A sejtek matematikájának gyönyörű szimfóniája, az élet

– Eredetileg színésznek készültem, aztán véletlenül fizikus lettem. Mindkét szenvedélyemre, a tudományra és a színészkedésre az Apáczaiban töltött éveim alatt találtam rá. A tudományos munkával és gondolkodással egy kutatási projekten keresztül ismerkedtem meg, amit Vörös Alpár (akkor még nem az iskola igazgatójaként) indított és mentorált. Szép sikereket értünk el Fodor Norbert kollégámmal. (Vicces, az akkor diákként publikált munkánk ajánlott olvasmány lett az ELTE egyik szakán.) Ez ültette el a tudomány szeretetének a magját, aztán arról is meggyőztek, hogy ezt a magot a BBTE Fizika karán tudnám a legjobban kicsíráztatni. Rögösen indult, de aztán jól sült el, ezért nagy köszönet a mentoraimnak! És a színészkedést sem kellett feladnom, hat évig voltam a Tükör diákszínjátszó csapat tagja, amiből három évig felelős vezetőként is tevékenykedtem.

Matematikával az öngyilkos sejtekről

– Tavaly OTDK aranyéremmel, Pro Sciencia díjjal tüntettek ki, az idén tavasszal cikked jelent meg a Nature Scientific Reportsban. Milyen kutatások ezek?

– Az OTDK díját egy módszer kifejlesztésére kaptam, amit a BBTE Fizika Karán dolgozó csoportunkkal fejlesztettünk ki Ercsey-Ravasz Mária vezetésével. A módszer mindenféle hálózatokban képes közösségeket (úgynevezett klasztereket) detektálni. Közösség alatt azt értjük, amikor a hálózat bizonyos alrészei sűrűbben kapcsolódnak egymáshoz, mint a hálózat többi részéhez. Erre szemléletes példa: egy iskolában egy osztályon belül mindenki ismer mindenkit, de a többi osztállyal valamivel kevesebb ismeretségi kapcsolat van. Hasonló struktúrákat figyelünk meg a természetben, és azért fontos ezeket a struktúrákat azonosítani, mert általában a különböző csoportok, modulok különböző feladatokért felelősek (akár egy munkahelyen). Például a sejteken belül működő komplex hálózatokban egyes funkcionális csoportok is ilyen formában nyilvánulnak meg. Szóval ezeknek a strukturális egységeknek az általános keresésére publikáltunk egy heurisztikus módszert, erre kaptam az OTDK-n első díjat. (Közösségek keresése gráf Voronoj diagramok segítségével – New Journal of Physics 2014)

A másik kutatásunk nagyobb dolgot markolt meg, ezt a Harvard Medical School-lal együttműködésben kezdtük el Ravasz-Regan Erzsébet vezetésével. Menet közben csatlakoztam a kutatáshoz. Kétszer volt szerencsém meglátogatni őket Bostonban, amitől még mindig gyermetegen ugrálok örömömben néha. Ezt a munkánkat a Nature Scientific Reportsban publikáltuk idén: Dinamikus modularitás törvényei biológiai szabályozó hálózatokban (Principles of dynamical modularity in biological regulatory networks).

Miután a Humán Genom Projekt akkora siker volt az ezredfordulón, mindenki arra számított, hogy a gyógyszerek száma robbanásszerűen megnő, és minden betegséget egyből meg tudunk majd gyógyítani. Ezzel szemben azt látjuk, hogy 9 évente felére csökken az egy milliárd dollár kutatási pénzre jóváhagyott gyógyszerek száma. Tehát egyre kevesebb és kevesebb sikeres gyógyszerkutatás van, egyre kevesebb hatékony gyógyszer jön ki. Ez főleg annak tudható be, hogy ugyan egyre többet tudunk arról, hogy mi történik a sejtjeinkben, de egyre kevesebbet értünk. Szinte heti/napi szinten felfedeznek új protein- meg géninterakciókat, viszont nem értjük a sejtek magas szintű működését. Vagyis szét tudunk szedni egy autót alkatrészekre, értjük is, hogy bizonyos részek mit csinálnak, de nem tudjuk többet összerakni. S emiatt ha el is romlik, avagy megbetegszünk, egyes alkatrészeket meg tudunk bütykölni, de nem mindig tudjuk megjavítani az autót, hogy az tovább is menjen. Feltételezésünk szerint van néhány alapvető törvényszerűség, amely ebben a nagyon komplikált rendszerben a rendért felelős. Cikkünk ebbe az irányba tesz egy, reményeink szerint nagy lépést.

Minden ilyen biológiai rendszerben különálló modulok dolgoznak együtt és állnak interakcióban. Mindegyik valamilyen külön feladat megoldásáért felelős, és ezek a modulok hierarchikusan egymásba épülnek, kezdve a nagyon bonyolult kémiai interakciótól a szerveink szintjéig. Fontos tulajdonsága e moduloknak, hogy bár felépítésükben nagyon bonyolultak, viszonylag egyszerű problémákat oldanak meg. Többnyire úgy működnek, mint kapcsolók. Hogy egy leegyszerűsített példával éljek, mondjuk X protein csoport azt figyeli, van-e elég kaja a sejtben, Y meg azt, hogy az alaprajz, a DNS nem sérült-e meg (mondjuk egy vírus nem támadta-e meg). Z modul figyeli X-t és Y-t. Ha X átkapcsol, azt üzenve, hogy van elég kaja, Y meg azt jelzi, hogy minden rendben a DNS-sel, Z modul elindítja a DNS másolását s ezzel a sejtosztódást. Ha Y azt üzeni, hogy baj van a DNS-sel, Z beindítja az apoptózist, azaz a sejt öngyilkos lesz. Ha tegyük fel, valami ebben a rendszerben meghibásodik, és esztelen másolásba kezd a sejt, akkor beszélhetünk rákról. Hasonló interakciók döntik el a gének szintjén azt is, hogy kék lesz-e a szemünk vagy éppen zöld. Ezeknek a rendszereknek az általános megértésére dolgoztunk ki matematikai modellt, és azt vizsgáltuk, hogy a több szinten jelen lévő kapcsolók jelzései hogyan épülnek egymásra, hogyan szerveződnek ilyen gyönyörű szimfóniává, mint az élet. Kimértük ezeket a matematikai törvényszerűségeket az emlősök sejtjeiben, sejtciklusában és bár kevés a kísérleti bizonyíték, az eredmények a modellünk működésére nagyon biztatóak. Ha ennek univerzálisabb alkalmazhatóságát is megtaláljuk egyéb rendszerekben, akár az agyban is, az sokkal mélyebb megértést nyújthat arról, hogy az evolúció hogyan old meg konkrét problémákat, lebontva azokat alfeladatokra, illetve betekintést nyújthat például abba, hogy különböző betegségek hogyan fejtik ki hatásukat az egész interaktív hálózatra. Ha értjük a hálózatot, sokkal jobban meg tudjuk érteni, hogy ezek a betegségek mit rontanak el és bizonyos kezelések esetleg milyen mellékhatásokkal járnak, illetve hogyan lehet ezeket a kezeléseket okosan alkalmazni, hogy a mellékhatásokat, járulékos veszteségeket minimalizáljuk a sejten belül.

– A nagy kutatáson belül mi volt a konkrét feladatod?

– Már az államvizsgámat is regulációs hálózatokból írtam Lázár Zsolt vezetésével, ami lényegében annak a modellnek az alapja, amit a kutatásban is használtunk. Az alapgondolat az, hogy rengeteg egyébként kémiailag nagyon bonyolult rendszer egyszerű kapcsolóként viselkedik, ezért nagyon kézenfekvő úgynevezett Bool algebrával modellezni az interakciókat. Ezek a modellek jól működnek kísérleti eredmények reprodukálására is. Koppenhágai konferencián találkoztunk Erzsóval (Ravasz- Regan Erzsébet, a munka fő vezetője, aki a Harvard Medical School egy kutatóintézetében évekig kemény biológiát tanult), amikor először mesélt a munkájáról, és mivel én pont hasonló dolgokból írtam az államvizsgámat, kézenfekvő volt az együttműködés, hála Mária támogatásának is. A cikkben leírt három fő törvényszerűség már nagyjából kibontakozott, amikor csatlakoztam, én a matematikai megfogalmazásban segítettem és a szimulációk megírásában.

Miért nem tudnak sakkozni a Google autói?

– Lesz valamiféle folytatása a kutatásnak?

– Már beszéltünk erről, hogy a sejtek szintjén csak akkor tudnánk folytatni, ha én ott lennék vele. Amíg doktorálok, nem sok lehetőség lesz erre. Viszont született sunyiban egy gondolat, hogy az általunk megfogalmazott törvényszerűségeket nagy valószínűséggel alkalmazni lehetne a mesterséges intelligenciában is. Arra számítunk, hogy ez az agyban hasonlóképpen működik, mert ott is mindenféle egymásba épülő hierarchiák vannak. Azonban egyikünk se ért hozzá, úgyhogy most rajtam a sor, hogy egy kis kitérő kalandra induljak egy más terület irányába.

A doktori tézisem a kognitív tudományok irányába kezdett elterelődni, jelenleg úgy néz ki, hogy vizuális reprezentációval fogok foglalkozni. A vizuális reprezentáció azt vizsgálja, hogyan képes az agyunk felismerni dolgokat, amiket látunk, majd azokat megtanulni és bármikor előhívni. Ez nagyon jelentős és aktuális probléma, mert a jelenlegi mesterséges intelligenciák elég buták, főleg azok, amelyeknek látniuk is kell.

– Mit értünk mesterséges intelligencia alatt?

– A mesterséges intelligencia eléggé popkulturális fogalom, illetve nagyon általános, mert nagyon sok alága és alkalmazhatósága van. Amiről én tudok kicsit és legnagyobb alkalmazásnak örvend, az úgynevezett gépi tanulás (machine learning), ami azt jelenti, hogy mindenféle komputácionális modellekkel óriási adathalmazokban keresünk mintázatokat, törvényszerűségeket. Innen tudja a Facebook, hogy kit ajánljon barátnak, a Google, hogy mire akarunk rákeresni (igen, ugyanarra a keresésre valaki másnak a számítógépe mást fog kidobni) vagy az Amazon, hogy mit akarunk vásárolni. De kormányok is alkalmaznak ilyen adatelemző módszereket korrupció vagy terroristák azonosítására. A Google úgynevezett Deep Learning algoritmusai megverték a világ legjobb GO játékosát, de már rég meg tudnak sakkban is verni egy nagymestert. Ha egy specifikus tudásra megtanítasz egy ilyen algoritmust, abban sokkal jobb, mint az ember. Az egyetlen probléma, amiért nincsenek sci-fibe illő mesterséges intelligenciák, akik átveszik az uralmat felettünk, hogy csak egy nagyon specifikus tudásra tudsz megtanítani egy ilyen algoritmust. Azt nagyon jól csinálja, de nincs általános készsége kritikus gondolkodásra és új dolgok elsajátítására. Pl. a Google autóival, akik jobban vezetnek, mint az átlag romániai, hiába próbálsz meg egy izgalmas sakkpartit lejátszani, csalódni fogsz.

A kutatásoknak általában az a célja, hogy reprodukáljuk, amire az ember képes, de ez lassú és nehéz folyamat. Hogyan kódolja az agyunk, amit lát, hogy tud egy kisgyerek olyan gyorsan új dolgokat megtanulni, majd azokat általánosítani? Erre jelen pillanatban nincs egyhangú válasz.

Csak még meg kell építeni a hidat a sejttől a gépig

– Személyes kutatásod szintjén mi az, amivel konkrétan fogsz foglalkozni ezen belül?

– Például nagyon érdekes probléma, hogy ha egy akármilyen jelenlegi képfelismerő gépnek mutatok egy képet, ahol a poharam eltakarja a telefonodat, akkor ő fog látni egy fekete háromszöget, ami a telefonodnak a sarka, de nem fogja tudni, hogy ez egy telefon. Én tudom, hogy ez egy telefon és felismerem akkor is, ha csak a felét látom. Nem tűnik fontosnak, de nagyon fontos teljesítménye az agynak, hogy tudja, mi van a takarás mögött. Ez nyilván kapcsolódik a térlátáshoz, meg ahhoz, hogy az agyunkban helye van a különböző kontextusoknak. Meg persze láttam már korábban a telefonod, és elő tudom hívni. Ezek is pontosan olyan hierarchikusan egymásba épülő rendszerek, akik felelősek azért, hogy döntéseket hozzunk és kikövetkeztessünk dolgokat. Ezt az agyban működő magas szintű rendszert sem igazán értjük. Arra számítok, hogy hosszú távon a sejtek szintjén talált törvényszerűségeket át tudom hozni egy gép szintjére, és reméljük, hogy ettől sokkal okosabb lesz. Csak még meg kell építeni a hidat.

A rovatot támogatja: