Kémiai Nobel-díj az AlphaFold AI fejlesztőinek a fehérjeszerkezetek előrejelzéséért

Kémiai Nobel-díj az AlphaFold AI fejlesztőinek a fehérjeszerkezetek előrejelzéséért

Először – és biztosan nem utoljára – ítéltek Nobel-díjat a mesterséges intelligencia által lehetővé tett tudományos áttörésre. A 2024-es kémiai Nobel-díjat John Jumper és Demis Hassabis, a londoni Google DeepMind munkatársa kapta egy úttörő eszköz kifejlesztéséért. AlphaFold nevű AI-eszközök a fehérjeszerkezet előrejelzésére és David Bakernek, a Seattle-i Washington Egyetem munkatársának a számítógépes fehérjetervezés terén az elmúlt években végzett munkájáért. az AI forradalmasította.

Az AlphaFold hatásai, az néhány éve kiderült, nem más, mint az átalakító. Az eszközzel a fehérjeszerkezetek előrejelzését – gyakran, de nem mindig rendkívül pontos – egy gombnyomással elérhetővé tette a kutatók számára, lehetővé téve olyan kísérleteket, amelyek egy évtizeddel ezelőtt még elképzelhetetlenek voltak. A biológusok most „AlphaFold előtti” és „AlphaFold utáni” korszakról beszélnek.

"Régóta álmunk volt, hogy aminosavszekvenciáik alapján megjósolhassuk a fehérjék háromdimenziós szerkezetét. Ezt évtizedekig lehetetlennek tartották" - mondta Heiner Linke, a Nobel-bizottság elnöke, a svéd Lund Egyetem nanotudósa a díj átadása során. Az idei kitüntetettek "feltörték a kódot" - tette hozzá. A három nyertes 11 millió svéd korona (1 millió USD) jutalomban részesül.

Kiváló AI

A DeepMind 2018-ban vezette be az AlphaFoldot, amikor megnyerte a kétévente megrendezett fehérjeszerkezet-előrejelzési versenyt, a Critical Assessment of Protein Structure Prediction (CASP) c. De ez volt a mély neurális hálózat második változata, amelyet 2020 végén mutattak be, amely földrengést váltott ki az élettudományokban.

Az AlphaFold2 CASP-re vonatkozó jóslatai közül sok olyan pontos volt, hogy nem lehetett megkülönböztetni a kísérletileg meghatározott fehérjeszerkezetektől. Ez arra késztette John Moultot, a CASP társalapítóját és a College Park-i Maryland Egyetem számítógépes biológusát, hogy nyilatkozni 2020-ban, hogy „a probléma bizonyos módon megoldódott”.

Hassabis, a DeepMind társalapítója és vezérigazgatója, valamint Jumper, az AlphaFold csapat vezetője vezette az AlphaFold2 fejlesztését. A fehérjeszerkezetek előrejelzéséhez a neurális hálózat hasonló struktúrákat integrál olyan adatbázisokból, amelyek több százezer kísérletileg meghatározott struktúrát és több millió rokon fehérje szekvenciát tartalmaznak – amelyek információt tartalmaznak ezek alakjáról.

2021-ben a DeepMind Az AlphaFold2 mögöttes kódja ingyenesen elérhető, a modell betanításához szükséges adatokkal együtt. Egy AlphaFold adatbázis, amelyet az Európai Molekuláris Biológiai Laboratórium és az Egyesült Királyságbeli Hinxton-i Európai Bioinformatikai Intézet együttműködésével készítettünk, ma már tartalmazza a legtöbb fehérje szerkezetét a genetikai adatbázisokban szereplő összes organizmusból: összesen mintegy 214 millió jóslat. Idén a cég bemutatott egyet az AlphaFold harmadik verziója amelyek más fehérjékkel kölcsönhatásba lépő molekulákat, például gyógyszereket is modellezhetnek.

A Jumper, Hassabis és kollégáik által kirobbantott forradalom még csak a kezdeti szakaszában van, és az AlphaFold tudományra gyakorolt ​​teljes hatását évekig nem lehet tudni. Az eszköz azonban már segíti a tudósokat abban, hogy új betekintést nyerjenek.

Egy úttörő csapat az eszközt a kísérleti adatokkal együtt arra használta nukleáris pórus komplex feltérképezésére, sejtjeink egyik legnagyobb gépe, amely molekulákat szállít a sejtmagba és onnan ki. Tavaly két csapat elemezte a teljes AlphaFold adatbázist, hogy felfedezzék a fehérjeuniverzum legmélyebb zugait, új fehérjecsaládokat és redőket, valamint meglepő összefüggéseket azonosítva az élet gépezetében.

Sok kutató reméli, hogy az AlphaFold és az általa ihletett más mesterséges intelligencia eszközök átalakítják az orvostudományt. Azonban az még mindig tisztázatlan, hogyan, vagy hogy az AlphaFold leegyszerűsíti a biztonságos új gyógyszerek fejlesztésének költséges és több lépésből álló folyamatát.

Új fehérjék létrehozása

Több mint egy évtizeddel azelőtt, hogy a DeepMind elkezdett dolgozni az AlphaFolddal, David Baker, a Seattle-i Washingtoni Egyetem számítógépes biofizikusa és munkatársai olyan szoftvereszközöket fejlesztettek ki, amelyek a Rosetta nevű fizikai elveken alapuló fehérjeszerkezetek modellezésére szolgálnak. Az eszköz korán sikeres volt új fehérjék tervezésében.

Az évek során Baker csapata alkalmazta a Rosettát a fehérjeszerkezetek előrejelzésére – számos CASP-n az AlphaFold közelmúltbeli dominanciája előtt a legjobban teljesítők között volt –, valamint új fehérjék, például enzimek és önszerveződő fehérje nanorészecskék tervezésére.

Amikor az AlphaFold2-t bejelentették – de még nem adták ki –, Baker és csapata, beleértve a számítástechnikai vegyészt, Minkyung Baeket is, aki jelenleg a dél-koreai Szöuli Nemzeti Egyetemen dolgozik, arra törekedett, hogy megértsék a szoftvert, és néhány trükköt alkalmazzanak a Rosetta korábbi mesterségesintelligencia-alapú verziójában. Az így létrejött RoseTTAFold hálózat első verziója majdnem olyan jól teljesített, mint az AlphaFold2. 2021 óta mindkét hálózatot folyamatosan fejlesztik a fejlesztők és más tudósok, hogy megbirkózzanak az új kihívásokkal, például megjósolják a több különböző kölcsönható fehérjéből álló komplexek szerkezetét.

Az elmúlt években Baker csapata különösen eredményesen alkalmazta a gépi tanulást laborja létjogosultságára: a természetben soha nem látott új fehérjék létrehozására. A Baker csapata által nemrégiben kifejlesztett eszköz, amely a RoseTTAFoldot képgeneráló diffúziós neurális hálózatokkal kombinálja, nagy ugráshoz vezetett a kutatók fehérjetervezési képességében.

Bár az AlphaFoldhoz hasonló számítási eszközök nem helyettesítik a kísérleti tanulmányokat, de gyorsítót jelentenek a tudósok szerint. "Ez lehetővé teszi a molekuláris biológusok új generációja számára, hogy fejlettebb kérdéseket tegyenek fel" - mondta Andrei Lupas, a CASP bíró, a németországi tübingeni Max Planck Fejlődésbiológiai Intézet evolúciós biológusa. 2020 a természethez.