纽约时报来源半夏 芳心编译

从基因编辑到人工智能,人类「有所为,有所不为」的界限到底在哪?

近日,南方科技大学生物系副教授贺建奎宣布,其使用CRISPR/Cas9 工具创造了世界上第一批经过基因编辑的婴儿

一对名为露露和娜娜的基因编辑婴儿已经于 11 月在中国健康诞生。这对双胞胎的一个基因经过修改,使她们出生后就可以抵抗艾滋病。

人民网在报道这一消息时使用了“历史性突破”一词,之后,在全世界引发了关于科学研究伦理的讨论。

那么这件事到底会对人类本身有什么影响?潘多拉魔盒是否会打开?人类之后能否随心所欲?

此前,《纽约时报》邀请了一位遗传学家,一位肿瘤学家,一位机器人专家,一位小说家和一位人工智能研究员,一起就医学、医疗保健和人类的未来做了座谈,所提及的观点,十分引人深思。

AI锐见就正在热议的基因编辑一事,对该文章做了相关精彩观点的翻译,欢迎大家阅读。以下为原文的精彩部分:

一、我们会设计我们的孩子和我们自己吗?

Catherine Mohr:我怀女儿的时候,我丈夫和我开玩笑说:“如果她能得到我们两个人的最好的基因,她将成为超级英雄,如果她得到了我们两个人中最糟糕的基因,她就上不了一年级了。”

这是我们在投掷基因骰子,当你选择要一个孩子的时候,就得这样做。当然,这不是完全随机的。

你的伴侣有很多优点,这就是你选择他的原因,希望你也有一些优点。但是,当我们变得更有能力做到这一点时,那种把你所认为的最佳组合设计出来的诱惑,我认为这对许多人来说是不可抗拒的。

我们已经在筛查疾病以避免传递我们的“坏”基因,但同样的技术将让我们开始筛选我们的“最佳”基因,也就是我们真正想传递的基因。

随着筛选变得更便宜,更容易和更可靠,更多的人正在使用以辅助生殖技术,每一对夫妻都在努力为他们希望生下的孩子做最好的事情。

George Church:或者我们可以求助于基因编辑。例如,如果您患有显性等位基因疾病,如亨廷顿舞蹈病或马凡氏综合症,并且你想要孩子,那么,你可以编辑精子,改变等位基因以使所有精子都健康,你的后代也会很好。

所有精子都来自男性睾丸中的精原干细胞。您可以使用编辑工具并在培养皿中处理干细胞,这样您就可以去除坏等位基因并将其替换为在计算机控制的机器上设计和合成的DNA。

然后你可以植入一个纯种群,在这个种群中,你已经检查过并且编辑了你想要的,所有的细胞只有你想要的“目标上”的变化。这已经在老鼠身上做过实验了。这是一个很好的机会,只有一次,而且原则上对生活有益。

Siddhartha Mukherjee:编辑基因有多难?令人惊讶的是,这非常简单。虽然,仍然存在技术挑战,其中一些可能难以克服,但协议非常简单。

我们最近在人类血液干细胞中编辑了一个基因,可以治疗某些形式的白血病。我们已对已编辑细胞的基因组进行了测序,到目前为止尚未发现单一的“脱靶”效应,尽管我们仍在寻找。

George Church:文献中没有任何文章证明成功编辑人类精子干细胞—生殖系。但是如果你想编辑猪的DNA,那么使用Crispr是非常容易的,这是一套编辑工具,它使用酶和RNA和蛋白质做引导,在DNA的精确位置进行改变。

在每个细胞中,每60亿个碱基对中就有一个碱基对发生了微小的变化。所以这是非常精确的纳米手术,而且能同时自动地在许多细胞中进行。

一些基因疗法涉及添加缺失基因,其他涉及去除毒性基因,还有一些涉及精确编辑。 目前,已经有一些基因疗法被批准用于人类。

Siddhartha Mukherjee:现在,至少有一种被批准用于治疗视网膜疾病。但是,这不是基因编辑,也并没有改变基因组中天然基因,而是将新的遗传物质引入人体细胞。这是因为将携带新遗传物质的病毒引入眼睛更容易。

斯坦福大学有一个实验室正在对镰状细胞病的血液干细胞进行基因编辑。你可以移植那些血细胞并替换患病的细胞,镰状细胞病应该就会治愈。

我们会适应的,我所说的适应不仅仅是指在技术上适应它,而是意识到它不会突然导致可怕的癌症,或者其他可怕的疾病,如果你问我,我认为这是不太可能的。但在某些时候,决定权将落在FDA和其他组织身上。

George Church:更有可能的是,我们将首先在儿童疾病中使用基因疗法,因为我们认识到,许多疾病在孩子出生时都会造成永久性损害。

例如,就像失明一样,如果你在生命的早期不纠正它,你就可以“治愈”失明,因为他们可以看到光子,但是他们不能真正地把光子处理成图像。

Catherine Mohr:在这种情况下,失明是一个有趣的问题。它不像Sid所说的白血病那样会危及生命,但又缺乏某些功能,从某些方面来说,这似乎没有那么大的风险。如果你试图修复失败了,你并没有让它变得更糟,但如果你成功了,也只有好处。

这些正是我们最渴望解决的问题,因为我们看待风险的方式是:我们愿意冒事情会好转的风险,但在有可能变得更糟的时候,我们却不太乐意这么做。

George Church:还有一些疾病要到晚年才会影响到人们,但是他们可以在生命早期接受基因治疗。阿尔茨海默氏症可能就是这种情况。

我们已经知道,与阿尔茨海默病高度相关的等位基因是APP,用于早期阿尔茨海默病;以及ApoE e4,用于晚期阿尔茨海默病。

我们可以在精子细胞中把它们变成已经存在于人群中的等位基因。你完全改变了它,因为它通过了单个干细胞的瓶颈。

你不会试图把它变成一个从未有人测试过的基因,因为这种基因已经在数百万人体内被“测试”了数百万次了。

Catherine Mohr:所以,就像女性在怀孕前和怀孕期间服用叶酸以防止胎儿神经管缺陷一样,你也可以让你的伴侣“服用”基因疗法来做一些等位基因替换。

“OK,亲爱的,我很喜欢你,但在我们开始考虑孩子之前,我们需要编辑掉你的囊性纤维化变种,调整你的阿尔茨海默氏症等位基因”。

George Church:现在所有这些技术都在不断变得越来越便宜,比如基因组测序成本,从我们第一次做到数十亿美元到现在几百美元。我认为这些疗法最终会与疫苗等预防性药物相似。

相对于我们的祖先来说,疫苗是增强体质的,而且它们已经变得无处不在。我们的祖先生活在对所有这些疾病的致命恐惧中,我们只是理所当然地认为我们对它们免疫。

二、人工智能会改变医学吗?

Regina  Barzilay:谷歌和Facebook这样的公司会追踪你在网上的每一个行动,并利用这些行动来建立你的偏好模型。然后他们使用这个模型来完善个性化的用户体验,你看到的内容,他们推荐给你的产品,他们展示给你的广告。在某些方面,他们比你更了解你自己。

43岁时,我做了一次常规乳房x光检查,突然间我被诊断出患有乳腺癌。对我这个从事人工智能研究的计算机科学家来说,训练一台机器做出这样的预测似乎是显而易见的。

人工智能系统已经能够识别出图像之间非常细微的差别,其细节程度是人眼难以区分的。为什么在能够完全解决这种情况的技术已经存在的情况下,人们还需要经历不必要的程序并且存在数月的不确定性。

Catherine Mohr:这是一个真正影响医疗服务提供者的问题,患者的医疗数据保存在所有这些独立的系统中,因此如果有多名医生参与治疗,很难获得有关一名患者的所有数据,更不用说是能够比较许多不同患者的数据。

对 Regina 这样的病人和 Regina 这样的人工智能研究人员来说,在维护个人隐私的同时,改进我们围绕医疗数据的做法和规定将是必不可少的。它可能是缓慢的,但它正在开始。

Regina  Barzilay:就我而言,当我最终回到麻省理工学院的工作时,作为一名癌症患者的经历彻底改变了我的观点,我不能再回到原来的研究中去了。我现在想用数据来提供答案。

在我的核心研究领域,自然语言处理领域,我们已经开发了很多工具,可以自动化这项任务。因此,我们运用这些工具,建立了一个数据库,其中有来自马萨诸塞州总医院和其他合作医院的超过10万名乳腺癌患者。

我正在研究的另一件事涉及阅读乳房X线照片。今天,临床实践中使用的风险模型非常不精确。我们的想法是让机器算法在原始乳房X线照片图像中寻找模式:如果它观察5年前一位女性的乳房x光图像,她后来患上了癌症,它能检测出模式吗?

我们训练机器看整个图像,再输入关于结果的所有数据,然后我们说:这个人在一定时间内患癌症的可能性有多大?这个系统的工作方式,比目前临床实践中的任何风险模型都要好得多。

我们现在正考虑扩大我们的工作范围,对肺癌和胰腺癌进行预先筛查。想象一下,如果这些疾病能够在早期被发现,有多少生命可以被挽救?

这些疾病现在很晚才能被诊断,而它们在很大程度上是无法治愈的。这就是人工智能改变医学的方式。它将识别出人类难以识别的细微模式。

Catherine Mohr: 在外科手术中,我们也开始使用Regina在放射学图像和医疗记录的自然语言分析中使用的工具,但我们用的是手术视频和手术数据,这些数据我们可以从手术机器人那里轻易获得。

这些机器是作为外科医生的助手来操作的,医生可以通过微小的切口进行极其精细的手术,并通过视频观看病人体内的情况。这样的话,他们能比切开病人看得更清楚。

我们可以用机器学习自然语言处理训练AI以便能够获取所有这些相同的线索,并且能够识别医生可以识别事物,当然,能够帮助你做下一步是最理想的情况。这就像为每位外科医生提供完美的外科住院医生。

三、我们会知道的太多吗?

George Church:我们已经从2004年花费近30亿美元购买临床无法接受的基因组,到2015年花费不到1000美元购买高质量的基因组,就可以精确分析你从父母那里继承来的DNA。

Siddhartha Mukherjee:至于什么将推动未来的进步,这是基因组的全部方面,然后是人们所称的表型的全部方面——我们所做的事情,我们所表达的事情,发生在我们身上的环境事件,我们如何与环境相互作用。

Catherine Mohr:我们有某种所谓的个人末日时钟。我们所采取的每一个行动,要么是扩大它,要么是缩小它。当我吃不健康的食物时,我发现这让我的末日时钟慢了一点。我出去跑步,发现它把我的末日时钟拨快了一点。

我能看到我所采取的所有行动的直接预期效果。如果我们能够测量所有这些东西,人们就会随身携带他们的末日时钟算法。

Jennifer Egan:那么问题来了,隐私问题又该如何处理?如果我身体的每一个事实都可以被别人知道,如果我对这些事实的了解取决于企业帮助我追踪和测量数据,我将无法控制这些信息落入谁的手中。 最终,任何人都将能够了解任何人的任何信息,这是一个弱点。

Catherine Mohr:隐私是我们之前谈到的,用于训练机器学习算法的医学数据的可用性问题的核心。

我们这些研究数据并看到数据好处的人很难想象用同样的数据伤害人们,然而存在这样一种可能性,即教会我们如何帮助有疾病的人的事情恰恰会允许别人因为这种疾病而歧视他们,或使他们受害。

这些都是很难解决的问题,但我们应该试着找出如何从这些数据中获得最大的社会效益,而又不让那些捐赠者处于危险之中ーー对我们所有人来说,这种效益都可能非常巨大。

无论如何,我不认为珍妮需要对她的数据感兴趣才能在某些时候对她有用。 我们不断地监测我们的用电情况,但你多久才看一次你的电度表?除非你收到一个异常的账单,不然你从来都不会看它。

Siddhartha Mukherjee: 我希望那些身体健康的人不会看,但是身体不好的人会看。 病痛可能不仅仅是身体上的疾病;他们可能是焦虑的,可能是精神上的疾病,可能是我们这些对我们的孩子、我们的未来感到焦虑的人,可能是处于危险之中的社会。

Jennifer Egan:我们过分强调视觉效果、日常生活的策划和展示、对他人的持续监控,最后,技术渗透到了我们每个人的私人经验中

所以当我想到有人在体内安装设备来支付账单时,我会感到震惊。但是作为一个小说家,我欣喜若狂。

四、我们会活得更长久、更快乐吗?

George Church:说到如何改变老龄化现状,有两个主要策略: 一个是延长寿命,另一个是逆转衰老。

延长寿命存在的问题是,如果你不小心,你延长了你生命中一些较弱的年龄,但这并不是我们想要的。

另一方面,逆转衰老听起来更具有推测性,但是在老鼠身上有几个例子表明,你可以通过使用转录因子来调节特定的基因,将老的成年细胞恢复到胚胎阶段。

逆转衰老而不是延长寿命的另一个原因是,很难获得资金来进行长期的长效药物试验,即使是兽药也是如此,因为如果你说长效药物将使狗的寿命延长10年,那就是10年的临床试验。

Siddhartha Mukherjee: 就寿命而言,最有可能夺去我们生命的疾病是神经系统疾病、心脏病和癌症。而在其他一些国家,则是肺结核、疟疾和其他传染病,当然还有慢性病。

那么,我们通常也会有三种方法来思考这些慢性疾病:一种是针对疾病的方式,把老年痴呆症当做一种疾病来治疗。

一种是改变饮食、改变基因,改变任何其他东西——我们可以称之为"反式因子",这将简单地推翻存在于个体疾病中的"顺式因子"。

第三种选择则是把基因和永恒的数字形式结合起来,你永远记录你自己,克隆你自己,然后以某种方式传递那些记录。也就是说,身体只是一个储存记忆、图像和时间的仓库。

Jennifer Egan:我对长寿有两种看法; 一方面,我希望活得非常、非常老,部分原因是我的孩子在晚年,我想了解他们的孩子,就像我的母亲了解我一样。

但是退一步来看,极端长寿的人还可能是自私的。我们对这个星球的掠夺是如此夸张,至少我们不能永远呆在这里!

在抗生素出现之前,我们面对的死亡人数已经远远少于人类。但是减少这些损失真的能让我们更快乐吗?

Siddhartha Mukherjee:而且如果所有的工作都由机器来做,那么我们就什么都没有了。 我们没有掌控所有,我们没有意义,我们也没有自主权

Catherine Mohr:但是我们有艺术,比如学习乐器。

George Church:但我们未来的自己可能不会认为这种回报ーー如果我们演奏乐器比机器人差,我们的国际象棋比机器的国际象棋差,那么能够模仿一台糟糕的机器意味着什么呢?

Jennifer Egan:也许机器人比人类更会演奏大提琴,但我们要去交响会现场听马友友。简单明了的说,人类比机器更有趣

Regina Barzilay:事实上,我相信机器能比我们自己更好地帮助我们实现我们的目标。幸福对不同的人来说意味着不同的东西,但是它经常和特定的行为联系在一起。

机器有巨大的能力来记住我们的行为和预测我们未来的行为。这使他们有能力帮助我们改变我们的行为,使我们成为更好的自己。

以我为例,一个简单的心脏监测应用程序改变了我跑步的频率和强度。 这个应用程序为达到某些健身目标提供了积分。 

当我第一次看到它的时候,我只是笑着想,谁会被这些愚蠢的奖励所激励呢? 但是你猜怎么着? 每天早上5点,我都会跑步。我生活中的这种变化真的让我更快乐。

Jennifer Egan:我认为我们正在忘记一个关于人类生活的基本事实: 短暂使它变得珍贵。 死亡的不可避免性给我们的生活注入了意义和紧迫感。 很难想象在一个永远被上传的意识中保持这些品质。你只剩下感觉,我不确定这是否是最后的收获。

背景:

这次对话由该杂志的故事编辑兼大众科学的前主编 Mark Jannot主持;

其中,Catherine Mohr是达芬奇手术机器人制造商INTUITIVE SURGICAL的工程师,医生和战略副总裁,她也是INTUITIVE FOUNDATION的主席;

Siddhartha Mukherjee是一名医生、生物学家、肿瘤学家,同时是《基因:亲密历史》和《所有疾病的皇帝:癌症传记》一书的作者,该奖获得了2011年普利非小说普利策奖。他为该杂志撰写了ON MEDICINE专栏。

Regina Barzilay是麻省理工学院的教授,也是麻省理工学院计算机科学与人工智能实验室的成员。她的研究方向包括自然语言处理深度学习化学和肿瘤学的应用。她在2017年获得麦克阿瑟“天才”奖学金。

George Church是哈佛医学院的遗传学教授,也是PERSONALGENOMES.ORG的主任,PERSONALGENOMES.ORG是一个关于人类基因组,环境和特征数据的开放获取信息资源。

Jennifer Egan是一位作家,他最近的小说《曼哈顿海滩》被授予2018年安德鲁卡内基小说杰出奖章。她之前的小说《来自GOON SQUAD的访问》获得了2011年普利策奖和全国图书评论界奖。她也是该杂志的记者和撰稿人。 

原文来源:

https://www.nytimes.com/interactive/2018/11/16/magazine/tech-design-medicine-phenome.html

AI锐见
AI锐见

洞察AI行业趋势

产业医疗深度学习机器学习NLP基因编辑
3
相关数据
麻省理工学院计算机科学与人工智能实验室机构

CSAIL是麻省理工学院最大的实验室,也是世界著名的计算科学和人工智能实验室,研究领域广泛。

https://www.csail.mit.edu/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

暂无评论
暂无评论~