Nobelprisen i kemi til udviklere af AlphaFold AI for at forudsige proteinstrukturer

Nobelprisen i kemi til udviklere af AlphaFold AI for at forudsige proteinstrukturer

For første gang - og bestemt ikke sidste - er et videnskabeligt gennembrud muliggjort af kunstig intelligens blevet tildelt en Nobelpris. Nobelprisen i kemi 2024 blev tildelt John Jumper og Demis Hassabis fra Google DeepMind i London for udviklingen af ​​en banebrydende AI-værktøjer til forudsigelse af proteinstruktur kaldet AlphaFold, og til David Baker fra University of Washington i Seattle for hans arbejde med beregningsmæssigt proteindesign gennem de sidste par år blev revolutioneret af AI.

Virkningerne af AlphaFold, det blev afsløret for nogle år siden, er intet mindre end transformative. Værktøjet har gjort forudsigelse af proteinstrukturer - ofte, men ikke altid, meget nøjagtige - tilgængelig for forskere ved et tryk på en knap, hvilket muliggør eksperimenter, der var utænkelige for ti år siden. Biologer taler nu om en æra "før AlphaFold" og "efter AlphaFold".

"Det har længe været en drøm at kunne forudsige den tredimensionelle struktur af proteiner baseret på deres aminosyresekvenser. Dette blev anset for umuligt i årtier," sagde Heiner Linke, formanden for Nobelkomiteen og nanoforsker ved Lunds Universitet i Sverige, under uddelingen af ​​prisen. Dette års æresmodtagere "har knækket koden," tilføjede han. De tre vindere vil dele en præmie på 11 millioner svenske kroner (1 million US$).

Fremragende AI

DeepMind introducerede AlphaFold i 2018, da det vandt en toårig konkurrence om forudsigelse af proteinstrukturer, Critical Assessment of Protein Structure Prediction (CASP). Men det var den anden version af det dybe neurale netværk, som blev præsenteret i slutningen af ​​2020, som udløste et jordskælv i biovidenskaberne.

Mange af AlphaFold2's forudsigelser på CASP var så nøjagtige, at de ikke kunne skelnes fra eksperimentelt bestemte proteinstrukturer. Dette fik John Moult, medstifter af CASP og beregningsbiolog ved University of Maryland i College Park, til at at erklære i 2020, at "problemet er løst på en bestemt måde".

Hassabis, medstifter og administrerende direktør for DeepMind, og Jumper, leder af AlphaFold-teamet, ledede udviklingen af ​​AlphaFold2. For at forudsige proteinstrukturer integrerer det neurale netværk lignende strukturer fra databaser, der indeholder hundredtusindvis af eksperimentelt bestemte strukturer og millioner af sekvenser af beslægtede proteiner - som indeholder information om deres former.

I 2021, DeepMind Den underliggende kode for AlphaFold2 er tilgængelig gratis, sammen med de data, der kræves for at træne modellen. En AlphaFold database, udarbejdet i samarbejde med European Molecular Biology Laboratory og European Bioinformatics Institute i Hinxton, Storbritannien, indeholder nu strukturerne af de fleste proteiner fra alle organismer repræsenteret i genetiske databaser: i alt omkring 214 millioner forudsigelser. I år introducerede virksomheden en tredje version af AlphaFold som også kan modellere andre molekyler, der interagerer med proteiner, såsom lægemidler.

Den revolution, som Jumper, Hassabis og deres kolleger har udløst, er stadig i sin tidlige fase, og AlphaFolds fulde indflydelse på videnskaben er måske ikke kendt i årevis. Men værktøjet hjælper allerede forskere med at få ny indsigt.

Et pionerhold brugte værktøjet sammen med eksperimentelle data til at nukleart porekompleks at kortlægge, en af ​​de største maskiner i vores celler, der transporterer molekyler ind og ud af cellekernen. Sidste år analyserede to hold hele AlphaFold-databasen for at opdage de dybeste hjørner af proteinuniverset, identificere nye proteinfamilier og folder og overraskende forbindelser i livets maskineri.

Mange forskere håber, at AlphaFold og andre AI-værktøjer, det har inspireret, vil transformere medicin. Det er det dog stadig uklart, hvordan, eller om, AlphaFold vil strømline den kostbare og flertrinsproces med at udvikle sikre nye lægemidler.

Oprettelse af nye proteiner

Mere end et årti før DeepMind begyndte at arbejde med AlphaFold, udviklede beregningsbiofysiker David Baker fra University of Washington i Seattle og hans kolleger softwareværktøjer til modellering af proteinstrukturer baseret på fysiske principper kaldet Rosetta. Værktøjet havde tidlig succes i design af nye proteiner.

I årenes løb har Bakers team anvendt Rosetta til at forudsige proteinstrukturer - det var blandt de bedste på adskillige CASP'er før AlphaFolds seneste dominans - samt til at designe nye proteiner såsom enzymer og selvsamlende proteinnanopartikler.

Da AlphaFold2 blev annonceret - men endnu ikke frigivet - satte Baker og hans team, inklusive beregningskemikeren Minkyung Baek, nu ved Seoul National University i Sydkorea, sig for at forstå softwaren og anvende nogle af dens tricks til en tidligere AI-baseret version af Rosetta. Den første version af det resulterende RoseTTAFold-netværk fungerede næsten lige så godt som AlphaFold2. Siden 2021 er begge netværk løbende blevet forbedret af deres udviklere og andre videnskabsmænd for at løse nye udfordringer, såsom at forudsige strukturen af ​​komplekser, der består af flere forskellige interagerende proteiner.

I de seneste år har Bakers team været særligt produktive i at anvende maskinlæring til hans laboratoriums eksistensberettigelse: at skabe nye proteiner, som aldrig er set i naturen. Et nyligt udviklet værktøj af Bakers team, der kombinerer RoseTTAFold med billedgenererende diffusionsneurale netværk, har ført til et kvantespring i forskernes evne til at designe proteiner.

Selvom beregningsværktøjer som AlphaFold ikke er en erstatning for eksperimentelle undersøgelser, er de en accelerator, siger videnskabsmænd. "Dette vil gøre det muligt for en ny generation af molekylærbiologer at stille mere avancerede spørgsmål," sagde CASP-dommer Andrei Lupas, en evolutionær biolog ved Max Planck Instituttet for Udviklingsbiologi i Tübingen, Tyskland. 2020 til naturen.