Az elmúlt két évtizedben a tudományok – és talán nem túlzó azt állítani, hogy az élet – szinte minden területét gyökeresen átalakította a technológiai robbanás. A cikkben ennek a folyamatnak a tudományos megismerés mikéntjére kifejtett hatását igyekszem áttekinteni, és illusztrálni néhány konkrét projektből – amelyek tárgyalására itt nem nyílik lehetőség – levont tapasztalataim alapján. Mielőtt azonban a példákon végighaladva megtárgyaljuk az új eszközök adta lehetőségeket és kihívásokat, kicsit távolabbról indulva röviden tekintsük át a tudományos megközelítés sémáját és történetét. A későbbi gondolatok előkészítése érdekében a számítástechnikából vett analógiákat használok.

A tudomány célja és metodikája az emberi intelligencia működésére épül, és nagymértékben átfed a mindennapi gondolkodás sajátosságaival. Ha a gondolkodásról beszélünk, általában elkülönítjük a megfigyelt valóságot és a gondolkodót. A világból az érzékszerveken keresztül információ áramlik elménkbe, ahol a velünk született „hardverre” és „előre telepített szoftverre” alapozva dinamikusan kialakul a valóságnak egy belső, egyszerűsített változata, modellje. Ez a belső modell reprezentálja a külvilágban található tárgyakat, élőlényeket, jelenségeket. A reprezentáció nem passzív, mint egy fénykép vagy filmfelvétel, hanem dinamikus, képes jelenségeket, történéseket is kezelni, és alkalmas arra is, hogy végigpróbáljon nem megtörtént helyzeteket, illetve jóslatokat tegyen. Valószínűleg ez a jóslási képesség tette lehetővé, hogy felismerjük a ránk leselkedő veszélyeket, mielőtt azok bekövetkeztek volna, és ez volt az egyik legfontosabb evolúciós hatás, amely az idegrendszer fejlődését és általában fajunk sikerét előrevitte. Ha modellezni tudjuk a körülöttünk lévő világot – például ehető-e egy növény, felénk dől-e a fa, milyen magasra tud felmászni a kardfogú tigris –, nyilvánvalóan előnyt élvezünk azzal szemben, aki minderre képtelen. Ez a felismerés azonban felhívja a figyelmet arra, hogy az intelligencia, ugyanúgy, mint szervezetünk egésze is, az evolúció során jött létre, bizonyos hatások következtében, specializálódva bizonyos funkciók ellátására, így nem lehet univerzális. Úgy érezzük, hogy szemünkkel nagy idő- és térbeli felbontással, „folytonosnak” látjuk a köröttünk zajló jelenségeket, de nem látjuk a puskagolyó röptét, nem tudjuk felbontani a sejtek skáláját, és nem látjuk a galaxisok halovány képét. Sőt a teljes elektromágneses spektrumnak csak a keskeny tartományát, a látható fényt érzékeljük, a rádióhullámokat és a gammasugárzást nem. Jó oka van persze ennek. Egyrészt bizonyos detektorokat az ember méretskáláján és az evolúció során rendelkezésre álló anyagokból nem is lehetett volna megvalósítani, másrészt, ami sokkal fontosabb: nem is igazán volt rájuk szükség. A távoli galaxisok közvetlenül nem befolyásolják az életben maradást, a légkör át se engedi a távoli ultraibolya sugárzást, azaz, még ha lenne is rá szemünk, nagyrészt sötét lenne, pazarlás volna ilyen eszközöket magunkkal hordozni. Talán kevésbé vagyunk tudatában, de az érzékszervekhez hasonlóan agyunkról is megállapíthatjuk, hogy az egy célberendezés. Egyrészt elcsodálkozhatunk rajta, hogy már születéskor is milyen rendkívül kifinomult szerkezet. Például a csecsemő képes arcjátékot leutánozni, amely bonyolult képfelismerést és számos izom összehangolt vezérlését foglalja magában: mind-mind olyan mutatványok, amelyekkel hatalmas kapacitású modern számítógépek se veszik fel a versenyt. Ugyanakkor hat-nyolc évig tart átlagosan, hogy a 20-as számkörben megtanuljuk az elemi műveletek elvégzését, majd a populáció egy része leszakad a negatív számok, később újabbak a törtek bevezetésénél, és a középiskolás matematika csúcsának számító másodfokú egyenlet megoldóképletének igazi értékeléséhez igen kevesen jutnak el. Nyilvánvaló, hogy ez nem elsősorban a nem kellően hatékony oktatás bűne. Ugyanúgy, ahogy nem volt evolúciós nyomás gammadetektor-szem kialakulására, valószínűleg a mentális kapacitás allokációja terén is előnyt élvezett az udvarlási tehetség a törtet törttel osztó képességgel szemben, noha ez utóbbit meglepően kevés idegsejttel meg lehetne valósítani.

A csillagászat és rajta keresztül a modern tudományok kialakulásában nagy szerepet játszott a távcső feltalálása, amit aztán számos más műszer követett. A távcsövet tekinthetjük protézisnek, amely olyan képességekkel vértezi fel szemünket, amelyekkel addig nem rendelkeztünk. Galilei előtt nem azért nem gondoltak a tudósok arra, hogy a Jupiternek is lehetnek holdjai, mert nem voltak elég intelligensek és fantáziadúsak. Egyszerűen nem lehetett a holdakat látni, így az észlelések alapján a legegyszerűbb modellt alkották meg. Kevesebb mint száz éve tudjuk, hogy a Tejútrendszerünkön kívül is van világ, amelyet galaxisok milliárdjai töltenek ki. Ismét nem a fantázia hiánya gátolta elődeinket: ahhoz, hogy más tejútrendszereket lássunk, pupillánkat milliószorosára tágító protézisre, azaz 2 méter körüli átmérőjű tükrös távcsőre és a szemünknél hosszabb ideig exponáló fotólemezre volt szükség. Nem csak érzékszerveinknek kellenek protézisek, még a tudósok elméje se univerzális, korlátlan kapacitású. Rövid távú memóriánk puffere csupán 7±2 elemet tud tárolni, s míg a 10-es szorzótáblát a reflexek szintjén tudjuk, a tízjegyű számok fejbeli összeszorzására nem sokan képesek. Legegyszerűbb mentális protézisnek tekinthető a papír és a ceruza: kis türelemmel írásban egészen összetett műveletek is elvégezhetőek. Galilei után nem sokkal Newton megalkotott egy „koprocesszort”, a kalkulust, egy rendkívül hatékony formalizmust, amely azóta is alapja számos modern tudománynak. Ezek az érzékszerv- és „agyprotézisek”, hardver- és szoftverkiegészítők lehetővé tették, hogy olyan modalitásokat észleljünk, olyan elméleteket dolgozzunk ki, és segítségükkel olyan jelenségeket értsünk meg, amelyek ösztönös emberi gondolkodással lehetetlenek lettek volna (1. ábra). Az így megerősödött tudomány és az arra épülő technológia jelentősen átalakította, átalakítja a világot.

Ezzel el is érkeztünk a jelen korba. A fent vázolt kép szerkezetében ugyan nem sokat változott a korábbi évszázadokhoz képest, a mennyiségi változások mégis olyan számottevőek, hogy gyökeresen átalakult a megismerési folyamat. Az új faktor a mikroelektronika és a ráépülő számítástechnika. A detektorok sokkal nagyobb kapacitásúak és érzékenyebbek, mint bármikor eddig. Míg néhány éve még a műszerek mutatóit a kutatók olvasták le, és jegyezték fel táblázatokba, rajzolták milliméterpapíron grafikonokra, ma már szinte minden mérést számítógéppel vezérlünk, és az adatok egyből digitálisan gyűlnek. Az így „felturbózott érzékszervek” fejlődésénél, ha lehet, még nagyobb lökést kapott az információfeldolgozó oldal. Még a legegyszerűbb alapjelenségekkel foglalkozó tudományokban, például a fizikában – ahol legtöbb alaptörvény elfér egy pólóra nyomtatva – sem tudjuk a modelleket analitikusan végigszámolni. Elég hozzá egymással gravitációsan kölcsönható három test vagy két csatolt inga, és a rendszer kaotikussá válik. A számítógépek lehetővé teszik, hogy eddig elképzelhetetlenül összetettnek tartott szimulációkat futtassunk, mintegy „virtuális valóságot” hozzunk létre, amely egyre pontosabb, egyre részletesebb képe a valódinak. A szimulációk segítségével a molekulák dinamikájától kezdve folyadékok áramlásán át az Univerzum nagyskálás szerkezetének fejlődéséig számos rendszert egyre pontosabban értünk, egyre nagyobb gyógyszermolekulát tudunk tervezni, egyre pontosabban és hosszabb időre jelezzük előre az időjárást. A virtuális valóság elnevezés azért is találó, mert elsősorban az egyre élethűbb számítógépes játékok iránti igény táplálja, tartja fenn, és teszi kifizetődővé a – mellékesen a tudósok munkáját is segítő – számítógépek fejlesztését.

Az Univerzum, …

Az egyik első tudományos „Big Data” projekt (amikor ez a kifejezés még nem is létezett), a Sloan Digitális Égtérképezés (Sloan Digital Sky Survey – SDSS) volt. Tervezése a 90-es évek közepén indult, célként az Univerzum nagyskálás szerkezetének megismerését, a Világegyetem háromdimenziós térképének elkészítését tűzte ki. Maga a távcső méreteiben (2,5 m tükörátmérő) nem kiemelkedő, viszont egy olyan speciális kamera került a fókuszsíkba, amely akkor a csillagászatban is újdonságnak számító félvezető-detektorokat, CCD-chipeket tartalmazott. Ma már majdhogynem mobiltelefont is lehet kapni 120 megapixeles kamerával, de akkor a világon legyártott jó minőségű CCD-pixelek fele ebbe az egy kamerába volt beépítve. Az öt színszűrővel ellátott kamera fotometriai észlelései mellett talán még fontosabb az optikai szálak segítségével egyszerre 640 színképet felvevő spektrográf. A fotometriai észlelések megadják a galaxisok égi pozícióit, de a harmadik koordináta csak a spektrumból mérhető vöröseltolódásból, közvetve, a Hubble-törvény segítségével nyerhető ki. Az Univerzum nagyon nagy, és a Tejútrendszerhez legközelebbi galaxis is olyan távol van, hogy szabad szemmel alig látható, így nem csoda, hogy közel egy évtizedig tartott, hogy 300 millió galaxist lefényképezzünk, és közülük egymilliónak a színképét is meghatározzuk. A végül összeállt 2,5 terapixeles kép, 100 terabájtos nyers adathalmaz, 10 terabájtos katalógus még ma is tekintélyesnek számít, de a tervezéskor, a 90-es évek közepén, amikor a legnagyobb merevlemezek nagyságrenddel kisebbek, 10 gigabájtosak voltak, egészen félelmetesnek tűnt. Egy dologban bízhattunk: Moore törvényében. Gordon E. Moore, az Intel egyik alapítója 1965-ben írta le azt a megfigyelését, hogy az egy lapkára rakható tranzisztorok száma kétévente duplázódik. Az összefüggést sok más formában is megfogalmazták, mert közvetve azt is maga után vonja, hogy a processzorok sebessége, a memóriák tárolókapacitása exponenciálisan növekszik, ugyanannyi pénzből egyre nagyobb kapacitású berendezést lehet beszerezni. Az exponenciális görbe nagyon gyorsan növekszik, a lineáris trendekhez szokott emberi érzéknek nehezen fogható fel, hogy kapacitás tekintetében két év alatt akkora a növekmény, mint a kezdetektől fogva összesen. Sokat lehetne még diszkutálni, hogy mit hozott és mit hozhat ez a már ötven éve töretlen trend, és hogy mik a korlátai, de térjünk vissza ahhoz, hogy milyen kihívást jelentett az SDSS észleléseinek nagy adatmennyisége.

Hagyományosan a csillagászok kisszámú objektumot vizsgáltak, saját kezűleg, egyesével redukálták a nyers képeket, és a kiértékelés is nagyrészt kézi munkával történt. 300 millió galaxis esetében erre nem elegendő nemcsak a doktoranduszi három év, de egy kutató teljes életpályája sem. Automatikus feldolgozószoftver-folyamatokat kellett létrehozni, amelyek nagy sebességgel képesek ellátni a rutinfeladatokat. Nem csoda hát, hogy az SDSS az első olyan csillagászati projekt volt, ahol a költségvetés és emberhónapok nagyobbik része nem a hagyományos csillagászati munkára, hanem tudományinformatikára fordítódott. A szoftverek természetesen nem helyettesítik a kutatókat, így az előfeldolgozott adatokat, katalógusokat – amelyek mennyisége, noha nagyságrenddel kisebb a nyers adatokénál, még így is jelentős –, egy olyan adatbázisba kellett elhelyezni, amelyben hatékonyan lehet keresni, a szükséges adatok gyorsan

megtalálhatóak és kinyerhetőek. Érdekes módon az üzleti világból kellett segítséget hívni: míg a tudományokban nagyrészt fájlok formájában kezelték az adatokat, a vállalati világban az ügyfelek, áruk, tranzakciók nyilvántartására már kiterjedten használtak adatbázis-kezelő rendszereket. Ezek a rendszerek az üzleti felhasználáshoz voltak optimalizálva, így adaptálni kellett azokat a tudományos adatkezelés céljainak megfelelően. Újfajta szakemberekre volt szükség, olyanokra, akik az információtechnológia apró részleteit (például a merevlemezek memóriapuffereinek működését) is ismerik, ugyanakkor értik a tudományos kérdéseket, célokat, amelyekhez optimalizálni kell a rendszert. Hasonlóan, ahogyan néhány évszázada a differenciálegyenletek megoldása elemi tudássá vált számos diszciplínában, mára ugyanúgy elengedhetetlen a szoftvertechnológiák ismerete a kutatók számára. Ahogy nem lehet kiadni egy részecskefizikai perturbációszámítási feladatot egy a fizika iránt nem érdeklődő „általános” matematikusnak, ugyanúgy egy tudományos adatbázis megtervezése sem egy „egyszerű programozói” feladat. A hardverközeli tudáson túl számos olyan ismeretre is szükség van, mint a keresőfák elmélete, lineáris programozás, számítógépes geometria stb., amelyek a matematikán és számítástudományon belül régóta kutatott témák voltak ugyan, a természettudósok nagy részének viszont ismeretlenek.

Az SDSS műszere metaforánk keretében példa egy hatékony szenzoros protézisre. Könnyen hozhatunk példát arra is, hogy a modellezőképességet segítő „protézisek” hogyan fejlődtek ugyanezen időszakban. A kozmológiai modellek jó ideig arra szorítkoztak, hogy az Einstein-egyenletek analitikusan kezelhető megoldásait vizsgálják, a részletek teljes elhanyagolásával. Mivel se kísérleti evidencia nem utalt másra, se összetettebb megoldások vizsgálata nem volt lehetséges, nem csoda, ha Occam borotvája értelmében a legegyszerűbb, homogén és izotrop verziót vizsgáltuk. Az alapmodell továbbra sem változott, de a számítási kapacitás növekedésével egyre részletesebben lehet szimulálni azt a folyamatot, ahogyan a nagy skálákon domináns gravitációs erő a nagyon apró korai fluktuációkat felerősítve összecsomósítja az anyagot. Spontán módon hatalmas falak, fonalak és halmazok hálózata jön létre, amelyekben végül az anyag olyan nagymértékben csomósodik össze, hogy beindul a csillagkeletkezés, megszületnek a galaxisok (2. ábra). A szimulációk és észlelések összevetéséből az is kiderül, hogy egyre több részletet figyelembe kell venni, az Univerzum ténylegesen egy komplex rendszer, számítanak a részletek, csatolódnak a skálák. A galaxisok fejlődésére jelentős hatása van a viszonylag kis számban megjelenő szupernóvák lökéshullámainak és a szupernagy tömegű fekete lyukakból kiáramló nyaláboknak, és még sorolhatnánk a csak néhány éve felfedezett bonyolító tényezők sorát. Míg 2005-ben a Millennium-szimulációs projekt elsősorban csak a sötét anyag viselkedését tudta szimulálni, amelyben az elemi tömegpontok mérete nagyobb volt, mint egy galaxis, addig a legújabb Illustris projekt már hidrodinamikai hatásokat is figyelembe vesz, részletes csillagfejlődési modelleket használ, összekötve így a kozmikus és galaktikus skálákat.

…az Élet,

A csillagászat fundamentális fizikai elvekből kiindulva tömören megfogalmazható matematikai kifejezésekből építi fel modelljeit, a komplexitás fokozatosan az egyre nagyobb rendszerek egyre részletesebb vizsgálatával jelenik meg. A biológia esetében csillagászati szóhasználattal élve nem ismerünk tömegpontokat és körpályákat, és eleve soktest-rendszereket vizsgálunk. Összetett rendszer leírásához összetett modellek kellenek, és azok felállítása, paraméterezése nem lehetséges nagy mennyiségű adat nélkül, így talán ezen a területen még nagyobb változás várható az adatforradalomtól. A biológiai adatforradalom elsőként a genetika területén jelentkezett. Mivel a DNS-ben tárolt információ sok tekintetben digitálisnak nevezhető, más molekulákhoz, például a fehérjékhez, lipidekhez, poliszacharidokhoz képest könnyebben feltérképezhető. Az 1970-es évek végén sikerült először egy vírus meglehetősen rövid nukleinsav-szekvenciáját hosszas laboratóriumi munkával leolvasni, és még az 1990-es években kezdődött Humán Genom Projektnek is sok-sok kutatólaboratórium összehangolt munkájára és több mint egy évtizedre volt szüksége egyetlen emberi genom szekvenciájának meghatározásához. Ugyanaz a mikroelektronikai technológia, sőt sok tekintetben ugyanolyan CCD-kamera, ami a távcsövekbe is bekerült, tette lehetővé az ún. új generációs szekvenálás (NGS) létrejöttét, amellyel egy új, genetikai Moore-törvény indult útnak (3. ábra)

Mára a DNS-szekvenciák leolvasásának hatékonysága az elektronikában látott tempónál is lényegesen nagyobb mértékben fejlődik. Míg a Humán Genom Projektben közel hárommilliárd dollárba került a genomunkat alkotó 3,5 milliárd nukleotid leolvasása, ma már alig több mint ezer dollárból megoldható. Ez azt is jelenti, hogy nagyobb rátával gyűlik a leolvasott genetikai adat, mint amilyen rátával gyártják a számítógép merevlemezeit. Kutatók fel is vetették az ötletet, hogy nem a diszkeken kell tárolni az adatokat, elég a sokkal kisebb helyen elférő DNS-t eltenni, az is ugyanúgy információhordozó, ha kell, majd újra leolvassuk. Az információözön, ha lehet, még nagyobb kihívást jelent a biológiai tudományokban, mint a számok világához hagyományosan közelebb lévő fizikában vagy csillagászatban. Ugyanakkor szinte beláthatatlanok a lehetőségek is. Ahogyan a távcsövek nélkül esélytelenek voltunk, hogy akár csak elképzeljük, hogy a Naprendszer egy galaxis része, azon túl pedig számos más hasonló galaxis van, és hogy mindez hogyan jött létre, ugyanúgy a „genetikai teleszkóp” nélkül nem volt esélyünk arra, hogy megértsük a sejt mikrovilágának működését, meggyógyítsuk az Alzheimer-kórt vagy a rákot.

…meg Minden

Az adatforradalom nem áll meg a természettudományok határainál. A mobiltelefonok, a rajtuk futó szociális hálózati alkalmazások, az elektronikus levelezés hihetetlen mennyiségű digitális információt gyűjt össze az emberi viselkedésről, a társadalom működéséről, mintegy „magától”. Természetesen ezen adatok és hasonlóan, a fent említett génszekvencia-adatok is számos etikai kérdést is felvetnek, de a tudomány számára hihetetlen gazdagságú forrást jelentenek. Néhány emberrel kitöltetett kérdőívek és exit pollok helyett a társadalom rezdüléseit, a választások eredményeit tweetek millióival követik. Az emberi kapcsolatok szinte teljes hálózata hirtelen elérhetővé vált, klasszikus társadalomtudományi kérdések, mint például Milgram nevezetes „hat kézfogás” kísérlete nagy skálán tesztelhető. A pénzügyi tranzakciók is egyre inkább elektronikusan zajlanak, és noha ezeknek az adatoknak nagy része – szerencsére, ugyanakkor a kutatók sajnálatára – nem publikus, gyors ütemben fejlődik az egyre kiterjedtebb e-pénz-kereskedelem. Ilyen például a bitcoin, amelynek esetében minden fillér teljes története regisztrálva van, és az adatok mindenki számára nyilvánosak, elemezhetőek. A tudomány határain kívül, az üzleti szférában is egyre dominánsabb a tudományos vizsgálódásoktól inkább csak tárgyában, mintsem metodikájában különböző adatanalitika szerepe. Bizonyítja ezt az is, hogy több végzett PhD-hallgatónk talált állást pénzügyi elemző cégeknél vagy éppen nemzetközi szállítmányozó vállalatnál, ahol a kamionokban lévő GPS és egyéb járműszenzorok adatainak sokasága alapján próbálják a cég hatékonyságát javítani.

A különböző tudományágak gyökeresen különböző kérdéseket vizsgálnak ugyan, de a nagy adathalmazok elemzése sok tekintetben összekapcsolja őket, és a sokat (inkább csak) emlegetett (mint művelt) multidiszciplinaritás új értelmet kap. Minden területen nagy mennyiségű, magas dimenziós komplex adathalmazok gyűlnek, így hasonló eszközök, hasonló tudás kell ahhoz, hogy belőlük értelmezhető ismereteket nyerhessünk ki. Ugyanazt az adatbázis-kezelő technikát kell elsajátítani a galaxisok és gének adatai közötti hatékony kereséshez, ugyanaz a gömbi poligon-indexelés használható az égen a csillagok és a Földön az emberek koordinátáinak rendezéséhez, a bitcoin-tranzakciók ugyanúgy hálózatot alkotnak, mint a fehérjék kölcsönhatásai, a magas dimenziós adatokhoz mindenütt ugyanazok a dimenzióredukciós számítástudományi módszerek szükségesek. Ez az igény tette lehetővé, hogy hazai és külföldi együttműködésekben kollégáimmal és diákjaimmal számos, egymástól látszólag nagyon távol álló kutatásba bekapcsolódjunk, és az egyik területen megszerzett ismereteket máshol is kamatoztathassuk.

Összefoglalás

A tudomány új korszakba lépett, az egyszerű dolgok megismerése után egyre komplexebb jelenségeket próbál megérteni. Az élő sejt komplex rendszer, az emberi társadalom is komplex rendszer, a nemzetközi gazdaság ugyancsak komplex rendszer, az internet hálózata szintén komplex rendszer, minden galaxis egy-egy komplex rendszer, és maga az Univerzum is egy komplex rendszer. A komplex valóság leírásához komplex modellek kellenek. Komplex modelleket validálni, sőt már felállítani is csak sok-sok adat részletes elemzésével lehet. Ehhez egyrészt hatékony eszközök, másrészt rátermett, képzett kutatók kellenek. Mára a számítógépek már nemcsak számoló gépek, hanem ugyanúgy elengedhetetlen kutatóeszközök, „adat-o-szkópok”, „modell-o-szkópok”, mint a mikroszkópok és a teleszkópok. A jövő oktatásának egyik nagy kihívása, hogy olyan fiatal kutatói generációt képezzünk ki, amelynek tagjai értik az adott szaktudományt is, ugyanakkor megfelelő mélységű információtechnológiai készségekkel és számítástudományi ismeretekkel is rendelkeznek. Csak így van esélyünk arra, hogy megértsük a természet rejtélyeit, hogy gyógyítsuk az eddig gyógyíthatatlan betegségeket, meghosszabbítsuk az ember egészségben töltött várható életkorát, és megbirkózzunk a modern kor számos kihívásával.
 

A cikkben leírt általános gondolatok mögött olyan jóval konkrétabb és gyakran aprólékos munkát igénylő kutatások vannak, amelyeket az OTKA 103244, TÁMOP-4.2.2.C-11/1/KONV-2012-0013 és KMR_12-1-2012-0216 pályázatok támogatták.
 

Kulcsszavak: tudományos adatbázisok, Moore-törvény, adatintenzív vizsgálatok, digitális égtérképezés, genomszekvenálás
 

LÁBJEGYZETEK

1 A cikk az MTA 186. közgyűlésén a Fizikai Tudományok Osztályának tudományos ülésén elhangzott, hasonló című előadás alapján készült. <