК (одну из трех основных макромолекул, содержащихся в клетках всех живых организмов).
Если внести в растение, микроорганизм, организм животного или даже человека новые гены, можно наделить его новой желательной характеристикой, которой до этого он никогда не обладал. С этой целью сегодня генная инженерия используется во многих сферах. Например, на ее основе сформировалась отдельная отрасль фармацевтической промышленности, представляющая собой одну из современных ветвей биотехнологии.
История развития
Истоки
Основы классической генетики были заложены в середине XIX века благодаря экспериментам чешского-австрийского биолога Грегора Менделя. Открытые им на примере растений принципы передачи наследственных признаков от родительских организмов к их потомкам в 1865 году, к сожалению, не получили должного внимания у современников, и только в 1900 году Хуго де Фриз и другие европейские ученые независимо друг от друга «переоткрыли» законы наследственности.
Параллельно с этим шел процесс формирования знаний о ДНК. Так, в 1869 году швейцарский биолог Фридрих Мишер открыл факт существования макромолекулы, а в 1910 году американский биолог Томас Хант Морган обнаружил на основе характера наследования мутаций у дрозофил, что гены расположены линейно на хромосомах и образуют группы сцепления. В 1953 году было сделано важнейшее открытие — американец Джон Уотсон и британец Фрэнсис Крик установили молекулярную структуру ДНК.
На подъеме
К концу 1960-х годов генетика активно развивалась, а ее важными объектами стали вирусы и плазмиды. Были разработаны методы выделения высокоочищенных препаратов неповрежденных молекул ДНК, плазмид и вирусов, а в 1970-х годах был открыт ряд ферментов, катализирующих реакции превращения ДНК.
Генная инженерия как отдельное направление исследовательской работы зародилась в США в 1972 году, когда в Стэнфордском университете ученые Пол Берг, Стэнли Норман Коэн, Герберт Бойер и их научная группа внедрили новый ген в бактерию кишечной палочки (E. coli), то есть создали первую рекомбинантную ДНК.
Техника ПЦР была впервые разработана в 1980-х годах американским биохимиком Кэри Маллисом. Будущий лауреат Нобелевской премии по химии (1993 года), обнаружил в специфический фермент — ДНК-полимеразу, который участвует в репликации ДНК. Этот фермент буквально считывает отрезки цепи нуклеотидов молекулы и использует их в качестве шаблона для последующего копирования генетической информации.
Новая эра
В 1996 году методом пересадки ядра соматической клетки в цитоплазму яйцеклетки на свет появилось первое клонированное млекопитающее — овца Долли. Это событие стало революционным в истории развития генной инженерии, потому что впервые стало возможным серьезно говорить о создании клонов и выращивании живых организмов на основе молекул.
Технологии генной инженерии
Генная инженерия за короткий срок оказала огромное влияние на развитие различных молекулярно-генетических методов и позволила существенно продвинуться на пути познания генетического аппарата.
Так, появилась технология CRISPR — инструмент редактирования генома. В 2014 году MIT Technology Review назвал его «самым большим биотехнологическим открытием века». Он основан на защитной системе бактерий, которые производят специальные ферменты, позволяющие им защищаться от вирусов.
«Каждый раз, когда бактерия убивает вирус, она разрезает остатки его генома, будь то ДНК или РНК, и сохраняет их внутри последовательности CRISPR, как в архив. Как только вирус атакует снова, бактерия использует информацию из «архива» и быстро производит защитные белки Cas9, в которых заключены фрагменты генома вируса. Если вдруг эти фрагменты совпадают с генетическим материалом нынешнего атакующего вируса, Cas9 как ножницами разрезает захватчика, и бактерия снова в безопасности», — поясняет Алевтина Федина, медицинский директор Checkme.
Уникальное открытие состоялось в 2011 году, когда биологи Дженнифер Дудна и Эммануэль Шарпантье обнаружили, что белок Cas9 можно обмануть. Если дать ему искусственную РНК, синтезированную в лаборатории, то он, найдя в «архиве» соответствие, нападет на нее. Таким образом, с помощью этого белка можно резать геном в нужном месте — и не просто резать, а еще и заменять другими генами.
Теоретически, технология CRISPR может позволить редактировать любую генетическую мутацию и излечивать заболевание, которое она вызывает. Но практические разработки CRISPR в качестве терапии еще только в начальной стадии, и многое еще непонятно.
Есть и другие методы генной инженерии, например, ZFN и TALEN.
Где и как применяется генная инженерия
Медицина
Уже сейчас активно применяется инсулин человека (хумулин), полученный посредством рекомбинантных ДНК. Клонированные гены человеческого инсулина были введены в бактериальную клетку, где начался синтез гормона, который природные микробные штаммы никогда не синтезировали. С 1982 года компании США, Японии, Великобритании и других стран производят генно-инженерный инсулин.
Кроме того, несколько сотен новых диагностических препаратов уже введены в медицинскую практику. Среди лекарств, находящихся в стадии клинического изучения, препараты, потенциально лечащие артрозы, сердечно-сосудистые заболевания, онкологию и СПИД. Среди нескольких сотен генно-инженерных компаний 60% заняты именно разработкой и производством лекарственных и диагностических средств.
«В медицине среди достижений генной инженерии сегодня можно выделить терапию рака, а также другие фармакологические новинки — исследования стволовых клеток, новые антибиотики, прицельно бьющие по бактериям, лечение сахарного диабета. Правда, пока все это на стадии исследований, но результаты многообещающие», — говорит Алевтина Федина.
Сельское хозяйство
В сельском хозяйстве одна из важнейших задач генной инженерии — получение растений и животных, устойчивых к вирусам. В настоящее время уже есть виды, способные противостоять воздействию более десятка различных вирусных инфекций.
Еще одна задача связана с защитой растений от насекомых-вредителей. Путем генетической модификации растений можно уменьшить интенсивность обработки полей пестицидами. Например, трансгенные растения картофеля и томатов стали устойчивы к колорадскому жуку, растения хлопчатника — к разным насекомым, в том числе и к хлопковой совке.
Использование генной инженерии позволило сократить применение инсектицидов (препаратов для уничтожения насекомых) на 40–60%.
Благодаря генной инженерии зерновые культуры стали более устойчивы к климатическим условиям, кроме того появилась возможность увеличить количество витаминов и полезных веществ в продукте. Например, можно обогатить рис витамином «А» и выращивать его в тех регионах, где люди имеют массовую нехватку этого элемента.
С помощью генной инженерии пытаются решить и экологические проблемы. Так, уже созданы особые сорта растений с функцией очистки почвы. Они поглощают цинк, никель, кобальт и иные опасные вещества из загрязненных промышленными отходами почв.
Скотоводство
В Кемеровской области работа генетиков позволила получить устойчивое к вирусу лейкоза племенное поголовье высокопродуктивных животных. Для проведения эксперимента кузбасские ученые отобрали здоровых коров черно-пестрой породы массой до 500 кг. Животным трансплантировали модифицированные эмбрионы, устойчивые к вирусу лейкоза. В середине сентября 2020 года родилось 19 телят с измененными генами.
«В месячном возрасте была проведена оценка, которая показала, что телята отличаются от своих сверстников только устойчивостью к вирусу. Пять особей отобрали для дальнейшей селекционной работы. Это позволит закрепить наследственные признаки устойчивости к вирусу лейкоза у последующих поколений», — пояснила руководитель проекта, доктор биологических наук, профессор кафедры зоотехнии Кузбасской ГСХА Татьяна Зубова.
По словам Зубовой, лейкоз крупного рогатого скота — вирусная хронически неизлечимая болезнь, при которой возникают поражение кроветворной системы и новообразования. Данное заболевание наносит значительный ущерб генофонду пород и мясной промышленности в целом, потому что мясо зараженных животных запрещено употреблять в пищу. Единственным доступным методом борьбы с лейкозом ранее было только уничтожение зараженного скота.
Этот успех позволяет говорить о том, что в дальнейшем будет возможно редактировать гены крупного рогатого скота и от других болезней.
С прицелом на человека
В 2009 году группа ученых под руководством молодого исследователя Джея Нейтца из Вашингтонского университета сумели с помощью генной терапии вернуть обезьянам способность различать оттенки зеленого и красного, которой они были лишены от рождения.
В область сетчатки глаза двух подопытных обезьян был введен безвредный вирус, несущий недостающий ген фоточувствительного рецептора. Вскоре после процедуры обе обезьяны начали различать оттенки красного и зеленого на сером фоне. Два года наблюдения не выявили у них каких-либо нарушений, поэтому ученые не исключают, что данную методику уже вскоре можно будет применять у людей, страдающих дальтонизмом.
Ученые шагнули еще дальше и уже пробуют выращивать в теле животных органы для трансплантации людям. Для минимизации риска отторжения тканей животным вводят специальные гены. Этими опытами занимается научная лаборатория Рослинского института в Великобритании, которая представила миру овцу Долли.
В 2019 году британские ученые вывели кур, яйца которых содержат два вида человеческих белков, способных противодействовать артриту и некоторым видам онкологических заболеваний. В яйцах содержится человеческий белок под названием IFNalpha2a, обладающий мощными противовирусными и противораковыми свойствами, а также человеческий и свиной вариант белка под названием макрофаг-CSF, который планируют использовать для создания препарата, стимулирующего самостоятельное заживление поврежденных тканей.
Изменение ДНК человека
Первые клинические испытания методов генной терапии были предприняты 22 мая 1989 года с целью генетического маркирования опухоль-инфильтрующих лимфоцитов в случае прогрессирующей меланомы.
14 сентября 1990 года в Бетесде (США) четырехлетней девочке, страдающей наследственным иммунодефицитом, обусловленным мутацией в гене аденозиндезаминазы (АDA), были пересажены ее собственные лимфоциты.
Работающая копия гена ADA была введена в клетки крови с помощью модифицированного вируса, в результате чего клетки получили возможность самостоятельно производить необходимый белок. Через шесть месяцев количество белых клеток в организме девочки поднялось до нормального уровня.
После этого область генной терапии получила толчок к дальнейшему развитию. С 1990-х годов сотни лабораторий ведут исследования по использованию генной терапии для лечения различных заболеваний. Уже сегодня с помощью генной терапии можно лечить диабет, анемию и некоторые виды онкологии.
Генная терапия
Генная терапия — введение, удаление или изменение генетического материала, в частности ДНК или РНК, в клетке пациента для лечения определенного заболевания.
Существует три основных стратегии использования генной терапии:
Наиболее часто применяемый метод включает вставку «терапевтического» гена для замены «ненормального» или «вызывающего болезнь».
В 2015 году впервые была проведена процедура изменения ДНК человека с целью продления молодости клеток, когда американке Элизабет Пэрриш 44 лет ввели в организм препарат, влияющий на ДНК, а в 2018 году китайский ученый Хэ Цзянькуй заявил, что с его помощью у двух детей-близнецов якобы изменены гены для выработки у них иммунитета к вирусу ВИЧ, носителем которого являлся их отец.
Все это, с одной стороны, выглядит грандиозно и обнадеживает, но с другой, — вызывает опасения, ведь генетические манипуляции, теоретически, возможно использовать не только в благих и мирных целях.
После эксперимента с ДНК близнецов в Китае, ЮНЕСКО выступила с инициативой о запрете изменения генов у новорожденных до того момента, пока достоверно не будет доказана безопасность таких манипуляций.
Этическая сторона вопроса
В 1997 году ЮНЕСКО выпустила Всеобщую декларацию о геноме человека и его правах, рекомендовав мораторий на генетическое вмешательство в зародышевую линию человека, а в декабре 2015 года на международном саммите по геномному редактированию человека изменение гаметоцитов и эмбрионов для генерации наследственных изменений у людей было объявлено безответственным.
Российское сообщество генетиков в большинстве своем считает, что такие эксперименты на данный момент преждевременны и требуют более глубокого исследования и обсуждений.
«Вопрос клонирования уже давно стоит на горизонте. Этично ли выращивать клонов, чтобы потом забирать их органы для трансплантации человеку… Большой вопрос. Само собой, это абсолютно нормально, что нет единой точки зрения, ведь смысл подобных дискуссий как раз в том, чтобы найти правильные формулировки и отрегулировать потенциально спасительное, но при этом очень опасное знание», — говорит Алевтина Федина.
Страх неизвестности
Вариантов развития событий в области генной инженерии существует множество, и далеко не все они изучены и, в принципе, известны. Поэтому они должны быть последовательно зафиксированы и регламентированы.
Естественно, больше всего опасений вызывают плохие сценарии развития событий. Как правило, все начинается с помощи людям и изобретения новых лекарств. Но потом человек может прийти к желанию сделать своего ребенка светловолосым и зеленоглазым или создать армию универсальных солдат, не боящихся боли и не ведающих страха.
Олег Долгицкий, социальный философ, отмечает, что современное общество настолько неоднородно в культурном и экономическом плане, что любые методы, способные существенно изменить геном, могут создать условия не только для классового, но и видового расслоения, где представители «первого мира» смогут существенно продлевать свою жизнь и не бояться никаких болезней, в отличие от менее богатых людей. Это является серьезнейшей почвой для конфликтов и столкновений.
Эксперты убеждены, что генная инженерия — это будущее медицины. Возможность избавить младенца от пожизненного гнета заболевания, излечить людей от рака, найти лекарство против ВИЧ — за всем этим будет стоять генная инженерия. При этом желание человека изменить, например, цвет глаз или предотвратить наследственное заболевание, несмотря на все риски, будет только расти. И похоже, что остановить этот процесс уже не представляется возможным.
генетически-конструктивный метод
Полезное
Смотреть что такое «генетически-конструктивный метод» в других словарях:
ГЕНЕТИЧЕСКИ-КОНСТРУКТИВНЫЙ МЕТОД — ГЕНЕТИЧЕСКИ КОНСТРУКТИВНЫЙ МЕТОД способ построения и развертывания теории, основанный на конструировании идеальных теоретических объектов и мысленных экспериментах с ними. В отличие от аксиоматического метода, при котором осуществляются… … Философская энциклопедия
Платон философ — знаменитый философ, род. в Афинах между 430 и 427 гг. до Р. Хр. По некоторым, впрочем сомнительным, свидетельствам его настоящее имя было Аристокл, а П. только прозвание. Семейство его принадлежало к знатному и богатому роду: по отцу, Аристону,… … Энциклопедический словарь Ф.А. Брокгауза и И.А. Ефрона
Платон, философ — знаменитый философ, род. в Афинах между 430 и 427 гг. до Р. Хр. По некоторым, впрочем сомнительным, свидетельствам его настоящее имя было Аристокл, а П. только прозвание. Семейство его принадлежало к знатному и богатому роду: по отцу, Аристону,… … Энциклопедический словарь Ф.А. Брокгауза и И.А. Ефрона
Степин, Вячеслав Семенович — (р. 19.08.1934) спец. в обл. теории познания, филос. и методологии науки, филос. культуры, истории науки; д р филос. наук, проф. Окончил отделение филос. ист. ф та Белорус. гос. ун та (БГУ) (1956) и асп. по кафедре филос. того же ун та (1959). С… … Большая биографическая энциклопедия
КОГЕН — (Cohen) Герман (1842 1918) немецкий философ, основатель и виднейший представитель марбургской школы неокантианства. Основные работы: ‘Теория опыта Канта’ (1885), ‘Обоснование Кантом этики’ (1877), ‘Обоснование Кантом эстетики’ (1889), ‘Логика… … История Философии: Энциклопедия
Пшеница — (Wheat) Пшеница это широко распространенная зерновая культура Понятие, классификация, ценность и питательные свойства сортов пшеницы Содержание >>>>>>>>>>>>>>> … Энциклопедия инвестора
Бактерии — Кишечная палочка (Escherichia coli) … Википедия
Жанры — К истории проблемы. Определение понятия. Решение проблемы в догматическом литературоведении. Эволюционистские теории Ж. Решение проблемы Ж. «формальной школой». Пути марксистского изучения Ж. Теория лит ых Ж. Тематические, композиционные и… … Литературная энциклопедия
МИФ — (от греч. mythos слово, повествование, предание) специфический, свойственный прежде всего архаической эпохе человечества, способ функционирования мировоззренческих конструктов, при котором условные и логически недоказуемые умозрительные феномены… … Социология: Энциклопедия
Выращиваем ИИ — Генетические алгоритмы: введение
(сгенерированое изображение)
Существует множество способов создать искусственную нейронную сеть или даже «искусственный интеллект». Но все эти способы обескураживают, от части сложностью которую я не до конца понимаю, отчасти от того, что все сводится к математическим формулам.
В таких подходах нет нечего плохого, они помогают решать поставленные перед ними задачи. Но похоже мне очень хочется написать велосипед.
Зачем, что и почему?
Прежде чем мы приступим к основной теме, небольшая предыстория, как меня сюда занесло.
Я долго изучал тему с разных сторон и даже пытался разобраться в работе клеток организма и в частности нейронных клеток.
К моему удивлению, скорей всего ввиду пропуска уроков по биологии, этот удивительный мир держится на элементарных вещах, подобно компьютеру в котором имея в распоряжении 1 и 0 мы можем целыми днями рассматривать гифки с котиками и спорить друг с другом. Только вместо 1 и 0 мы состоим из множества различных клеток которые живут и функционируют на чистой химии и физике. Со стороны может показаться, что они разумны, но это не так.
Нейронная клетка в мозгу +- нечем не отличается от других клеток. Зачастую многие ставят под вопрос, то как передаются сигналы от нейрона к нейрону? Но как по мне, куда более важный вопрос — как формируется нейронная сеть? Как один нейрон находит другой «нужный нейрон»?
Этот вопрос до конца не изучен Axon guidance.
Аксон буквально нанюхивает другой нейрон, на его пути рассыпано множество различных вещей которые его притягивают или отталкивают и за счет этого он двигается к своей цели.
Что влияет на выбор пути:
Нетрины
Эфрины и Eph-рецепторы
Семафорины
Рецепторы: плексины, интегрины, нейропилины;
Участники сигнальной цепочки: CRMP-семейство (CRMP1, CRMP2, CRMP3, CRMP4, CRMP5)
Аксон, как правило, находит только один другой нейрон. Но дендритам одного нейрона могут посылать свои сигналы несколько аксонов. Не редки случаи когда от аксона идет несколько ответвлений.
Симуляция таких процессов будет слишком затратным делом и нам это особо не нужно. Самое главное это конечная структура нейронной сети. Возможно ли как-то вырастить ее, нарисовать точно так как это делает природа?
(Генерация поверх изображения)
(Напечатанная на 3д принтере оптическая нейронная сеть — работает за счет света)
Я долго искал как, пытался физически располагать нейроны в координатах и соединять их, рисовать рандомные деревья, представляя, что это дендриты, в общем пытался найти в хаосе хоть какой-то смысл.
Когда я понял, что страдаю фигней, решил начать гуглить — клеточные автоматы и генетически выращенные нейронные сети. Спойлер — есть подходы обучения нейронных сетей за счет генетических алгоритмов и где-то пишут, что это крутая смесь.
Вобщем сейчас я остановился на генетических алгоритмах и изучаю их в свободное время. Возможно это все так же приведет в тупик, но это интересно.
Генетические алгоритмы
Сегодня мы рассмотрим базис генетических алгоритмов и напишем простенькую программку.
Термин «генетический алгоритм» относится к конкретному алгоритму, реализованному особым образом для решения определенных проблем. Хотя формальный генетический алгоритм сам по себе послужит основой для примеров, которые мы создадим в этой статье, нам не нужно беспокоиться о реализации алгоритма с идеальной точностью, учитывая, что мы ищем творческое использование эволюционных теорий.
Начнем с традиционного компьютерного генетического алгоритма. Этот алгоритм был разработан для решения задач, в которых пространство решения настолько велико, что алгоритм «грубой силы» просто занял бы слишком много времени. Например: я думаю о числе. Число от одного до одного миллиарда. Сколько времени вам потребуется, чтобы угадать это? Решение проблемы с помощью «грубой силы» относится к процессу проверки каждого возможного решения. Это один? Это два? Это три? Это четыре? И так, и так далее. Хотя удача играет здесь важную роль, с грубой силой мы будем ожидаем годы, пока вы сосчитаете до одного миллиарда. Однако что, если бы я мог сказать вам, был ли ваш ответ хорошим или плохим? Тепло или холодно? Жарко? Супер, супер холодно? Если бы вы могли оценить, насколько «подходит» предположение, вы могли бы выбрать другие числа ближе к этому предположению и быстрее найти ответ. Ваш ответ может развиваться.
Почему генетические алгоритмы?
Хотя компьютерное моделирование эволюционных процессов восходит к 1950-м годам, большая часть того, что мы сегодня называем генетическими алгоритмами (также известными как «GA»), была разработана Джоном Холландом, профессором Мичиганского университета, чья книга Adaptation in Natural and Artificial Systems была первая в исследованиях GA. Сегодня все больше генетических алгоритмов являются частью более широкой области исследований, часто называемой «Эволюционные вычисления».
Чтобы проиллюстрировать традиционный генетический алгоритм, мы начнем с обезьян. Нет, не наших эволюционных предков. Мы собираемся начать с некоторых вымышленных обезьян, которые стучат по клавишам с целью напечатать полное собрание сочинений Шекспира. Прямо как мои коллеги со своей Java, потряхивая ножкой весь день и регулируя кондиционер с окном.
«Теорема о бесконечной обезьяне» сформулирована следующим образом: Обезьяна, случайно нажимающая клавиши на пишущей машинке, в конечном итоге напечатает все произведения Шекспира (учитывая бесконечное количество времени). Проблема этой теории заключается в том, что вероятность того, что указанная обезьяна действительно напечатала Шекспира, настолько мала, что даже если бы эта обезьяна начинала с Большого взрыва, маловероятно, что у нас будет Гамлет к текущему моменту.
Давайте рассмотрим обезьяну по имени Вова. Вова печатает на уменьшенной пишущей машинке, содержащей только двадцать семь символов: двадцать шесть букв и один пробел. Таким образом, вероятность попадания Вовы в любой заданный ключ — одна из двадцати семи.
Давайте рассмотрим фразу «to be or not to be that is the question» (мы упрощаем его от оригинала «to be or not to be: that is the question»). Фраза длиной 39 символов. Если Вова начинает печатать, вероятность того, что он напечатает первый символ правильно — равна 1 к 27. Первых два символа — 1 к 27 * 27. Следовательно, вероятность того, что Вова напишет полную фразу: 
Что равно 1 к 66,555,937,033,867,822,607,895,549,241,096,482,953,017,615,834,735,226,163.
Даже если Вова — сможет печатать миллион случайных фраз в секунду, ему пришлось бы печатать в течение 9 719 096 182 010 563 073 122 (253 593 605 017 лет). (Возраст Вселенной составляет всего 13 750 000 000 лет.)
Смысл всех этих непостижимо больших чисел не в том, чтобы озадачить вас, а в том, чтобы продемонстрировать, что алгоритм грубой силы (перебор каждой случайной фразы) не является разумной стратегией для набора «to be or not to be that is the question». Нам помогут генетические алгоритмы.
Конечно, это глупая задача, ведь мы знаем ответ, а генетические алгоритмы, как правило, используются для поиска неизвестного решения. Но наша задача изучить генетические алгоритмы, Скайнет будем создавать завтра.
Естественный отбор Дарвина
Давайте рассмотрим три основных принципа эволюции Дарвина, которые потребуются при реализации нашего алгоритма. Чтобы естественный отбор происходил так, как это происходит в природе, должны присутствовать все эти три элемента:
Наследственность. Должен быть процесс, с помощью которого дети получают свойства своих родителей. Если существа живут достаточно долго, чтобы размножаться, то их черты передаются их детям в следующем поколении существ.
Вариативность (разнообразие).
Должно быть некоторое разнообразие в популяции, или что-то, что его привносит. Например, скажем, есть популяция жуков, в которой все жуки абсолютно одинаковы: одного цвета, одинакового размера, того же размаха крыльев, одинакового всего. Без какого-либо разнообразия в популяции дети всегда будут идентичны родителям и друг другу. Новые комбинации черт никогда не возникнут, и ничто не развивается.
Селекция (выборка). Должен существовать механизм, с помощью которого некоторые представители населения имеют возможность быть родителями и передавать свою генетическую информацию. Обычно это называют «выживанием наиболее приспособленных». Например, популяцию газелей, каждый день гоняют львы. Более быстрые газели с большей вероятностью избегают львов и, следовательно, с большей вероятностью живут дольше, имея возможность размножаться и передавать свои гены детям. Однако термин «наиболее подходящий» может вводить в заблуждение. Как правило, мы ассоциируем это с больше, быстрее или сильнее. В некоторых случаях, это правда, но естественный отбор основывается на том принципе, что некоторые черты лучше приспособлены к среде обитания и следовательно, от них зависит вероятность выживания и размножения. Это не имеет ничего общего с тем, что данное существо «лучше» (в конце концов, это субъективный термин) или более «физически развит». В случае печатающих обезьян более крутая обезьяна — это та, которая набрала фразу ближе к «to be or not to be».
Генетические алгоритмы — создание популяции
В рамках решения задачи о пишущих обезьянах, мы не будем создавать больше обезьян по имени Вова, одного вполне достаточно. Вместо этого, мы сформируем популяцию фраз (коллекцию строк). На этом этапе мы реализуем принцип разнообразия. Допустим наша задача получить строку cat с помощью эволюции и у нас популяция следующего вида:
hug
rid
won
Конечно, в этих трех фразах есть разнообразие, но как не миксуй, получить кошку не получится. Здесь недостаточно разнообразия, чтобы найти оптимальное решение. Однако, если бы мы имели популяцию из тысяч фраз, все полученные случайным образом, то есть вероятность, что по крайней мере один вариант в популяции будет иметь символ «c» в качестве первого символа, один будет иметь «a» в качестве второго, а один «a» в качестве третьего. Большая часть населения, скорее всего, даст нам достаточно разнообразия, чтобы сгенерировать нужную фразу (чуть позже мы введем еще один механизм для регулирования разнообразия).
Таким образом, первый шаг — создание случайной популяции.
Генотип и Фенотип
Данные которыми мы оперируем, передаем из поколения в поколение, являются генотипом. Фенотипом же является представлением этих данных.
(код цвета (генотип) и сам цвет (фенотип))
(длина (генотип) и линия(фенотип))
То каким образом записывать данные и представлять их зависит от конкретной задачи. В нашем случае, с текстом от обезьянок, особой разницы между генотипом и фенотипом нет. Разве, что мы можем записать символ в виде его ANSI кода в произвольный массив с названием genes.
Наша начальная популяция будет состоять из генерированных случайным образом генотипов — генов — ДНК. Тут уж я не биолог, +- в рамках того, что мы делаем это все одно и то же.
Генетические алгоритмы — селекция
Селекция — наука о создании новых и улучшении существующих пород домашних животных, сортов культурных растений и штаммов микроорганизмов
В нашем случае мы можем разбить селекцию на две части.
1. Оценка пригодности
Пригодность, приспособленность, годность, соответствие. Я черпаю информацию из англ источников и там это называется fitness, от fit.
Для правильного функционирования нашего генетического алгоритма нам необходима так называемая функция пригодности (Fitness function). Функция производит числовую оценку, для определения пригодности конкретного индивидуума. В реальном мире, существа просто выживают или нет. Но в случае традиционного генетического алгоритма, где мы пытаемся выработать оптимальное решение проблемы, мы должны иметь возможность дать численную оценку.
В случае с нашей задачей, мы должны оценивать правильность слов. Например для cat наиболее подходящий вариант будет car:
2. Тиндер (пул спаривания)
После того как мы оценили нашу популяцию, пора начинать играть свадьбы.
Здесь можно использовать несколько разных подходов. Например, мы могли бы использовать так называемый элитарный метод: «Какие два члена населения набрали наибольшее количество баллов? Вы двое сделаете всех детей для следующего поколения».
Это один из самых простых подходов, но в таком случае мы потеряем разнообразие. Если два члена населения (из возможно тысяч) являются единственными доступными для размножения, у следующего поколения будет мало разнообразия, и это может замедлить эволюционный процесс. Так же мы могли бы взять половину популяции, например первые 500 из 1000. Это также очень просто сделать, но такой подход не даст оптимальных результатов. В этом случае у элементов с высокими показателями будет такой же шанс быть выбранным в качестве родителя, как и у средних. И почему обезьянка номер 500 имеет возможность воспроизведения, а номер 501 уже нет?
Лучшее решение для нашего тиндера будет использование вероятностного метода, который мы назовем «колесом фортуны» (также известным как «рулетка»). Чтобы проиллюстрировать этот метод, давайте рассмотрим простой пример, где у нас есть совокупность из пяти элементов, каждый из которых имеет оценку:
Наша рулетка будет выглядеть следующим образом:
Как мы видим, B имеет наибольший шанс. Но и самые маленькие, такие как C не лишены шанса вовсе. Частенько у элементов с низкой оценкой пригодности есть те необходимые и недостающие необходимые части. Например фраза «to be or not to be»:
A: to be or not to go
B: to be or not to pi
C: xxxxxxxxxxxxxxxxbe
А и B подходят больше всего, но C содержит необходимую концовку. Поэтому не стоит исключать такие элементы из выборки.
Абсолютно любая части генетического алгоритма в которой присутствует оценка и вероятность, можно реализовать разными подходами. Следует исходить из конкретной задачи. В нашем случае можно обойтись без методов Монте Карло и прочих более сложных для реализации и понимания вещей.
Генетические алгоритмы — репродукция
Заключительная часть генетического алгоритма которая отвечает за получение следующего поколения Вованов. Это поколение перестанет трогать кондиционер каждые 5ть минут. Так же состоит из двух этапов которые следует выделить:
1. Скрещивание (Crossover)
Скрещивание предполагает создание ребенка из генетического кода двух родителей. В случае с обезьянами, давайте предположим, что мы выбрали две фразы из пула спаривания.
Родитель A: FORK
Родитель B: PLAY
Теперь мы должны сделать из этих двоих дочернюю фразу. Возможно, самый очевидный способ (давайте назовем это методом 50/50) — это взять два первых символа из A и вторые два из B, оставив нам:
Для большего разнообразия мы можем поручить выбор середины случайности. В таком случае мы можем получить из одних и тех же родителей разные дочерние фразы:
Мы можем пойти дальше и случайным образом выбирать родителя каждого отдельно взятого символа:
Но так как это не мутация, результаты схожи с подходом выше. Для нас нет особой разницы. Как я уже говорил выше, любые действия требующие случайности могут быть реализованы по-разному. В нашем случае такого подхода достаточно.
2. Мутации
Последний процесс перед добавлением нового дочернего элемента в новую популяцию — мутация. Мутация является необязательным шагом, так как в некоторых случаях она не нужна. Но она присутствует в реальном мире и в эволюции Дарвина. Нам необходима мутация для внесения разнообразия по ходу эволюционного процесса. Мы создали начальную популяцию случайным образом, убедившись, что мы начинаем с разнообразных членов популяции. Но по ходу эволюционного процесса мы будем ограничиваться разнообразием популяции которое может с каждым новым поколением уменьшаться. В конце статьи мы проведем эксперимент с различным процентом мутации и убедимся в ее необходимости.
Мутация оценивается в процентах. Допустим мы получили FORY в результате скрещивания, если процент мутации составляет 1%, то это означает, что каждый символ в FORY имеет шанс в 1% быть изменённым другим случайным символом. Это достаточно маленький процент и в 96% случаях мутация не будет происходить. Но если вдруг, то выглядеть это будет следующим образом:
Большой процент мутации, может привести к деградации следующих популяции по отношению к нашему пониманию пригодности, мы не сможем гарантировать «похожесть» детей на родителей.
Давайте подведем итоги по нашему алгоритму и запишем его в виде псевдокода:
SETUP:
Шаг 1: Инициализация, создания случайной популяции из N элементов. Каждый элемент имеет случайную ДНК.
LOOP:
Шаг 2: Селекция, оцениваем каждый элемент популяции и формируем список потенциальных родителей.
Шаг 3: Репродукция. Повторяем N раз:
Шаг 4. Новая популяция заменяет текущую и повторяем Шаг 2.
Реализация генетического алгоритма
Пора написать реализацию генетического алгоритма. Поскольку у нас есть четкий алгоритм, его реализация будет идти в том же порядке.
Зачастую в подобных вещах используется Python. У нас нет необходимости в специфических библиотеках, поэтому я используя привычный для себя JavaScript.
Если для вас JS не основной язык, думаю не составит труда по аналогии написать в любом другом. Для запуска мы будем использовать Node.js. В коде будет пометка о механизме адаптации, его я дописал, пока писал статью и его мы обсудим ниже. Без него все и так отлично работает 🙂
Для начала создадим основной класс DNA:
Класс DNA принимает длину фразы, которую хотим получить и набор ДНК, в том случае если это дочерний объект.
getRandomInt возвращает случайное число между 32 и 128 включительно. По факту это английский алфавит в ANSI коде.
DNA.js хранит символы в поле genes. Это своего рода генотип нашей фразы.
Класс популяции будет заниматься основной работой. Созданием популяции, селекции, скрещивания и мутации.
Инициализация популяции начинается с создания пустого массив размером в n, который мы передаем через конструктор. Далее на каждый элемент массива создается элемент популяции со своей случайной ДНК. Чуть ниже, сразу мы оцениванием всю популяцию на пригодность.
Мы пробегаем по фразе, и подбиваем среднее арифмитическое пригодности фразы. this.target хранится в виде фенотипа строкой. Конечно разумней сразу хранить в виде генотипа, но все для наглядности генетического алгоритма.
Прекрасный колхозный метод создания рулетки на основе подхода, который мы рассматривали выше. Берем процент пригодности конкретного элемента, создаем такое же количество его клонов и помещаем в массив. Затем когда мы будем выбирать случайным образом элемент из массива, мы будем с той же вероятностью выбирать данный элемент.
Скрещиваем двух родителей
Случайным образом выбраем середину, часть берем от первого родителя, часть от второго и ребенок готов.
Остается только провести мутацию:
Все очень просто, мы пробегаемся по всем символам фразы и в соответствии с процентом мутации заменяем или не заменяем символ на новый случайный символ.
Полный код класс популяции:
Прежде чем начать экспериментировать с нашим генетическим алгоритмом, необходимо обзавестись визуализацией. Обычно это не самая простая задача в машинном обучении, но в нашем случае все довольно просто. Так как это Node.js и заморачиваться с WebGL особо желания нет, пришлось поискать, что-то, что может работать со стандартным выводом — консолью.
К счастью существует такой вот инструмент blessed-contrib который позволяет создавать динамические дашборды.
Нас интересуют графики, их будет два. Один показывающий общую пригодность колонии, а второй количество верных результатов.
Для получения этих данных я добавил метод в класс популяции, который возвращает номер поколения, средний уровень пригодности и количество 100% совпадений.
Тестирование
И так, давайте пробовать нашу поделку.
Самое интересное это создание популяции, мы передаем необходимые параметры зарание объявив их как константы.
Данная функция создает новую популяцию и записывает статистику в массив. На основе этого массива, мы постоим графики.
sync делает необходимое количество поколений и отображает график. Асинхронный вариант может пригодиться, когда это занимает слишком много времени и хочется следить за процессом:
Результат выполнения кода выше:
Не самые удачные графики для статьи, вы их как нибудь увеличивайте в отдельной вкладке.
Как мы видим, практически сразу мы получаем 90% рост пригодности, который сохраняется на протяжении многих поколений и не подходит к 100% за счет процесса мутации.
Показатель Fintess 1, это количество 100% подходящих элементов в популяции. Есть некоторые скачки от 20 до 75 на поколение.
Давайте попробуем увеличить фразу. Hello Habr! слишком маленькая фраза и алгоритму она дается очень легко. To be or not to be:
Хороший результат, но правда первый запус дал всего один правильный ответ на 1000 поколений. Чем длинней фраза, тем возможно больше поколений необходимо для достижения правильного решения.
Увеличение количества поколений особо не влияет на результат:
Что если мы попробуем увеличить шанс мутации, с 0.1% до 1%?
При тех же остальных параметрах, результативность упала с 80% до 31-33%. Поколения слишком сильно мутируют и это не дает популяции развиваться в нужном направлении.
Адаптация
Одним из способов улучшить показатель для более длинного текста может быть механизм адаптации. Честно признаюсь, я не изучал его в плане того как он работает в природе, но я пошел логичным путем.
Если более короткие фразы дают быстре и хорошие результаты, быть может стоит бить более длинные фразы на мелкие? По мере роста процента пригодности популяции, мы будем стрессовать ее новыми данными.
И кстати это называется Адаптивные генетические алгоритмы. Полюбому стырили идею у меня.
В коде который я писал выше, уже есть возможность адаптивного подхода. Нужно лишь передать дополнительно 3 новых параметра: adaptive — использовать адаптивный подход, adaptiveThreshold — процент пригодности для удлинения фразы, cutLength — по сколько символов добавлять.
На графике отчетливо видно зубцы, это момент когда задавалась новая цель и пригодность популяции падала. В данном случае за 1000 поколений, мы не получили правильного решения. Остается только играться с параметрами, может натравить генетический алгоритм на генетический алгоритм для подбора нужных параметров?
Заключение
Мы рассмотрели самый базис генетических алгоритмов на очень простом примере. Но даже тут есть много чего улучшить. Все те места где мы делаем генерацию случайных чисел можно заменить на методы Монте Карло которые так же используются для симуляции различных сложных процессов. Изменить алгоритм выбора родителей и механизм скрещивания двух разных ДНК. Сделать плавающий процент по ипотеке мутации, ведь иногда она полезна, а иногда мешает получить 100% результат.
Генетические алгоритмы способны решать более практические задачи, оптимизации, поиска.
(В шапке пример получше, но тут смысл в эволюционном подходе с выбором пользователя. Аля логотип мечты)
Пример с умными ракетами:
Симуляция эволюции экосистемы:
(квадратики — еда)
И конечно же обучение нейронных сетей за счет генетических алгоритмов.