многоразовые регуляторные механизмы контролируют фенотипическую изменчивость [1].

Пост DIA00046 «Эволюционные жуки» содержало такое предсказание: «данные об эволюции и отображении наследованной информации в фенотип всегда будут пополняться». Развитие этой мысли в DIA00125 и в DIA00187 теперь обсуждается на языке ИИ-моделей.

Аннотация [1]. Вопрос о том, как фенотипические преобразования реализуются посредством изменений в лежащей в основе регуляторной динамике, остается центральным в биологии развития. Вдохновленные работой Д'Арси Томпсона 1917 года «О росте и форме», мы задаемся вопросом, можно ли закодировать согласованные крупномасштабные преобразования морфологии в виде низкоразмерных модуляций самоорганизующейся системы развития. Мы используем нейронные клеточные автоматы (NCA) в качестве биоинспирированных моделей распределенного развития, в которых общая локальная регуляторная сеть выращивает целевые морфологии из одной клетки. Мы применяем адаптацию низкого ранга (LoRA) к предварительно обученным NCA, представляя каждую адаптированную программу развития как модуляцию низкого ранга фиксированного регуляторного каркаса. Горизонтальное и вертикальное масштабирование полностью сформировавшегося 2D-фенотипа эмодзи может быть реализовано с помощью адаптаций первого ранга. Их линейные комбинации параметрически контролируют размер фенотипа, обобщаются за пределы обучающего распределения и комбинируются с адаптерами, специфичными для цели. Примечательно, что адаптации, изученные для одного фенотипа, переносятся без предварительного обучения на структурно и семантически разнообразные фенотипы, использующие одну и ту же эталонную структуру, при этом в значительной степени сохраняя внутренние особенности. Это предполагает возможность повторного использования гипернаправлений масштабирования на системном уровне, а не морфологических преобразований. На основе приблизительно 25 000 независимо обученных фенотип-специфических адаптеров NCA с общей структурой мы дополнительно выявляем скрытые низкоразмерные направления, которые функционально контролируют фенотипическую изменчивость, включая масштабирование, стиль и симметричное деление. В совокупности наши результаты представляют собой вычислительную реализацию замечательных преобразований сетки Д'Арси Томпсона в 2D NCA — минимальной кибернетической ткани, в которой вариации полностью сформировавшихся фенотипов эмодзи могут быть закодированы, объединены и контролированы с помощью низкоразмерных направлений в пространстве регуляторных весов.

Ключевые слова [1]: эволюционная биология развития, морфогенез, фенотипическая изменчивость, кибернетическая ткань, нейронные клеточные автоматы, низкоранговая адаптация, регуляторные сети, морфопространство, Д'Арси Томпсон

Краткое название [1]: LoRA-NCA: низкоранговый регуляторный контроль фенотипической изменчивости

Основные моменты [1]:

• LoRA эффективно используется для точной настройки сложных динамических систем, таких как NCA.
• LoRA позволяет сопоставлять фенотипические вариации с регуляторной модуляцией в кибернетических системах.
• Соответствующее пространство регулятивных весов имеет семантическую геометрию с функциональными гипернаправлениями.
• Мы обучаем модели и эмпирически находим универсальные гипернаправления в регуляторном пространстве, которые обобщаются на различные фенотипы с общей регуляторной логикой.
• Разложение LoRA предоставляет принципиальный способ выявления таких низкоранговых регуляторных механизмов для нисходящего контроля кибернетических тканей, что имеет серьезные последствия для эволюционной изменчивости и биологической пластичности в целом.
• Преобразования сетки, предложенные Д'Арси Томпсоном (1917), можно контролировать с помощью таких скрытых регуляторных механизмов, предсказанных Говардом Патти (1973).

Модуляции самоорганизующегося морфогенеза направляют фенотипические преобразования и формируют семантическое весовое пространство регуляторного механизма. (A) Декартовы преобразования сетки Д'Арси Томпсона связывают фенотипические формы, здесь на примере превращения рыбы-ежа в рыбу-солнце.(B) Схематическое изображение того, как модуляции на регуляторном уровне самоорганизующегося морфогенеза направляют фенотипические преобразования. Многоклеточный морфогенез может быть смоделирован с помощью нейронных клеточных автоматов (NCA), которые включают клеточных агентов, числовые состояния которых обновляются общей искусственной нейронной сетью (ANN), управляющей клеточным восприятием и обновлением клеточных состояний в локальном контексте многоклеточной сетки. В то время как клеточные состояния в НКА напоминают физиологические состояния биологических клеток, их ИНС операционализируют генно-регуляторные сети (GRNs), ответственные за локальное межклеточное принятие решений для достижения коллективных результатов на системном уровне. Низкоразмерные модуляции регуляторных параметров — в нашем случае параметров ANN — вызывают адаптированное клеточное поведение на микроуровне, которое может быть направлено на эффективные преобразования на системном уровне. (C) Обучение NCA на различных целевых объектах эмодзи выявляет семантически структурированное и управляемое пространство весов. В этой работе мы провели тонкую настройку ≈ 25 000 NCA с общим каркасом, созданные с помощью адаптации низкого ранга (LoRA). Веса LoRA организуются в семантическое пространство весов, что визуализируется на диаграмме рассеяния уменьшения размерности UMAP, раскрашенной по группам эмодзи. Доминирующие главные компоненты в пространстве весов LoRA контролируют глобальные целевые признаки, такие как размер фенотипа; линейное перемещение параметров базовой NCA в нейронной сети вдоль этих главных направлений приводит к прогрессивным высокоуровневым преобразованиям формы с сохранением специфических для фенотипа признаков [1].

1. Hartl, Benedikt, Milton L. Montero, Marcello Barylli, Sebastian Risi, and Michael Levin. On Growth and Form, and Function. Reusable Regulatory Handles Control Phenotypic Variation // Preprint arXiv_2609.29755 (v1 24 Sep 2026). doi 10.48550/arXiv.2609.29755.