uwaga - brak zdjęć - zdjęcia w oryginalnym artykule
przedruk
tłumaczenie automatyczne
Skalowalny potok do projektowania
rekonfigurowalnych organizmów
Zobacz profil ORCIDSam Kriegman , Douglas
Blackiston , Michael Levin i Josh Bongard
Zobacz wszystkich autorów i afiliacje
PNAS 28 stycznia 2020 r. 117 (4) 1853-1859; po
raz pierwszy opublikowano 13 stycznia 2020
r.; https://doi.org/10.1073/pnas.1910837117
Pod redakcją Terrence'a J. Sejnowskiego, Salk Institute for
Biological Studies, La Jolla, CA, zatwierdzony 26 listopada 2019 r.
(do recenzji 24 czerwca 2019 r.)
Znaczenie
Większość technologii jest wykonana ze stali,
betonu, chemikaliów i tworzyw sztucznych, które z czasem ulegają
degradacji i mogą powodować szkodliwe skutki uboczne dla środowiska
i zdrowia. Przydałoby się zatem budowanie technologii z
samoodnawialnych i biokompatybilnych materiałów, z których
idealnymi kandydatami są same żywe systemy. Dlatego
przedstawiamy tutaj metodę, która projektuje całkowicie
biologiczne maszyny od podstaw: komputery automatycznie projektują
nowe maszyny w symulacji, a najlepsze projekty są następnie
budowane przez połączenie różnych tkanek biologicznych. Sugeruje
to, że inni mogą wykorzystać to podejście do projektowania
różnych żywych maszyn, aby bezpiecznie dostarczać leki do
ludzkiego ciała, pomagać w rekultywacji środowiska lub dalej
poszerzać naszą wiedzę na temat różnych form i funkcji, jakie
może przyjmować życie.
Abstrakcyjny
Żywe systemy są bardziej solidne, różnorodne,
złożone i wspierają ludzkie życie niż jakakolwiek dotychczas
stworzona technologia. Jednak nasza zdolność do tworzenia
nowych form życia jest obecnie ograniczona do różnych istniejących
organizmów lub bioinżynierii organoidów in vitro. Tutaj
pokazujemy skalowalny potok do tworzenia funkcjonalnych nowych form
życia: metody sztucznej inteligencji automatycznie projektują różne
kandydujące formy życia in silico, aby wykonać jakąś pożądaną
funkcję, a następnie tworzone są projekty, które można przenieść
za pomocą zestawu narzędzi konstrukcyjnych opartych na komórkach,
aby zrealizować żywe systemy z przewidywanymi zachowaniami. Chociaż
niektóre etapy tego procesu nadal wymagają ręcznej interwencji,
pełna automatyzacja w przyszłości utoruje drogę do projektowania
i wdrażania unikalnych, dostosowanych do potrzeb systemów
mieszkalnych dla szerokiego zakresu funkcji.
Większość nowoczesnych technologii jest konstruowana z materiałów
syntetycznych, a nie żywych, ponieważ te pierwsze okazały się
łatwiejsze do zaprojektowania, wyprodukowania i utrzymania; żywe
systemy wykazują solidność struktury i funkcji, a zatem mają
tendencję do opierania się przyjmowaniu nowych narzuconych im
zachowań. Gdyby jednak żywe systemy mogły być stale i szybko
projektowane ab initio i wdrażane do pełnienia nowych funkcji, ich
wrodzona zdolność do opierania się entropii mogłaby znacznie
przekroczyć użyteczne czasy życia naszych najsilniejszych, ale
statycznych technologii. Jako przykłady tej odporności, rozwój
i regeneracja embrionów ujawniają niezwykłą plastyczność,
umożliwiając komórkom lub całemu układowi narządów
samoorganizację funkcji adaptacyjnych pomimo drastycznej deformacji
( 1 , 2). Wykorzystywanie zdolności
obliczeniowej komórek do funkcjonowania w nowych konfiguracjach
sugeruje możliwość stworzenia syntetycznej morfologii, która
pozwala uzyskać złożone, nowatorskie anatomii dzięki korzyściom
zarówno pojawiania się, jak i kierowanego samoorganizacji ( 3 ).
Obecnie istnieje kilka metod projektowania i budowy systemów
mieszkaniowych na zamówienie. Organizmy jednokomórkowe zostały
zmodyfikowane przez zrefaktoryzowane genomy, ale takie metody nie są
jeszcze skalowalne do racjonalnej kontroli wielokomórkowego kształtu
lub zachowania ( 4 ). Syntetyczne organoidy można
wytworzyć przez wystawienie komórek na specyficzne warunki hodowli,
ale nad ich strukturą (a zatem funkcją) dostępna jest bardzo
ograniczona kontrola, ponieważ wynik jest w dużej mierze
wyłaniający się, a nie pod kontrolą eksperymentatora ( 5 ). I
odwrotnie, wysiłki bioinżynieryjne z rusztowaniami 3D zapewniają
lepszą kontrolę ( 6 ⇓ - 8), ale niemożność
przewidzenia behawioralnych skutków arbitralnej konstrukcji
biologicznej ograniczyła montaż do maszyn biologicznych, które
przypominają istniejące organizmy, zamiast odkrywania nowych form
za pomocą automatycznego projektowania.
Tymczasem postęp w wyszukiwaniu obliczeniowym i drukowaniu 3D
zaowocował skalowalnymi metodami projektowania i szkolenia maszyn in
silico ( 9 , 10 ), a następnie wytwarzania ich
fizycznych egzemplarzy ( 11 ⇓ – 13 ). Większość
z tych podejść wykorzystuje ewolucyjną metodę wyszukiwania ( 14),
która, w przeciwieństwie do metod uczenia, umożliwia
zaprojektowanie fizycznej struktury maszyny wraz z jej
zachowaniem. Te ewolucyjne metody projektowania nieustannie
generują różnorodne rozwiązania danego problemu, co okazuje się
przydatne, ponieważ niektóre projekty mogą być fizycznie lepsze
niż inne. Co więcej, są one niezależne od rodzaju
projektowanego artefaktu i funkcji, jaką powinien zapewniać: ten
sam algorytm ewolucyjny można przekonfigurować w celu projektowania
leków ( 15 ), maszyn autonomicznych ( 11 , 13 ),
metamateriałów ( 16 ) lub architektury ( 17). ).
W tym miejscu
demonstrujemy skalowalne podejście do projektowania żywych systemów
in silico przy użyciu algorytmu ewolucyjnego i pokazujemy, jak
wyewoluowane projekty można szybko wytwarzać przy użyciu zestawu
narzędzi do budowy opartej na komórkach. Podejście jest
zorganizowane w postaci liniowego potoku, który przyjmuje jako dane
wejściowe opis biologicznych elementów budulcowych, które mają
być użyte, oraz pożądane zachowanie, jakie powinien wykazywać
wytwarzany system ( rys. 1 ). Rurociąg nieprzerwanie
wytwarza wydajne żywe systemy, które ucieleśniają to zachowanie
na różne sposoby. Powstałe w ten sposób żywe systemy to
nowe agregaty komórek, które pełnią nowe funkcje: powyżej
poziomu komórkowego w niewielkim stopniu przypominają istniejące
organy lub organizmy.
Wyniki
Rurociąg jest
zorganizowany jako sekwencja generatorów i filtrów ( załącznik
SI , rys. S1 ). Pierwszy generator to algorytm
ewolucyjny, który odkrywa różne sposoby łączenia ze sobą
biologicznych elementów budulcowych w celu realizacji pożądanego
zachowania. Najpierw tworzona jest populacja losowych
projektów. Następnie każdy projekt jest symulowany w
środowisku wirtualnym opartym na fizyce i automatycznie przypisywany
jest wynik wydajności. Mniej wydajne projekty są usuwane i
zastępowane losowo modyfikowanymi kopiami bardziej wydajnych
projektów. Powtarzanie tego procesu daje populacje wydajnych i
różnorodnych projektów ( ryc. 2 ).
Ponieważ
prawdopodobnie istnieje wiele różnic między symulowanymi i
docelowymi środowiskami fizycznymi, wydajne projekty są
przepuszczane przez filtr odporności, który pozwala na przejście
tylko projektów, które utrzymują pożądane zachowanie w obliczu
hałasu ( Załącznik SI , sekcja S7 ). Poprzednie
prace wykazały, że odporność na hałas w symulacji jest prostym i
skutecznym predyktorem tego, czy projekt zachowa swoje zachowanie po
fizycznym wystąpieniu ( 18 ).
Przetrwałe konstrukcje odporne na hałas są
następnie przepuszczane przez filtr budowy ( załącznik SI ,
ryc. S4 ), który usuwa projekty, które nie są odpowiednie dla
obecnej metody budowania ( załącznik SI , ryc. S6 )
lub są mało prawdopodobne, aby można je było skalować do
bardziej złożonych zadań w przyszłe wdrożenia. Wytwarzalność
projektu zależy od minimalnej wielkości wklęsłości, która
utrzyma się w skupiskach rozwijających się komórek macierzystych,
które mają tendencję do zamykania małych luk w ich wspólnej
geometrii ( dodatku SI , ryc. S7 ). Skalowalność
projektu zależy od jego proporcji w tkance biernej, która zapewnia
przestrzeń dla przyszłych układów narządów lub ładunków
( załącznik SI , ryc. S13 ).
Projekty, które z powodzeniem przechodzą
przez filtr budujący, są następnie budowane z żywych
tkanek. Pluripotencjalne komórki macierzyste są najpierw
zbierane z zarodków Xenopus laevis w stadium
blastuli , dysocjowane i łączone w celu uzyskania pożądanej
liczby komórek. Po okresie inkubacji zagregowana tkanka jest
następnie ręcznie kształtowana przez odejmowanie za pomocą
kombinacji szczypiec mikrochirurgicznych i 13-μm elektrody
kauteryzacyjnej z końcówką drucianą, co daje biologiczne
przybliżenie symulowanego projektu. Co więcej, tkanka
kurczliwa może zostać włożona do organizmu poprzez pobranie i
osadzanie Xenopussercowe komórki progenitorowe, typ komórek
pochodzenia embrionalnego, który naturalnie rozwija się w
kardiomiocyty (mięsień sercowy) i wytwarza fale skurczowe w
określonych miejscach w powstałej formie ukształtowanej ( SI
Dodatek , Ryc. S6 ).
Ostatecznym produktem tej procedury jest żywe, trójwymiarowe
przybliżenie rozwiniętego projektu, który posiada zdolność do
samodzielnego poruszania się i eksplorowania środowiska wodnego
przez okres dni lub tygodni bez dodatkowych składników
odżywczych. Organizmy te są następnie umieszczane w ich
środowisku fizycznym, a wynikowe zachowanie, jeśli w ogóle, jest
obserwowane ( ryc. 3 ). Zachowania są następnie
porównywane z tymi przewidywanymi przez ich symulowane odpowiedniki
w celu określenia, czy lub jak dobrze zachowania przeszły z silico
do vivo ( Fig. 4 ).
Po rozmieszczeniu i zaobserwowaniu kilku
organizmów jest prawdopodobne, że wykazują one różne ilości
pożądanego zachowania. Powszechne wzorce wśród udanych
systemów są sprowadzane do ograniczeń i dostarczane z powrotem
do algorytmu ewolucyjnego, który obecnie rozwija projekty, które
są nie tylko wydajne, ale także zgodne z ograniczeniami
( Załącznik SI , sekcja S6 ). Zwiększa to
prawdopodobieństwo powodzenia kolejnych prób od projektu do
wdrożenia.
Organizmy rekonfigurowalne wyewoluowały tak,
aby wykazywały cztery różne zachowania: lokomocję, manipulację
obiektami, transport obiektów i zachowanie zbiorowe ( Dodatek
SI , sekcja S10 ). Aby to osiągnąć, rurociąg
został wykorzystany czterokrotnie.
Lokomocja.
Aby uzyskać zróżnicowaną populację projektów, przeprowadzono
100 niezależnych prób algorytmu ewolucyjnego ( ryc.
2 A – C ), z których każde rozpoczynało
się od innego zestawu początkowych losowych projektów. Podczas
każdej próby projekty były wybierane na podstawie
przemieszczenia netto uzyskanego w okresie 10 s (z randomizowanym,
modulowanym fazowo skurczem, cyklem z częstotliwością 2
Hz). Zastosowano dodatkowe naciski selekcyjne w celu
utrzymania różnorodności poprzez wywoływanie konkurencji w
obrębie unikalnych linii genetycznych i pomiędzy nimi w każdej
próbie ( 19 ), uzyskując unikalną dynamikę
ekologiczną ( dodatku SI , sekcja S5 ). Na
koniec każdej próby wyodrębniono najbardziej dopasowane
projekty ( ryc. 1 A).) i przeszły przez filtry
odporności i budowy ( dodatku SI , ryc. S4 ). Podczas
tego procesu filtrowania do produkcji wybierane są nadające się
do zbudowania i skalowalne projekty, które zachowują szybką
lokomocję podczas losowych perturbacji ( ryc. 3 i dodatek
SI , ryc. S6 ).
Rzęski, które wytwarzają lokomocję poprzez fale metachroniczne
(generowanie sekwencyjnych i kierunkowych fal propagujących, w
przeciwieństwie do zsynchronizowanego bicia), nie były
modelowane in silico i były tłumione in vivo poprzez
mikrowstrzyknięcie embrionalne mRNA transkrybującego
wewnątrzkomórkową domenę Notch (Notch ICD) ( 20). Zatem
każde przemieszczenie wynika z kurczliwej tkanki mięśnia
sercowego, która naciska na powierzchnię naczynia. Upraszcza
to symulację i jej porównanie ze zrealizowanym
organizmem. Trajektorie projektów z decylacją są
porównywane in silico i in vivo, w dwóch orientacjach (pionowa i
odwrócona o 180° wokół płaszczyzny poprzecznej), izolując w
ten sposób wpływ zaprojektowanej morfologii na różnicę między
zachowaniem przewidywanym a zrealizowanym. W przypadku co
najmniej jednego projektu dane sugerują, że pożądane
zachowanie zostało pomyślnie przeniesione, gdy było w pozycji
pionowej, ale nie w przypadku odwrócenia ( Fig.
4 ). Dokładniej, kierunek ruchu organizmów
wyprostowanych był zgodny z projektem in silico w przypadkowych
perturbacjach ( P < 0,01; szczegóły w dodatku
SI, sekcja S9 ) i odwrócenie projektu znacznie zmniejszyło
jego przemieszczenie netto zarówno in silico ( P <
0,001) jak i in vivo ( P < 0,0001). Sugeruje to,
że udane przeniesienie nie wynikało z przypadku, ale było
spowodowane samym projektem.
Manipulacja obiektami.
Gdy środowisko
jest zasypane cząstkami stałymi, ruchliwe projekty spontanicznie
agregują obiekty zewnętrzne zarówno in silico ( dodatku
SI , ryc. S10 ), jak i in vivo ( ryc. 3 F i dodatek
SI , ryc. S11 ). Bardziej precyzyjne manipulowanie
obiektami można wybrać dla określonego celu, takiego jak
określenie obszarów docelowych, z których należy usunąć
szczątki, lub obiektów docelowych do odrzucenia. Ten
ostatni cel został wdrożony i prymitywne efektory końcowe
wyewoluowały w symulacji ( Załącznik SI , Rys. S12 ).
Transport obiektów.
Niektóre projekty ewoluowały w celu
zmniejszenia oporu hydrodynamicznego w wyniku przemieszczenia
( załącznik SI , sekcja S6 ) przez otwór
przechodzący przez środek ich płaszczyzny poprzecznej. Ta
bardziej złożona topologia została zrealizowana in vivo
( załącznik SI , ryc. S13 ), ale nie była
pokryta tkanką kurczliwą. W symulacji tę nową cechę
można nazwać woreczkiem do przechowywania i transportu
przedmiotów. W kolejnej rundzie ewolucji woreczki zostały
wyraźnie włączone jako ograniczenie projektowe i zastosowano
nowy cel, jakim było zmaksymalizowanie odległości noszonego
przedmiotu. To spowodowało ewolucję transportu obiektów in
silico ( dodatku SI , ryc. S13 ).
Zachowanie zbiorowe.
Wiele projektów może być umieszczonych w tym samym środowisku,
co skutkuje zbiorowym zachowaniem ( 21 ) ( Załącznik
SI , Rys. S10 i S11 ). Kilka takich zachowań
przewidywanych in silico zaobserwowano in vivo. Na przykład,
dwa projekty często zderzają się, tworząc tymczasowe wiązanie
mechaniczne i orbitują wokół siebie przez kilka obrotów przed
odłączeniem się wzdłuż trajektorii stycznych ( dodatku
SI , rys. S10 ). Zjawisko to jest bardziej wyraźne,
gdy rzęski nie są zahamowane na organizmach: osobniki często
zaplątują się ze swoimi sąsiadami, często zmieniając
partnerów w trakcie obserwacji ( ryc. 3 F i SI
dodatek , ryc. S11 ).
Dyskusja
Chociaż
symulacja i projektowanie sztywnych struktur i maszyn jest możliwe
od pewnego czasu, dopiero niedawno stało się wykonalne
obliczeniowo symulowanie połączonego zachowania dowolnych
agregatów miękkich komponentów o różnych właściwościach
materiałowych i wykonawczych ( 22 ). Jak pokazano
tutaj, takie drobnoziarniste symulacje można osadzić w
ewolucyjnych metodach wyszukiwania, aby odkryć projekty, które
można wykonać w materiałach biologicznych, a nie sztucznych.
Powstałe organizmy ucieleśniały nie tylko strukturę ( załącznik
SI , ryc. S8 ) wyewoluowanych projektów in silico, ale
także ich zachowanie ( ryc. 4 ), pomimo modelowania
koordynacji czasowej kardiomiocytów jako szumu losowego. Jako
efekt uboczny presji selekcyjnej dla lokomocji, wyewoluowały
morfologie derandomizujące: poprawa ewolucyjna nastąpiła poprzez
zmiany w ogólnym kształcie i rozmieszczeniu komórek pasywnych i
kurczliwych, aby wspólnie zderandomizować globalny ruch
wytworzony przez przypadkowe zadziałanie. W biologii taka
odporność na losowy szum jest wszechobecna; jednym z
przykładów jest zdolność wielu gatunków do przystosowania się
do szerokiego zakresu różnorodności wielkości i liczby komórek
jako punktów wyjścia w ich embriogenezie ( 23 ).
Kompetencje behawioralne poszczególnych komórek i skłonność
komórek do współpracy w grupach ułatwiają funkcjonalną
morfogenezę w nowych okolicznościach. Przedstawione tutaj
formy życia, pomimo braku układu nerwowego, podążają za nowymi
trajektoriami rozwojowymi i składają się z materiałów
pochodzących z różnych tkanek, posiadają jednak te właściwości
samoorganizujące się. Właściwości te współdziałają i
wspierają zachowanie, które miały wykazywać. Na przykład,
chociaż sygnalizacja między kardiomiocytami nie była wymuszona,
wyłaniająca się spontaniczna koordynacja między komórkami
mięśnia sercowego wytworzyła spójne, dopasowane fazowo skurcze,
które wspomagały lokomocję w fizycznie zrealizowanych
projektach. Ponadto niektóre projekty, po połączeniu,
spontanicznie i zbiorowo agregują szczątki zaśmiecone we
wspólnym środowisku (Rys. 3 F i SI Dodatek ,
Rys. S11 ). Wreszcie, rekonfigurowalne organizmy nie
tylko same utrzymują swoją narzuconą zewnętrznie konfigurację,
ale także naprawiają się samoistnie w obliczu uszkodzeń, takich
jak automatycznie zamykające się rany szarpane (dodatki SI ,
ryc. S9 ). Takiego spontanicznego zachowania nie można
oczekiwać od maszyn zbudowanych z materiałów sztucznych, chyba
że zachowanie to zostało wyraźnie wybrane podczas procesu
projektowania ( 24 ).
Takie podejście pozwala na przyszłe uogólnienie i automatyzację,
ponieważ architektura generatora i filtra umożliwia modułowe
dodawanie, usuwanie lub reorganizację elementów w rurociągu w
celu szybkiego projektowania i wdrażania nowych żywych systemów
do nowych zadań w nowych dziedzinach. Na przykład można
dodać filtr, który zapobiegawczo kieruje algorytm ewolucyjny z
dala od części przestrzeni projektowej, o których wiadomo, że
zawierają projekty, których nie można zrealizować fizycznie
( 25 ). Lub, zainspirowane hierarchiczną
organizacją głębokich sieci neuronowych ( 26 ),
poszczególne projekty generowane przez jeden generator mogą stać
się elementami wejściowymi do następnego generatora,
umożliwiając w ten sposób hierarchiczne projektowanie i ponowne
wykorzystanie zespołów komórkowych i zespołów.
Poza przedstawionymi tutaj aplikacjami, ogólność tego podejścia
jest jeszcze nieznana. Jednak postępy w uczeniu maszynowym,
symulacji miękkich ciał i biodrukowaniu prawdopodobnie rozszerzą
potencjalne zastosowania, w których można je zastosować w
przyszłości. Zastosowania mogą być liczne, biorąc pod
uwagę łatwość nieprawidłowej ekspresji nowych białek oraz
ścieżek biologii syntetycznej i obwodów obliczeniowych
w komórkach Xenopus ( 27 ). Biorąc
pod uwagę ich nietoksyczność i samoograniczającą się długość
życia, mogą służyć jako nowe narzędzie do inteligentnego
dostarczania leków ( 28 ) lub chirurgii wewnętrznej
( 29).). Jeśli są wyposażone do ekspresji obwodów
sygnałowych i białek dla funkcji enzymatycznych, czuciowych
(receptor) i mechanicznych, mogą wyszukiwać i trawić toksyczne
lub odpadowe produkty lub identyfikować interesujące molekuły w
środowiskach fizycznie niedostępnych dla robotów. Jeśli są
wyposażone w układy rozrodcze (poprzez wykorzystanie endogennych
mechanizmów regeneracyjnych, takich jak w przypadku rozszczepienia
planarnego), mogą to robić na dużą skalę. W warunkach
biomedycznych można sobie wyobrazić takie bioboty (wykonane z
własnych komórek pacjenta) usuwające płytkę nazębną ze ścian
tętnic, identyfikujące raka lub osiadające w celu różnicowania
lub kontrolowania zdarzeń w miejscach choroby. Korzystną
cechą bezpieczeństwa takich konstrukcji jest to, że przy braku
specyficznej inżynierii metabolicznej mają one naturalnie
ograniczoną żywotność.
Te metody,
odczynniki i dane poszerzają zakres organizmów modelowych
dostępnych do badań poprzez projektowanie żywych systemów,
które są jak najbardziej ortogonalne w stosunku do istniejących
gatunków, a jednocześnie mogą być zbudowane z istniejących
typów komórek. Umożliwiając sterowaną obliczeniowo
interakcję między powstającymi i zaprojektowanymi procesami,
platforma ta ułatwia badania relacji między genomami (w naszym
przypadku X. laevis typu dzikiego ), wynikającym z
tego planem ciała i jego zachowaniami w różnych
środowiskach. Tak więc organizmy rekonfigurowalne mogłyby
służyć jako unikalny system modelowy ułatwiający pracę w
ewolucji wielokomórkowości, egzobiologii, sztucznego życia,
poznania podstawowego i medycyny regeneracyjnej. Jeśli
wyposażone w elektrycznie aktywne komórki i wybrane do funkcji
poznawczych lub obliczeniowych ( 30), tak zaprojektowane
systemy mogą w podobny sposób poszerzyć nasze rozumienie tego, w
jaki sposób inteligencja może być urzeczywistniana zarówno w
systemach ożywionych, jak i nieożywionych.
Materiały i metody
Projekt ewolucyjny.
Projekty ( SI
Dodatek , sekcja S2 ) ewoluowały wewnątrz silnika
fizyki ( SI Dodatek , sekcja S3 ) jako
rekonfigurowalne agregacje pasywnych i kurczliwych wokseli ( ryc.
1 ). Przy pierwszym przejściu przez rurociąg,
wykorzystując docelowe zachowanie lokomocji, zasymulowaliśmy
projekty na lądzie i umożliwiliśmy procesowi ewolucyjnemu
precyzyjne dostrojenie ich działania. Doprowadziło to do
powstania wysoce wydajnych, ale niezbywalnych projektów
( załącznik SI , ryc. S2 ) z potężnymi,
ograniczonymi chodami, których nie można uzyskać in vivo przy
użyciu obecnej metody budowania ( załącznik SI ,
sekcja S8). Chady te charakteryzowały się ramami czasowymi
(średnio 47% cyklu chodu), w których żadna część projektu in
silico nie stykała się z symulowaną płaszczyzną
podłoża. Jednak in vivo organizmy poddane decylacji zawsze
utrzymywały część swoich brzusznych powierzchni w kontakcie z
powierzchnią naczynia ze względu na ujemną pływalność.
Rozbieżności te zostały skorygowane
poprzez dodanie ograniczeń do rurociągu w postaci korekt
ustawień środowiskowych i wykonawczych, które zmieniono w
następujący sposób. W drugim przejściu wierność
symulowanego środowiska została zwiększona poprzez włączenie
hydrodynamiki pierwszego rzędu: zmodyfikowane środowisko
składało się z nieskończonej płaszczyzny zanurzonej w wodzie,
którą aproksymowano zmniejszając współczynnik przyspieszenia
grawitacyjnego (zwiększając wyporność) i stosując opór siły
do każdej powierzchni woksela na powierzchni projektu
( dodatku SI , sekcja S6 ).
Po drugie, aktywacja była losowa: komórki
kurczliwe zostały zrewidowane, aby miały losowe przesunięcia
fazowe z centralnego generatora wzorców (fala sinusoidalna o
częstotliwości 2 Hz). Dokładniej, każdemu wokselowi o
losowo skonfigurowanej konstrukcji (z których jeden był
wstrzykiwany do populacji w każdym pokoleniu; Dodatek SI ,
sekcja S5 ) przypisano losowe przesunięcie fazy, które było
utrzymywane na stałym poziomie w jego potomkach (całym
kladu). Mutacje przełączały każdy woksel tak, aby był
obecny lub nieobecny, a jeśli był obecny, pasywny lub aktywny
(skurcz), ale oryginalne przesunięcie fazowe w każdym miejscu w
przestrzeni roboczej było zakodowane na sztywno. Zmniejszyło
to zależność od precyzyjnego pobudzenia w czasie i sprzyjało
odkryciu bardziej wytrzymałych struktur mechanicznych ( SI
Dodatek , Rys. S3 ).
Zachowanie projektów wygenerowanych przy
drugim przejściu lepiej pasowało do zachowania rzeczywistych
systemów żywych: średnio projekty stykały się z płaszczyzną
podłoża przez 93,3% okresu ich oceny, w porównaniu do zaledwie
52,7% przy pierwszym przejściu ( załącznik SI ,
sekcja S6 ).
Filtr odporności.
Projekty o
największej wydajności ( ryc. 1 A ) zostały
posortowane według ich odporności na losowe zakłócenia w ich
uruchamianiu. Przesunięcia fazowe zapisane w genotypie
zostały zmutowane przez dodanie liczby, która została
wylosowana z rozkładu normalnego ze średnią zerową i SD s =
0,4π (co stanowi 40% zakresu od -π/2 do π/2 ważnego
przesunięcia fazowego wartości). Ten hiperparametr został
wybrany tak, aby był wystarczająco duży, aby wymieszać
oryginalną wartość przesunięcia fazowego, nie będąc na tyle
dużym, aby popchnąć wszystkie mutacje w kierunku granic
±π/2. Projekty, które zachowywały najwyższą średnią
wydajność w całym tym hałasie aktywacji, były przekazywane,
jeden po drugim, zgodnie z ich rankingiem odporności, do filtra
kompilacji.
Filtr kompilacji.
Najbardziej wytrzymałe projekty są
oceniane na podstawie ich wykonalności zgodnie z obecną metodą
budowania, w której sąsiednie obszary tkanki są nakładane
sekwencyjnie ( załącznik SI , ryc. S6 ). Minimalną
wklęsłość zbadano, wytwarzając organizmy o coraz mniejszych
deformacjach kształtu, a następnie określając, które
utrzymują się przez cały okres życia organizmu, a które
zamykają się z powodu skurczu tkanki, co prowadzi do utraty
wklęsłości. Wstępne prace wykazały, że wklęsłości o
szerokości 100 µm lub większej (12% całkowitej długości
ciała) powodowały stabilne, długoterminowe deformacje
odpowiednie do budowy biologicznej ( załącznik SI ,
ryc. S7 ).
Dodatkowo filtr
budowy usuwa projekty, które zawierają więcej niż 50% mięśni,
aby zarezerwować wystarczającą przestrzeń projektową na
dodanie wyspecjalizowanych komórek do celów innych niż
poruszanie się, w tym bodźców czuciowych, metabolizmu, pamięci,
bioczujników itp. Ponadto tkanka kurczliwa naraża znacznie
wyższy koszt metaboliczny w porównaniu z tkanką niemięśniową
(ludzkie serce zużywa ~1 mM ATP na sekundę; ref. 31 ). Tym
samym ograniczenie tego typu bibułki zwiększa całkowity czas
życia przenoszonych projektów. Najbardziej niezawodne
projekty, które spełniają te kryteria wyboru ( załącznik
SI , rys. S4 ), są przepuszczane przez filtr budowania
do następnego etapu potoku: generatora realizowalności.
Generator wykonalności.
Organizmy rekonfigurowalne zostały
stworzone przy użyciu embrionów Xenopus jako
tkanki dawcy zgodnie z metodami zatwierdzonymi przez Institutional
Animal Care and Use Committee oraz Department of Laboratory Animal
Medicine Tufts University pod numerem protokołu M2017-53.
Zapłodnione jaja X. laevis hodowano w 0,1x, pH
7,8, zmodyfikowanym roztworze Ringera Marca (MMR) przy użyciu
standardowych protokołów i sklasyfikowano według Nieuwkoopa i
Fabera ( 32 , 33 ). Do eksperymentów
kształtowania czapeczki zwierzęce zostały ręcznie wycięte w
St. 9 za pomocą kleszczyków chirurgicznych (Dumont, 11241–30
#4) i przeniesione do pożywki bez wapnia i magnezu na 5 minut
(50,3 mM NaCl, 0,7 mM KCl, 9,2 mM Na 2 HPO 4 ,
0,9 mM KH 2 PO 42,4 mM NaHC03, 1,0 mM kwas
wersenowy [EDTA], pH 7,3). Zewnętrzną warstwę ektodermy
usunięto ręcznie i odrzucono, podczas gdy warstwę wewnętrzną
wstrząsano aż do pełnej dysocjacji (komórki są na tym etapie
w dużej mierze pluripotencjalne, ale różnicują się w
ektodermę bez dalszej interwencji). Materiał z pięciu
czapek zwierzęcych połączono i przeniesiono do szalki ze
studzienkami zawierającej 0,75x MMR. Po 24 godzinach w 14°C
sferyczne reagregaty przeniesiono do czystego 1% naczynia
pokrytego agarozą zawierającego 10 ml 0,75 x MMR i 5 µl
gentamycyny (ThermoFisher Scientific, 15710072). Czterdzieści
osiem godzin po ponownej agregacji tkanki powstała tkanka
(obecnie stworzona, aby stać się specyficznymi liniami komórek
naskórka, w tym jonocytami, małymi komórkami wydzielniczymi i
komórkami kubkowymi), został ukształtowany przy użyciu
kombinacji kleszczyków mikrochirurgicznych i instrumentu do
mikrokauteryzacji MC-2010 z elektrodami drutowymi 13 μm (Protech
International Inc., MC-2010, elektroda kauteryzacyjna z końcówką
drutową 13-Y1). Tkankę w razie potrzeby kształtowano przez
3 godziny, aby uzyskać pożądany efekt anatomiczny, po czym
przeniesiono ją do czystego 1% naczynia pokrytego agarozą,
zawierającego 10 ml 0,75 x MMR i 5 µl gentamycyny i hodowano w
temperaturze 14 °C.
W przypadku eksperymentów z ruchem kurczliwym
kohortom zarodków Xenopus wstrzyknięto jeden z
dwóch syntetycznych mRNA na etapie czterech komórek, stosując
standardowe protokoły ( 32 ). mRNA dla
fluorescencyjnego znacznika linii tdTomato ( 34 ) i
inhibitora komórek wielozębnych Notch ICD ( 20 , 35
)) zsyntetyzowano przy użyciu zestawów do transkrypcji mMESSAGE
(ThermoFisher Scientific, AM1340). Wstrzyknięcia
przeprowadzono w 3% roztworze Ficoll przy użyciu wyciągniętej
kapilary, aby dostarczyć 370 pg mRNA dla każdego transkryptu do
wszystkich czterech komórek. td Zarodki, którym
wstrzyknięto pomidora były hodowane w 22°C, podczas gdy
zarodki, którym wstrzyknięto Notch ICD, hodowano w
14°C. Dwadzieścia cztery godziny po wstrzyknięciu, zarodki
w stadium 10, którym wstrzyknięto Notch ICD, przeniesiono na
płytkę Petriego pokrytą 1% agarozą zawierającą 0,75 x MMR, a
zwierzęce czapki ręcznie nacięto kleszczami chirurgicznymi, jak
powyżej. Ponadto, zarodki w stadium 23-24 tdTd, którym
wstrzyknięto pomidory, przeniesiono do tej samej szalki, a
przypuszczalne pole serca wycinano z zewnętrzną warstwą
ektodermy, a następnie usuwano i odrzucano. Przypuszczalną
tkankę serca umieszczono następnie między dwoma czapeczkami
zwierzęcymi, którym wstrzyknięto Notch ICD, i pozwolono
trzem warstwom zagoić się przez 1 godzinę w 22°C. Po
wygojeniu tkankę przeniesiono do czystego 1% naczynia pokrytego
agarozą zawierającego 10 ml 0,75 x MMR i 5 µl gentamycyny i
hodowano w 14 °C. W celu ukształtowania powstałą tkankę
wyrzeźbiono jak powyżej przy użyciu kombinacji kleszczyków
mikrochirurgicznych i instrumentu do mikrokauteryzacji MC-2010.
Filtr przenoszenia.
Wszystkie próbki obrazowano na żywo w
0,75x MMR w temperaturze 20°C przy użyciu mikroskopu Nikon
SMZ-1500 wyposażonego zarówno w oświetlenie górne, jak i
podstolikowe. Nieruchome obrazy rejestrowano za pomocą
kamery CCD QImaging Retiga 2000R, a filmy rejestrowano za pomocą
Sony IMX234 z częstotliwością próbkowania 30 klatek na
sekundę. Ścieżki ruchu XY zostały wyodrębnione dla
każdego przebiegu przy użyciu oprogramowania Noldus Ethovision
14 i wygładzone przy użyciu jednowymiarowego filtra Gaussa ( SI
Dodatek , rozdział S9.1 ). Wskaźnik linii
tdTomato zobrazowano przy użyciu standardowej kostki filtrującej
z izotiocyjanianu tetrametylorodaminy (TRITC) i fluorescencyjnego
źródła światła w celu weryfikacji lokalizacji komórek
mięśnia sercowego, a sygnał GFPIII zobrazowano za pomocą
standardowej kostki filtrującej z izotiocyjanianu fluoresceiny
(FITC) w celu weryfikacji lokalizacji komórek naskórka
( Załącznik SI, sekcja S9.2 ).
Dostępność danych.
Kod źródłowy
niezbędny do odtworzenia wyników obliczeń przedstawionych w tym
artykule można znaleźć na GitHub ( 36 ).
Podziękowanie
Badanie to było sponsorowane przez Agencję
Zaawansowanych Projektów Badawczych Obrony (DARPA) w ramach umowy
o współpracy numer HR0011-18-2-0022, programu Lifelong Learning
Machines z DARPA/MTO. Treść informacji niekoniecznie
odzwierciedla stanowisko lub politykę rządu i nie należy
wnioskować o oficjalnym aprobacie. Zatwierdzony do
publicznego udostępnienia; dystrybucja jest
nieograniczona. Badania te były również wspierane przez
program Allen Discovery Center za pośrednictwem The Paul G. Allen
Frontiers Group (12171), a ML z wdzięcznością dziękuje za
wsparcie z grantu Emergent Behaviors of Integrated Cellular Systems
przez National Science Foundation (Subaward CBET-0939511). Badania
te były również wspierane przez Kontinuum Emerging Frontiers in
Research and Innovation (EFRI) National Science Foundation,
Compliant, oraz program Configurable Soft Robotics Engineering
(C3 SoRo) (Subaward EFMA-1830870). Dziękujemy firmie Vermont
Advanced Computing Core za dostarczone zasoby obliczeniowe.
Przypisy
Wkład autorów:
badania projektowe SK, DB, ML i JB; SK i DB przeprowadziły
badania; SK i DB przeanalizowały dane; i SK, DB, ML i
JB napisali artykuł.
Autorzy deklarują
brak konkurencyjnego interesu.
Ten artykuł jest
bezpośrednim składaniem PNAS.
Depozycja danych: Kod
źródłowy niezbędny do odtworzenia wyników obliczeń
przedstawionych w tym artykule można znaleźć na GitHub
( https://github.com/skriegman/reconfigutable_organisms ).
Ten artykuł zawiera
dodatkowe informacje online pod adresem
https://www.pnas.org/lookup/suppl/doi:10.1073/pnas.1910837117/-/DCSupplemental .
Ten artykuł z
otwartym dostępem jest rozpowszechniany na licencji Creative
Commons Attribution License 4.0 (CC BY) .
Bibliografia
↵
DJ Blackiston ,
M. Levin
, Ektopowe oczy poza głową u kijanek Xenopus
dostarczają danych sensorycznych do nauki za pośrednictwem
światła . J. Eksp. Biol. 216 , 1031 – 1040 ( 2013 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
LN Vandenberg ,
DS Adams ,
M. Levin
, Znormalizowany kształt i rozmieszczenie struktur
twarzoczaszki zaburzonych Xenopus kijanki ujawniają wrodzoną
zdolność do osiągnięcia prawidłowej
morfologii . Odw. Dyn. 241 , 863 – 878 ( 2012 ).
CrossRefPubMedGoogle Scholar
↵
RD Kamm i inni
., Perspektywa: Obietnica wielokomórkowych
inżynieryjnych systemów życia . APL
Bioeng 2 , 040901 ( 2018 ).
CrossRefGoogle Scholar
↵
CA Hutchison III i inni
., Projektowanie i synteza minimalnego genomu
bakteryjnego . Nauka 351 , aad6253 ( 2016 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
Y. Sasai ,
M. Eiraku ,
H. Suga
, Organogeneza in vitro w trzech wymiarach:
Samoorganizujące się komórki
macierzyste . Rozwój 139 , 4111 – 4121 ( 2012 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
SJ Park i inni
., Fototaktyczne naprowadzanie zmodyfikowanego tkankowo
miękkiego-robotycznego
promienia . Nauka 353 , 158 – 162 ( 2016 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
MD Tang-Schomer i inni
., Bioinżynieryjna funkcjonalna tkanka korowa podobna do
mózgu . Proc. Natl. Acad. Nauka. Stany
Zjednoczone 111 , 13811 – 13816 ( 2014 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
JC Nawroth i inni
., Meduza z inżynierii tkankowej z napędem
biomimetycznym . Nat. Biotechnologia. 30 , 792 – 797 ( 2012 ).
CrossRefPubMedGoogle Scholar
↵
K. Sims
, Ewolucja morfologii i zachowania 3D przez
konkurencję . Art. Życie 1 , 353 – 372 ( 1994 ).
Google Scholar
↵
N. Cheneya ,
J. Bongarda ,
V. Słoneczna spirala ,
H. Lipson
, Skalowalna kooptymalizacja morfologii i sterowania w
maszynach wbudowanych . JR
Soc. Interfejs 15 , 20170937 ( 2018 ).
CrossRefPubMedGoogle Scholar
↵
H. Lipsona ,
JB Pollack
, Automatyczne projektowanie i produkcja zrobotyzowanych
form życia . Natura 406 , 974 – 978 ( 2000 ).
CrossRefPubMedGoogle Scholar
↵
J. Bongarda ,
W. Żykow ,
H. Lipson
, Odporne maszyny dzięki ciągłemu
samomodelowaniu . Nauka 314 , 1118 – 1121 ( 2006 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
D. Cellucciego ,
R. MacCurdy ,
H. Lipsona ,
S. Risi
, druk 1D robotów nadających się do recyklingu . Robot
IEEE. Autom. Łotysz. 2 , 1964 – 1971 ( 2017 ).
Google Scholar
↵
DJ Munka ,
GA Vio ,
Lekarz rodzinny Steven
, Topologia i metody optymalizacji kształtu z
wykorzystaniem algorytmów ewolucyjnych:
Przegląd . Struktura. Wielodyscyplinarny. Optymalny. 52 , 613 – 631 ( 2015 ).
Google Scholar
↵
RV Devi ,
SS Sathya ,
MS Coumar
, Algorytmy ewolucyjne do projektowania leków de novo –
ankieta . Zał. Soft
Computing. 27 , 543 – 552 ( 2015 ).
Google Scholar
↵
MD Huntington ,
LJ Lauhon ,
TW Odom
, Optyka sieciowa o długości subfalowej według
ewolucyjnego projektu . Nano
Lett. 14 , 7195 – 7200 ( 2014 ).
Google Scholar
↵
CT Mueller ,
JA Ochsendorf
, Połączenie wydajności i markowe preferencje
strukturalnych w ewolucji kosmicznej projekt
eksploracji . Autom. Konstr. 52 , 70 – 82 ( 2015 ).
Google Scholar
↵
N. Jakobi
, Robotyka ewolucyjna i radykalna hipoteza otoczki
hałasu . Przystosować
się. Zachowuj. 6 , 325 – 368 ( 1997 ).
CrossRefGoogle Scholar
↵
M. Schmidta ,
H. Lipson
, „Optymalizacja pareto-fitness do wieku” w Genetic
Programming Theory and Practice VIII ( Springer , 2011 ),
s. 129 – 146 .
Google Scholar
↵
GA Deblandre ,
DA Wettstein ,
N. Koyano-Nakagawę ,
C. Kintner
, Dwuetapowy mechanizm generuje wzór odstępów między
komórkami rzęskowymi w skórze zarodków
Xenopus . Rozwój 126 , 4715 – 4728 ( 1999 ).
AbstrakcyjnyGoogle Scholar
↵
J. Werfela ,
K. Petersena ,
R. Nagpal
, Projektowanie zachowań zbiorowych w zespole
konstruktorów robotów inspirowanych
termitami . Nauka 343 , 754 – 758 ( 2014 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
J. Hillera ,
H. Lipson
, Dynamiczna symulacja miękkich, multimateriałowych
obiektów drukowanych w 3d . Miękki
robot. 1 , 88 – 101 ( 2014 ).
Google Scholar
↵
J. Cooke
, Skala ciało dostosowuje wzór do dostępnej liczby
komórek w zarodkach płazów . Natura 290 , 775 – 778 ( 1981 ).
CrossRefPubMedGoogle Scholar
↵
S. Kriegmana ,
S. Walkera ,
D. Szach ,
M. Lewina ,
R. Kramer-Bottiglio ,
J. Bongard
, Zautomatyzowana zmiana kształtu w celu przywrócenia
funkcji w uszkodzonych
robotach . Proc. Obrabować. Nauka. Syst. ( 2019 ).
Google Scholar
↵
S. Koosa ,
JB Mouret ,
S. Doncieux
, Podejście transferowalności: przekraczanie przepaści
rzeczywistości w robotyce ewolucyjnej . IEEE
Trans. Ewol. Komputer. 17 , 122 – 145 ( 2013 ).
Google Scholar
↵
D. Flota ,
T. Pajdlę ,
B. Schielego ,
T. Tuytelaars
MD Zeiler ,
R. Fergus
, „Wizualizacja i zrozumienie
sieci konwolucyjnych ” w Proceedings of the
European Conference on Computer
Vision , D. Fleet , T. Pajdla , B. Schiele , T. Tuytelaars ,
wyd. ( Springer , 2014 ),
s. 818 – 833 .
Google Scholar
↵
S. Toda ,
LR Blauch ,
Niebo Tang ,
L. Morsut ,
WA Lim
, Programowanie samoorganizujących się struktur
wielokomórkowych z syntetyczną sygnalizacją
komórka-komórka . Nauka 361 , 156 – 162 ( 2018 ).
Streszczenie / BEZPŁATNY pełny tekstGoogle
Scholar
↵
D. Patra i in
., Inteligentne, samozasilające się systemy
dostarczania leków . Nanoskala 5 , 1273 – 1283 ( 2013 ).
CrossRefPubMedGoogle Scholar
↵
J. Li ,
B. Esteban- Fernández de Ávila ,
W. Gao ,
L. Zhang ,
J. Wang
, Mikro/nanoroboty dla biomedycyny: dostarczanie,
chirurgia, wykrywanie i
detoksykacja . Nauka. Obrabować. 2 , eaam6431 ( 2017 ).
Google Scholar
↵
F. Baluškę ,
M. Levin
, O braku głowy: poznanie w systemach biologicznych . Z
przodu. Psychol. 7 , 902 ( 2016 ).
PubMedGoogle Scholar
↵
J. Piquereau ,
R. Ventura-Clapier
, Dojrzewanie metabolizmu energetycznego serca w okresie
okołoporodowym . Z przodu. Fizjol. 9 , 959 ( 2018 ).
Google Scholar
↵
PD Nieuwkoop ,
J. Fabera
, Normal Table of Xenopus laevis (Daudin) ( North
Holland Publishing Co. , Amsterdam , 1956 ).
Google Scholar
↵
HL Sive ,
RM Grainger ,
RM Harland
, Wczesny rozwój Xenopus laevis ( CSHL
Press , 2000 ).
Google Scholar
↵
C. Waldnera ,
M. Roose ,
GU Ryffel
, Czerwona fluorescencyjna Xenopus laevis: nowe narzędzie
do analizy szczepień . BMC Dev. Biol. 9 , 37 ( 2009 ).
CrossRefPubMedGoogle Scholar
↵
CW Beck ,
JM Slack
, Ścieżka rozwojowa kontrolująca przerost pąka
ogonowego Xenopus . Rozwój 126 , 1611 – 1620 ( 1999 ).
AbstrakcyjnyGoogle Scholar
↵
S. Kriegmana ,
D. Blackistona ,
M. Lewina ,
J. Bongard
, Dane z „Skalowalnego potoku do projektowania
rekonfigurowalnych
organizmów”. GitHub. https://github.com/skriegman/reconfigurable_organisms . Złożone
2 października 2019 r .
Google Scholar