Βραβείο Νόμπελ Χημείας για τους προγραμματιστές του AlphaFold AI για την πρόβλεψη των πρωτεϊνικών δομών

Βραβείο Νόμπελ Χημείας για τους προγραμματιστές του AlphaFold AI για την πρόβλεψη των πρωτεϊνικών δομών

Για πρώτη φορά —και σίγουρα όχι η τελευταία— μια επιστημονική ανακάλυψη που έγινε δυνατή από την τεχνητή νοημοσύνη κέρδισε το βραβείο Νόμπελ. Το Νόμπελ Χημείας 2024 απονεμήθηκε στους John Jumper και Demis Hassabis του Google DeepMind στο Λονδίνο για την ανάπτυξη μιας πρωτοποριακής Εργαλεία AI για πρόβλεψη δομής πρωτεΐνης που ονομάζονται AlphaFold, και στον David Baker του Πανεπιστημίου της Ουάσιγκτον στο Σιάτλ για την εργασία του στον υπολογιστικό σχεδιασμό πρωτεϊνών τα τελευταία χρόνια έφερε επανάσταση από την AI.

Τα αποτελέσματα του AlphaFold, αυτό αποκαλύφθηκε πριν από μερικά χρόνια, δεν είναι τίποτα λιγότερο από μεταμορφωτικά. Το εργαλείο έχει κάνει την πρόβλεψη των πρωτεϊνικών δομών – συχνά, αλλά όχι πάντα, με υψηλή ακρίβεια – προσβάσιμη στους ερευνητές με το πάτημα ενός κουμπιού, επιτρέποντας πειράματα που ήταν αδιανόητα πριν από μια δεκαετία. Οι βιολόγοι μιλούν τώρα για μια εποχή «πριν από το AlphaFold» και «μετά το AlphaFold».

"Ήταν ένα όνειρο εδώ και πολύ καιρό να μπορούμε να προβλέψουμε την τρισδιάστατη δομή των πρωτεϊνών με βάση τις αλληλουχίες αμινοξέων τους. Αυτό θεωρείτο αδύνατο για δεκαετίες", δήλωσε ο Heiner Linke, πρόεδρος της Επιτροπής Νόμπελ και νανοεπιστήμονας στο Πανεπιστήμιο Lund στη Σουηδία, κατά την ανακοίνωση του βραβείου. Οι φετινοί τιμώμενοι «έσπασαν τον κώδικα», πρόσθεσε. Οι τρεις νικητές θα μοιραστούν ένα έπαθλο 11 εκατομμυρίων σουηδικών κορωνών (1 εκατομμύριο δολάρια ΗΠΑ).

Εξαιρετικό AI

Η DeepMind παρουσίασε το AlphaFold το 2018, όταν κέρδισε έναν διετές διαγωνισμό πρόβλεψης πρωτεϊνικής δομής, την Critical Assessment of Protein Structure Prediction (CASP). Αλλά ήταν η δεύτερη έκδοση του βαθιού νευρωνικού δικτύου, που παρουσιάστηκε στα τέλη του 2020, που προκάλεσε σεισμό στις βιοεπιστήμες.

Πολλές από τις προβλέψεις του AlphaFold2 στο CASP ήταν τόσο ακριβείς που δεν μπορούσαν να διακριθούν από τις πειραματικά προσδιορισμένες πρωτεϊνικές δομές. Αυτό ώθησε τον John Moult, συνιδρυτή του CASP και υπολογιστικό βιολόγο στο Πανεπιστήμιο του Maryland στο College Park, να να δηλώσει το 2020, ότι «το πρόβλημα έχει λυθεί με συγκεκριμένο τρόπο».

Ο Hassabis, συνιδρυτής και Διευθύνων Σύμβουλος της DeepMind, και ο Jumper, ηγέτης της ομάδας AlphaFold, ηγήθηκαν της ανάπτυξης του AlphaFold2. Για την πρόβλεψη των πρωτεϊνικών δομών, το νευρωνικό δίκτυο ενσωματώνει παρόμοιες δομές από βάσεις δεδομένων που περιέχουν εκατοντάδες χιλιάδες πειραματικά καθορισμένες δομές και εκατομμύρια αλληλουχίες σχετικών πρωτεϊνών – οι οποίες περιέχουν πληροφορίες για τα σχήματά τους.

Το 2021, το DeepMind Ο υποκείμενος κωδικός του AlphaFold2 διατίθεται δωρεάν, μαζί με τα δεδομένα που απαιτούνται για την εκπαίδευση του μοντέλου. Ενας Βάση δεδομένων AlphaFold, που παρασκευάστηκε σε συνεργασία με το Ευρωπαϊκό Εργαστήριο Μοριακής Βιολογίας και το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής στο Hinxton, UK, περιέχει τώρα τις δομές των περισσότερων πρωτεϊνών από όλους τους οργανισμούς που αντιπροσωπεύονται σε γενετικές βάσεις δεδομένων: συνολικά περίπου 214 εκατομμύρια προβλέψεις. Φέτος η εταιρεία παρουσίασε ένα τρίτη έκδοση του AlphaFold που μπορεί επίσης να μοντελοποιήσει άλλα μόρια που αλληλεπιδρούν με πρωτεΐνες, όπως φάρμακα.

Η επανάσταση που εξαπέλυσαν οι Jumper, Hassabis και οι συνάδελφοί τους είναι ακόμα στα πρώτα της στάδια και η πλήρης επίδραση του AlphaFold στην επιστήμη μπορεί να μην είναι γνωστή για χρόνια. Αλλά το εργαλείο βοηθά ήδη τους επιστήμονες να αποκτήσουν νέες γνώσεις.

Μια πρωτοποριακή ομάδα χρησιμοποίησε το εργαλείο, μαζί με πειραματικά δεδομένα, για να σύμπλεγμα πυρηνικών πόρων να χαρτογραφήσει, ένα από τα μεγαλύτερα μηχανήματα στα κύτταρά μας που μεταφέρει μόρια μέσα και έξω από τον πυρήνα του κυττάρου. Πέρυσι, δύο ομάδες ανέλυσαν ολόκληρη τη βάση δεδομένων AlphaFold για να ανακαλύψουν τις βαθύτερες γωνιές του πρωτεϊνικού σύμπαντος, εντοπίζοντας νέες οικογένειες πρωτεϊνών και πτυχές και εκπληκτικές συνδέσεις στον μηχανισμό της ζωής.

Πολλοί ερευνητές ελπίζουν ότι το AlphaFold και άλλα εργαλεία τεχνητής νοημοσύνης που έχει εμπνεύσει θα μεταμορφώσουν την ιατρική. Ωστόσο, είναι ακόμα ασαφές, πώς ή εάν, το AlphaFold θα εξορθολογίσει τη δαπανηρή και πολλαπλών βημάτων διαδικασία ανάπτυξης ασφαλών νέων φαρμάκων.

Δημιουργία νέων πρωτεϊνών

Πάνω από μια δεκαετία προτού η DeepMind αρχίσει να συνεργάζεται με την AlphaFold, ο υπολογιστικός βιοφυσικός David Baker από το Πανεπιστήμιο της Ουάσιγκτον στο Σιάτλ και οι συνεργάτες του ανέπτυξαν εργαλεία λογισμικού για τη μοντελοποίηση των πρωτεϊνικών δομών που βασίζονται σε φυσικές αρχές που ονομάζονται Rosetta. Το εργαλείο είχε πρώιμη επιτυχία στο σχεδιασμό νέων πρωτεϊνών.

Με τα χρόνια, η ομάδα του Baker εφάρμοσε τη Rosetta για να προβλέψει τις πρωτεϊνικές δομές - ήταν μεταξύ των κορυφαίων επιδόσεων σε πολλά CASP πριν από την πρόσφατη κυριαρχία του AlphaFold - καθώς και για να σχεδιάσει νέες πρωτεΐνες, όπως ένζυμα και νανοσωματίδια πρωτεΐνης που συναρμολογούνται.

Όταν ανακοινώθηκε το AlphaFold2 - αλλά δεν κυκλοφόρησε ακόμα - ο Baker και η ομάδα του, συμπεριλαμβανομένου του υπολογιστικού χημικού Minkyung Baek, τώρα στο Εθνικό Πανεπιστήμιο της Σεούλ στη Νότια Κορέα, ξεκίνησαν να κατανοήσουν το λογισμικό και να εφαρμόσουν μερικά από τα κόλπα του σε μια προηγούμενη έκδοση της Rosetta που βασίζεται σε AI. Η πρώτη έκδοση του δικτύου RoseTTAFold που προέκυψε απέδωσε σχεδόν εξίσου καλά με το AlphaFold2. Από το 2021, και τα δύο δίκτυα βελτιώνονται συνεχώς από τους προγραμματιστές τους και άλλους επιστήμονες για την αντιμετώπιση νέων προκλήσεων, όπως η πρόβλεψη της δομής συμπλεγμάτων που αποτελούνται από πολλές διαφορετικές πρωτεΐνες που αλληλεπιδρούν.

Τα τελευταία χρόνια, η ομάδα του Baker ήταν ιδιαίτερα παραγωγική στην εφαρμογή της μηχανικής μάθησης στον λόγο ύπαρξης του εργαστηρίου του: να δημιουργήσει νέες πρωτεΐνες που δεν έχουν δει ποτέ στη φύση. Ένα εργαλείο που αναπτύχθηκε πρόσφατα από την ομάδα του Baker, το οποίο συνδυάζει το RoseTTAFold με νευρωνικά δίκτυα διάχυσης που δημιουργούν εικόνα, οδήγησε σε ένα κβαντικό άλμα στην ικανότητα των ερευνητών να σχεδιάζουν πρωτεΐνες.

Αν και υπολογιστικά εργαλεία όπως το AlphaFold δεν αντικαθιστούν τις πειραματικές μελέτες, είναι επιταχυντές, λένε οι επιστήμονες. «Αυτό θα επιτρέψει σε μια νέα γενιά μοριακών βιολόγων να κάνει πιο προχωρημένες ερωτήσεις», δήλωσε ο δικαστής της CASP Andrei Lupas, εξελικτικός βιολόγος στο Ινστιτούτο Αναπτυξιακής Βιολογίας Max Planck στο Tübingen της Γερμανίας. 2020 στη φύση.