Nobelin kemian palkinto AlphaFold AI:n kehittäjille proteiinirakenteiden ennustamisesta

Nobelin kemian palkinto AlphaFold AI:n kehittäjille proteiinirakenteiden ennustamisesta

Ensimmäistä kertaa – eikä todellakaan viimeistä – tekoälyn mahdollistama tieteellinen läpimurto on myönnetty Nobel-palkinnolla. Vuoden 2024 kemian Nobelin palkinto myönnettiin John Jumperille ja Demis Hassabisille Google DeepMindistä Lontoossa uraauurtavan tuotteen kehittämisestä. Tekoälytyökalut proteiinirakenteen ennustamiseen nimeltä AlphaFold ja David Bakerille Washingtonin yliopistosta Seattlessa hänen työstään laskennallisen proteiinisuunnittelun parissa viime vuosina tekoäly mullisti.

AlphaFoldin vaikutukset paljastettiin muutama vuosi sitten, ovat vain transformatiivisia. Työkalu on mahdollistanut proteiinirakenteiden ennustamisen – usein, mutta ei aina, erittäin tarkan – tutkijoiden ulottuvilla napin painalluksella, mikä mahdollistaa kokeet, joita vuosikymmen sitten ei voinut kuvitellakaan. Biologit puhuvat nyt aikakaudesta "ennen AlphaFoldia" ja "AlphaFoldin jälkeen".

"On pitkään ollut unelma pystyä ennustamaan proteiinien kolmiulotteinen rakenne niiden aminohapposekvenssien perusteella. Tätä pidettiin mahdottomana vuosikymmeniä", sanoi Heiner Linke, Nobel-komitean puheenjohtaja ja nanotieteilijä Lundin yliopistosta Ruotsista palkinnon julkistamisen yhteydessä. Tämän vuoden palkitut "ovat murtaneet koodin", hän lisäsi. Kolme voittajaa jakavat 11 miljoonan Ruotsin kruunun (1 miljoonan dollarin) palkinnon.

Erinomainen AI

DeepMind esitteli AlphaFoldin vuonna 2018, kun se voitti joka toinen vuosi järjestettävän proteiinirakenteen ennustuskilpailun, Critical Assessment of Protein Structure Prediction (CASP). Mutta se oli syvän neuroverkon toinen versio, joka esiteltiin vuoden 2020 lopussa, joka laukaisi maanjäristyksen biotieteissä.

Monet AlphaFold2:n CASP-ennusteista olivat niin tarkkoja, että niitä ei voitu erottaa kokeellisesti määritetyistä proteiinirakenteista. Tämä sai John Moultin, CASP:n perustajan ja laskentabiologin Marylandin yliopistosta College Parkissa, ilmoittaa vuonna 2020, että "ongelma on ratkaistu tietyllä tavalla".

Hassabis, yksi DeepMindin perustajista ja toimitusjohtaja, ja Jumper, AlphaFold-tiimin johtaja, johtivat AlphaFold2:n kehitystä. Proteiinirakenteiden ennustamiseksi hermoverkko integroi samanlaisia ​​rakenteita tietokannoista, jotka sisältävät satoja tuhansia kokeellisesti määritettyjä rakenteita ja miljoonia toisiinsa liittyvien proteiinien sekvenssejä – jotka sisältävät tietoa niiden muodoista.

Vuonna 2021 DeepMind AlphaFold2:n taustalla oleva koodi on saatavilla ilmaiseksi, sekä mallin kouluttamiseen tarvittavat tiedot. Yksi AlphaFold-tietokanta, valmistettu yhteistyössä European Molecular Biology Laboratoryn ja European Bioinformatics Instituten kanssa Hinxtonissa, Isossa-Britanniassa, sisältää nyt useimpien proteiinien rakenteet kaikista geneettisissä tietokannoissa olevista organismeista: yhteensä noin 214 miljoonaa ennustetta. Tänä vuonna yritys esitteli sellaisen AlphaFoldin kolmas versio joka voi myös mallintaa muita molekyylejä, jotka ovat vuorovaikutuksessa proteiinien kanssa, kuten lääkkeitä.

Jumperin, Hassabiksen ja heidän kollegoidensa vallankumous on vielä alkuvaiheessa, ja AlphaFoldin täysi vaikutus tieteeseen ei ehkä ole tiedossa vuosiin. Mutta työkalu auttaa jo nyt tutkijoita saamaan uusia oivalluksia.

Uraauurtava tiimi käytti työkalua kokeellisten tietojen kanssa ydinhuokoskompleksi kartoittaa, yksi solumme suurimmista koneista, joka kuljettaa molekyylejä solun ytimeen ja sieltä pois. Viime vuonna kaksi ryhmää analysoi koko AlphaFold-tietokannan löytääkseen proteiiniuniversumin syvimmät kulmat, tunnistaen uusia proteiiniperheitä ja laskoksia sekä yllättäviä yhteyksiä elämän koneistossa.

Monet tutkijat toivovat, että AlphaFold ja muut sen inspiroimat tekoälytyökalut muuttavat lääketiedettä. Kuitenkin se on vielä epäselvä, miten vai onko AlphaFold virtaviivaistaa kalliita ja monivaiheisia turvallisten uusien lääkkeiden kehittämisprosessia.

Uusien proteiinien luominen

Yli kymmenen vuotta ennen kuin DeepMind aloitti työskentelyn AlphaFoldin kanssa, laskennallinen biofyysikko David Baker Washingtonin yliopistosta Seattlessa ja hänen kollegansa kehittivät ohjelmistotyökaluja proteiinirakenteiden mallintamiseen fysikaalisten periaatteiden pohjalta nimeltä Rosetta. Työkalu menestyi varhaisessa vaiheessa uusien proteiinien suunnittelussa.

Vuosien mittaan Bakerin tiimi on käyttänyt Rosettaa ennustaakseen proteiinirakenteita – se oli huippusuorituksia useissa CASP:issä ennen AlphaFoldin äskettäistä määräävää asemaa – sekä suunnitella uusia proteiineja, kuten entsyymejä ja itsekokoontuvia proteiininanohiukkasia.

Kun AlphaFold2 julkistettiin – mutta ei vielä julkaistu – Baker ja hänen tiiminsä, mukaan lukien laskennallinen kemisti Minkyung Baek, joka työskentelee nyt Soulin kansallisessa yliopistossa Etelä-Koreassa, ryhtyivät ymmärtämään ohjelmistoa ja soveltamaan joitakin sen temppuja Rosettan aikaisemmassa tekoälypohjaisessa versiossa. Tuloksena syntyneen RoseTTAFold-verkon ensimmäinen versio toimi lähes yhtä hyvin kuin AlphaFold2. Vuodesta 2021 lähtien kehittäjät ja muut tutkijat ovat jatkuvasti parantaneet molempia verkkoja vastatakseen uusiin haasteisiin, kuten useista eri vuorovaikutuksessa olevista proteiineista koostuvien kompleksien rakenteen ennustamiseen.

Viime vuosina Bakerin tiimi on ollut erityisen tuottava soveltaessaan koneoppimista laboratorionsa tarkoitukseen: luoda uusia proteiineja, joita ei ole koskaan nähty luonnossa. Bakerin tiimin äskettäin kehittämä työkalu, joka yhdistää RoseTTAFoldin kuvia luoviin diffuusiohermoverkkoihin, on johtanut suureen harppaukseen tutkijoiden kyvyssä suunnitella proteiineja.

Vaikka AlphaFoldin kaltaiset laskennalliset työkalut eivät korvaa kokeellisia tutkimuksia, ne ovat kiihdytin, tutkijat sanovat. "Tämä antaa uuden sukupolven molekyylibiologille mahdollisuuden kysyä edistyneempiä kysymyksiä", sanoi CASP-tuomari Andrei Lupas, evoluutiobiologi Max Planckin kehitysbiologian instituutista Tübingenissä, Saksassa. 2020 luontoon.