Nobeli keemiaauhind AlphaFold AI arendajatele valgu struktuuride ennustamise eest

Nobeli keemiaauhind AlphaFold AI arendajatele valgu struktuuride ennustamise eest

Esimest korda – ja kindlasti mitte viimast – anti tehisintellekti abil võimalikuks tehtud teaduslik läbimurre Nobeli preemia. 2024. aasta Nobeli keemiaauhinna pälvisid John Jumper ja Demis Hassabis (Google DeepMind Londonis) murrangulise teostuse väljatöötamise eest. AI tööriistad valgu struktuuri ennustamiseks, mida nimetatakse AlphaFoldiks ja David Bakerile Seattle'i Washingtoni ülikoolist tema töö eest arvutuslike valkude kujundamisel viimastel aastatel tegi revolutsiooni AI.

AlphaFoldi mõju, see selgus paar aastat tagasi, pole midagi muud kui transformatiivsed. Tööriist on muutnud valgustruktuuride ennustamise – sageli, kuid mitte alati väga täpseks – teadlastele ühe nupuvajutusega ligipääsetavaks, võimaldades teha eksperimente, mis kümme aastat tagasi olid mõeldamatud. Bioloogid räägivad nüüd ajastust "enne AlphaFoldi" ja "pärast AlphaFoldi".

"Pika aega on olnud unistus, et oleks võimalik ennustada valkude kolmemõõtmelist struktuuri nende aminohappejärjestuste põhjal. Seda peeti aastakümneid võimatuks," ütles Nobeli komitee esimees ja Rootsi Lundi ülikooli nanoteadlane Heiner Linke auhinna väljakuulutamisel. Ta lisas, et tänavused autasud on koodi murdnud. Kolm võitjat jagavad 11 miljoni Rootsi krooni (1 miljon USA dollari) suuruse auhinna.

Suurepärane AI

DeepMind tutvustas AlphaFoldi 2018. aastal, kui võitis iga kahe aasta tagant toimuva valgustruktuuri ennustamise võistluse – valgustruktuuri prognoosimise kriitilise hinnangu (CASP). Kuid see oli sügava närvivõrgu teine ​​versioon, mida esitleti 2020. aasta lõpus, mis vallandas maavärina bioteadustes.

Paljud AlphaFold2 ennustused CASP-is olid nii täpsed, et neid ei saanud eksperimentaalselt määratud valgustruktuuridest eristada. See ajendas John Moulti, CASP kaasasutajat ja arvutusbioloogi Marylandi ülikoolis College Parkis, deklareerida 2020. aastal, et "probleem on teatud viisil lahendatud".

DeepMindi kaasasutaja ja tegevjuht Hassabis ning AlphaFoldi meeskonna juht Jumper juhtisid AlphaFold2 arendamist. Valgustruktuuride ennustamiseks integreerib närvivõrk sarnaseid struktuure andmebaasidest, mis sisaldavad sadu tuhandeid eksperimentaalselt määratud struktuure ja miljoneid seotud valkude järjestusi, mis sisaldavad teavet nende kuju kohta.

2021. aastal DeepMind AlphaFold2 aluseks olev kood on tasuta saadaval, koos mudeli koolitamiseks vajalike andmetega. Üks AlphaFoldi andmebaas, mis on valminud koostöös Euroopa Molekulaarbioloogia Labori ja Ühendkuningriigis Hinxtonis asuva Euroopa Bioinformaatika Instituudiga, sisaldab nüüd enamiku valkude struktuure kõigist geneetilistes andmebaasides esindatud organismidest: kokku umbes 214 miljonit ennustust. Sel aastal tutvustas ettevõte seda AlphaFoldi kolmas versioon mis võib modelleerida ka teisi molekule, mis interakteeruvad valkudega, nagu ravimid.

Revolutsioon, mille Jumper, Hassabis ja nende kolleegid on vallandanud, on alles algusjärgus ja AlphaFoldi täielikku mõju teadusele ei pruugita teada veel aastaid. Kuid tööriist aitab juba teadlastel uusi teadmisi saada.

Teerajaja meeskond kasutas tööriista koos eksperimentaalsete andmetega tuumapooride kompleks kaardistada, üks meie rakkude suurimaid masinaid, mis transpordib molekule raku tuumast sisse ja sealt välja. Eelmisel aastal analüüsisid kaks meeskonda kogu AlphaFoldi andmebaasi, et avastada valguuniversumi sügavamaid nurki, tuvastades uusi valguperekondi ja voldid ning üllatavaid seoseid elu masinavärgis.

Paljud teadlased loodavad, et AlphaFold ja teised selle inspireeritud AI-tööriistad muudavad meditsiini. Siiski on endiselt ebaselge, kuidas või kas AlphaFold lihtsustab kulukat ja mitmeastmelist ohutute uute ravimite väljatöötamise protsessi.

Uute valkude loomine

Rohkem kui kümme aastat enne seda, kui DeepMind alustas koostööd AlphaFoldiga, töötas arvutuslik biofüüsik David Baker Seattle'i Washingtoni ülikoolist ja tema kolleegid välja tarkvaratööriistad valgustruktuuride modelleerimiseks füüsikalistel põhimõtetel, mida nimetatakse Rosettaks. Tööriist oli varakult edukas uudsete valkude kujundamisel.

Aastate jooksul on Bakeri meeskond kasutanud Rosettat valgustruktuuride ennustamiseks – see oli enne AlphaFoldi hiljutist domineerimist paljude CASP-de tipptegijate seas –, aga ka uudsete valkude, näiteks ensüümide ja isekoosnevate valgu nanoosakeste kavandamiseks.

Kui AlphaFold2-st teatati – kuid seda veel ei avaldatud –, asusid Baker ja tema meeskond, sealhulgas arvutuskeemik Minkyung Baek, kes töötab nüüd Lõuna-Koreas Souli riiklikus ülikoolis, tarkvarast aru saama ja mõningaid selle nippe rakendada varasemas AI-põhises Rosetta versioonis. Saadud RoseTTAFoldi võrgu esimene versioon toimis peaaegu sama hästi kui AlphaFold2. Alates 2021. aastast on nende arendajad ja teised teadlased mõlemat võrku pidevalt täiustanud, et lahendada uusi väljakutseid, näiteks ennustada mitmest erinevast interakteeruvast valgust koosnevate komplekside struktuuri.

Viimastel aastatel on Bakeri meeskond olnud eriti produktiivne masinõppe rakendamisel oma laboris: luua uusi valke, mida pole kunagi looduses nähtud. Bakeri meeskonna hiljuti välja töötatud tööriist, mis ühendab RoseTTAFoldi kujutist genereerivate difusiooninärvivõrkudega, on toonud kaasa kvanthüppe teadlaste võimes valke kujundada.

Kuigi sellised arvutustööriistad nagu AlphaFold ei asenda eksperimentaalseid uuringuid, on need kiirendajad, väidavad teadlased. "See võimaldab uue põlvkonna molekulaarbioloogidel küsida täpsemaid küsimusi," ütles CASP kohtunik Andrei Lupas, Saksamaal Tübingenis asuva Max Plancki arengubioloogia instituudi evolutsioonibioloog. 2020 loodusesse.