Биологам известно, что микробы изменяют состав внутри клеток, реагируя на внешние стрессы. В изменчивых условиях они эффективнее адаптируются к знакомым угрозам. Однако физические основы хранения такой информации долго оставались загадкой. Теории описывали реакцию бактерий как марковский процесс: будущее клетки зависело только от ее текущего состояния. Науке требовался механизм, объясняющий, как системы без нервных узлов интегрируют временные данные и прогнозируют будущее.
Эксперимент с пульсирующей средой
Ученые исследовали клеточную память. Они разместили бактерии штамма MG1655 в микрофлюидном чипе с тысячами микроскопических каналов. Шприцевые насосы непрерывно подавали микробам жидкую питательную среду. Периоды бедной пищи (ацетат натрия) сменялись богатой (глюкоза и 11 аминокислот). Длительность этих пульсаций строго контролировалась: один, два, три, четыре или шесть часов.
Анализ поведения клеток
Каждые две минуты микроскоп фиксировал изображения. Алгоритмы компьютерного зрения обрабатывали данные. Для каждого режима пульсации ученые отследили физические параметры и вычислили мгновенную скорость деления примерно у 30 000 отдельных клеток.
Новаторская математическая модель
Данные сравнили с прогнозами классических марковских моделей. Когда стандартные уравнения не смогли описать поведение клеток в пульсирующей среде, исследователи создали новую модель. Она основана на дифференциальных уравнениях дробного порядка. В отличие от обычных производных, дробные учитывают нелокальную динамику: текущее состояние системы математически зависит от всей ее предыстории.
Непрерывная память бактерий
Эксперименты доказали: память бактерий не ограничена одним временным отрезком. Внутри клетки одновременно активны быстрые и медленные молекулярные механизмы. Это позволяет микробу непрерывно помнить историю изменений среды — от событий пятиминутной давности до происходившего часами ранее.
Переходя из бедной среды в богатую, клетки постепенно наращивали скорость деления. Чем чаще пища пульсировала в прошлом, тем быстрее бактерии адаптировались к новой порции. Однако постоянная готовность к дефициту заставляла клетки снижать скорость деления в благоприятные периоды, по сравнению с бактериями в постоянном изобилии.
Рибосомы как носитель памяти и аналогия с RNN
Согласно модели, физическим носителем памяти выступают рибосомы. Ученые предположили: бактерия разделяет популяцию своих белоксинтезирующих комплексов на функциональные подгруппы с разным временем инактивации. При частой смене условий клетка перераспределяет ресурсы в пользу "быстрых" рибосом, динамически оценивая ожидаемую стоимость среды. Исследователи допускают, что эту роль выполняет сигнальная молекула ppGpp. Ее концентрация резко растет при голодании и медленно снижается позже.
Архитектура этой внутриклеточной реакции точно повторяет структуру непрерывных рекуррентных нейронных сетей (RNN). Питательные вещества здесь — входной сигнал, фракции рибосом формируют "скрытый слой" памяти, а скорость роста — выходной параметр.
Адаптивное шлюзование: клеточный аналог LSTM
Распределение подгрупп рибосом работает как адаптивный механизм шлюзования. Клетка фильтрует входные сигналы подобно алгоритмам долгой краткосрочной памяти (LSTM) в машинном обучении. Бактерия динамически переоценивает входящую информацию. Это позволяет ей сохранять память об истории среды и быстро стирать ее при изменении контекста.
Исследование продемонстрировало потрясающий факт: даже простейшие одноклеточные способны непрерывно обучаться на молекулярном уровне. Они решают сложные вычислительные задачи без участия нервной системы.
Источник: naked-science.ru
