Современные законы, ограничивающие создание коммерческих генетически модифицированных сортов, вредят биоразнообразию и защищают существующие монополии в области производства генетически улучшенных сортов растений и пород животных. Разумеется, изменить привычные устои не получится, пока люди боятся употреблять продукты, созданные методами генной инженерии. Нагнетают эти страхи и авторы спорных исследований о потенциальном или явном вреде ГМО. Настало время поговорить о них.

“Статистика не всегда говорит правду, но может помочь понять результаты” – так ответил¹²⁴ французский исследователь Жиль-Эрик Сералини на один из ключевых пунктов критики, которая обрушилась на его статью о вреде генетически модифицированной кукурузы линии NK603¹²⁵. Пятнадцать^126–140 писем от независимых исследователей, в том числе от меня, указывали на различные ошибки в этой нашумевшей публикации в научном журнале Food and Chemical Toxicology.

“В этих результатах нет ничего, кроме случайной ошибки, и любой компетентный рецензент немедленно это увидел бы”, – писал один из критиков Сералини профессор Энтони Тревавас, молекулярный биолог из Эдинбургского университета. Поддержка у Сералини со стороны коллег тоже имелась, но ее выразили лишь в одном письме¹⁴¹. Тем временем Россия отреагировала на исследование введением временного запрета на импорт генетически модифицированной (ГМ) кукурузы.

Сералини утверждал, что крысы, употреблявшие ГМ кукурузу NK603, погибали чаще и имели больше опухолей, чем крысы из контрольной группы, которые ели обычную кукурузу. Большинство специалистов, глядя на опубликованные результаты, возражали, что этот вывод не обоснован. В такой ситуации обычному человеку сложно понять, кому доверять: Сералини или тем, кто его критикует. Для этого желательно узнать, в чем, собственно, заключалась критика.

В этой главе представлен обзор аргументов в пользу безопасности использования уже существующих генетически улучшенных организмов в качестве продуктов питания. Это необычный обзор, потому что я опираюсь исключительно на данные, полученные теми, кто писал о возможной опасности ГМО, в том числе и на данные, полученные Сералини.

В значительной части работ, в которых было заявлено негативное действие ГМО на животных, выводы не соответствуют результатам. Это связано с тем, что в них присутствует одна и та же ошибка, которая заключается в некорректном применении аппарата математической статистики. После ее устранения полученные данные перестают свидетельствовать в пользу того, что ГМО опаснее обычных организмов. Следуя завету Сералини, давайте разберемся в том, как статистика помогает понять результаты исследований. Но сначала попробуем понять саму статистику.

В статистике существует понятие, которое называется нулевая гипотеза. Это понятие отражает позицию по умолчанию, утверждающую, что между двумя явлениями нет никакой связи. Она говорит, что орел или решка на монете выпадают равновероятно и независимо от погоды. Что рак легких не связан с курением. Что цвет глаз человека не зависит от его пола. Что число пропавших в течение недели носков не зависит от того, наблюдалось ли на небе НЛО. Что токсичность картошки не зависит от того, генетически модифицирована она или нет, и так далее. В некоторых случаях нулевая гипотеза верна, в других – нет. До появления доказательств обратного нулевая гипотеза считается верной по умолчанию, поэтому научные эксперименты сводятся к тому, что нулевую гипотезу пытаются опровергнуть.

Статистические тесты позволяют оценить, насколько высока вероятность получить некий результат при условии, что нулевая гипотеза верна. Допустим, что мы провели эксперимент, в котором подкинули монетку десять раз и все десять раз выпала решка. В данном случае за нулевую гипотезу можно принять равную вероятность выпадения орла и решки. При таком допущении вероятность выкинуть решку десять раз из десяти равна ½ в десятой степени, то есть менее одной тысячной. Полученная вероятность называется P-значение, или просто P, и это вероятность получить такое же или более существенное отклонение результата эксперимента от ожидаемого. Полученное P сравнивается с пороговым значением, уровнем значимости, обозначаемым α (альфа). Общепринятыми значениями α являются либо 0,05, либо 0,01, либо 0,001. Отметим, что 0,05 – самый мягкий порог, который можно встретить в научной литературе, хотя это лишь некоторая условность.

Если полученное значение P меньше, чем пороговое значение, мы считаем, что нулевая гипотеза отвергнута и можно принять альтернативную гипотезу. В случае с монеткой получилось так, что P < 0,001, а значит, есть основания полагать, что решка выпадает чаще орла. Чем меньше порог α, тем меньше вероятность, что мы получим ложноположительный результат, найдем закономерность там, где ее нет. Чем больше порог α, тем меньше вероятность, что мы получим ложноотрицательный результат, то есть не найдем закономерности там, где она есть. Правильно подобранные пороги позволяют соблюсти баланс между этими двумя типами ошибок.

Статистику полезно знать еще и потому, что она помогает знакомиться с девушками (или молодыми людьми), и я сейчас продемонстрирую как. Загадайте целое число от 1 до 20. Сделайте это, прежде чем читать дальше. Помните, что если вы симпатичная девушка и я угадаю ваше число, то с вас билет в кино. Итак, перед вами умная книга, наподобие дневника Тома Редла из “Гарри Поттера”, и она заранее знает, какое число вы загадаете. Обратитесь к калькулятору и поделите 23101096 на 1358888. Убедитесь, что я угадал правильно.

Секрет фокуса прост. Он работает только в одном случае из двадцати, и, скорее всего, я ваше число не угадал. Девятнадцать читателей из двадцати не будут впечатлены, но, возможно, именно с вами мне повезло, и вы на секунду удивились. Если повторять этот фокус много раз, каждый раз с новой девушкой (или читателем), с кем-нибудь он неизбежно сработает. Вероятность угадать в одном испытании равна 5 %, но вероятность угадать хотя бы раз, имея двадцать попыток, уже превышает 64 %. При ста испытаниях трюк удастся хотя бы раз с вероятностью 99,4 %!

Проблема “множественных сравнений” (или множественных испытаний) возникает в статистике, когда мы проверяем не одну гипотезу, а множество похожих. Для ее иллюстрации используется простая формула Y = (1,00–0,95^N)×100 %, где N обозначает число сравнений, а Y – вероятность того, что по случайным причинам хотя бы в одном из них будет обнаружено статистически достоверное отличие при пороге значимости 0,05.

В 2012 году доктор Крейг Беннет получил Шнобелевскую премию за удивительную статью. Он искал у лосося участок мозга, отвечающий за распознавание человеческих эмоций. Для этого он показывал рыбе серию фотографий, на которых были изображены люди в разных социальных ситуациях, с разным эмоциональным оттенком, и анализировал активность мозга рыбы с помощью томографа. Оказалось, что мозг рыбы по-разному реагирует на разные фотографии людей! Этот результат особенно удивителен, если учесть, что лосось в исследовании был дохлым¹⁴².

На самом деле Беннет пытался привлечь внимание к важной проблеме. Стандартные приборы, измеряющие активность мозга, имеют погрешности в измерениях, шум. Если измерить активность мозга одновременно в огромном количестве независимых участков, в некоторых из них по случайным причинам может обнаружиться статистически достоверный сигнал, который можно ошибочно интерпретировать как признак мозговой активности (реакцию на изображения). Так Беннет продемонстрировал, что проблема множественных сравнений порой приводит к неожиданным биологическим результатам.