Читаем статью Eric Lagasse and Michael Levin. Future medicine: from molecular pathways to the collective intelligence of the body // Trends in Molecular Medicine 29 (9), 687-710 (2023).

Медицина будущего: от молекулярных путей к коллективному разуму организма.

Вставка 1 (перевод). Многомасштабная архитектура компетенций: вложенный коллективный разум и значение для регенеративной медицины

Одним из замечательных свойств тела является то, что способность решать проблемы существует на всех уровнях организации и действует в разных проблемных пространствах. Молекулярный интеллект проявляется в отдельных молекулах, осуществляющих хемотаксис [149] и в генно-регуляторных сетях и путях, которые формируют воспоминания, управляемые предыдущими моделями стимулов [7, 24, 25, 26, 150]. Цитоскелетные структуры могут вероятно кодировать память [151], а внеклеточный матрикс (ECM) часто используется клетками в качестве стигмергического блокнота PIT00581 для координации активности – точно так же, как окружающая среда используется более знакомыми коллективными разумами, такими как колонии муравьев [152]. Таким образом, ЕСМ может быть привлекательной целевой средой для манипулирования восприятием клеток и их последующим поведением в биомедицинском контексте. Клеточный интеллект демонстрирует определенную степень компетентности, особенно в способности ориентироваться в сложных средах (например, в тканях in vivo или в инженерных лабиринтах) путем интеграции и определения приоритетности сигналов (из микроокружения или самостоятельно генерируемых сигналов) [11, 12, 153, 154]) и принимать решения на основе истории восприятий [1]. Ткани меняют экспрессию генов, чтобы обеспечить функционирование, несмотря на мощные токсины, без прямой эволюционной адаптации [22] – пример решения проблем и обобщения, основанный на реакциях на предыдущие стрессоры, которые имеют некоторые общие черты. На уровне целых органов биология развития изобилует примерами решения морфогенетических проблем путем развития и регенерации систем, которые достигают сложных анатомических результатов, несмотря на неожиданные изменения в наборе хромосом, размере и количестве клеток или крупномасштабных повреждениях [6]. Все эти способности в физиологических, транскрипционных и анатомических проблемных пространствах реализуют определение интеллекта, данное Уильямом Джеймсом, как способность достигать конкретных целей различными средствами. Все уровни компетентности могут быть использованы в биомедицинских целях. На уровне тканей и органов простые физиологические триггерные стимулы могут вызывать сложный самоограничивающийся органогенез для регенерации [69]. На уровне одноклеточного интеллекта протоколы временной стимуляции могут использовать ассоциативное кондиционирование лекарств, чтобы нарушить фармакологическое привыкание (и, таким образом, расширить регенеративную эффективность) терапии [26, 138]. На обоих уровнях сброс заданных гомеостатических значений позволяет организму поддерживать здоровое состояние без постоянного вмешательства [54, 63]. Помимо передачи целей и сигналов клеткам, существует замечательная возможность обучения с помощью клеточных сетей – используя инструменты искусственного интеллекта (ИИ) для считывания их внутренней памяти и состояний убеждений (сродни нейронному декодированию) и построения in silico модели мощных собственных способностей к обобщению и решению проблем в физиологических/транскрипционных сетях клеток [22] для идентификации генетических и транскрипционных мишеней, соответствующих желаемым результатам (т.е. использование способности клеток решать новые проблемы, чтобы помочь биоинженерам решить обратную задачу, которая ограничивает использование CRISPR и подобных технологий [2]). End-Вставка 1.

Box 1. Multiscale competency architecture: nested collective intelligences and implications for regenerative medicine.

One remarkable property of the body is that problem-solving capacity exists at all scales of organization, and acts across different problem spaces. Molecular intelligence manifests in individual molecules that perform chemotaxis [149] and in the gene-regulatory networks and pathways that form memories driven by previous patterns of stimuli [7,24–26,150]. Cytoskeletal structures can plausibly encode memory [151], and the extracellular matrix (ECM) is often used by cells as a stigmergic scratchpad to coordinate activity – exactly as the environment is used by more familiar collective intelligences such as ant colonies [152]. Thus, the ECM can be an attractive target medium in which to manipulate cell perceptions and subsequent behavior in biomedical contexts. Cellular intelligence exhibits degrees of competency, especially in the ability to navigate complex environments (e.g., in vivo tissues or engineeredmazes) by integrating and prioritizing cues (from the microenvironment or self-generated [11,12,153,154]) and making decisions based on a history of perceptions [1]. Tissues change gene expression to enable function despite powerful toxins with no direct evolutionary adaptation [22] – an example of problem-solving and generalization based on responses to prior stressors that share some common features. At the level of whole organs, developmental biology abounds with examples of morphogenetic problem-solving by developing and regenerating systems which achieve complex anatomical endpoints despite unexpected changes in chromosome complement, cell size and number, or large-scale injury [6]. All these capabilities, in physiological, transcriptional, and anatomical problem spaces, implement WilliamJames' definition of intelligence as the ability to reach specific goals by diversemeans. All competency levels can be exploited for biomedical purposes. At the level of tissues and organs, simple physiological trigger stimuli can induce complex, self-limiting organogenesis for regeneration [69]. At the level of single-cell intelligence, time-dependent stimulation protocols can exploit associative conditioning of drugs to break pharmacological habituation of (and thus extend the regenerative efficacy of) therapeutics [26,138]. At both levels, resetting homeostatic setpoints enables an organismtomaintain a healthy state without constant intervention [54,63]. In addition to communicating goals and signals to cells, there is the exciting opportunity of learning from cellular networks – by using tools of artificial intelligence (AI) to read out their internalmemory and belief states (akin to neural decoding), and building in silico models of the powerful native generalization and problem-solving capacities in cell physiological/transcriptional networks [22] to identify genetic and transcriptional targets relevant to desired outcomes (i.e., using the ability of cells to solve novel problems to help bioengineers to solve the inverse problem that limits the use of CRISPR and similar technologies [2]).