Nobela prēmija ķīmijā AlphaFold AI izstrādātājiem par olbaltumvielu struktūru prognozēšanu

Nobela prēmija ķīmijā AlphaFold AI izstrādātājiem par olbaltumvielu struktūru prognozēšanu

Pirmo reizi — un noteikti ne pēdējo — zinātniskam sasniegumam, ko nodrošina mākslīgais intelekts, ir piešķirta Nobela prēmija. 2024. gada Nobela prēmija ķīmijā tika piešķirta Džonam Džemperam un Demisam Hassabisam no Google DeepMind Londonā par revolucionāra projekta izstrādi. AI rīki olbaltumvielu struktūras prognozēšanai, ko sauc par AlphaFold un Deividam Beikeram no Vašingtonas Universitātes Sietlā par viņa darbu pie skaitļošanas proteīnu dizaina pēdējos gados. radīja revolūciju AI.

AlphaFold ietekme, ka tika atklāts pirms dažiem gadiem, nav nekas cits kā pārveidojošs. Šis rīks ir padarījis proteīnu struktūru prognozēšanu (bieži, bet ne vienmēr ļoti precīzu) pētniekiem, nospiežot pogu, ļaujot veikt eksperimentus, kas pirms desmit gadiem nebija iedomājami. Biologi tagad runā par laikmetu “pirms AlphaFold” un “pēc AlphaFold”.

"Tas jau sen ir bijis sapnis, lai varētu paredzēt olbaltumvielu trīsdimensiju struktūru, pamatojoties uz to aminoskābju sekvencēm. Tas tika uzskatīts par neiespējamu gadu desmitiem," sacīja Nobela komitejas priekšsēdētājs un nanozinātnieks no Lundas universitātes Zviedrijā Heiner Linke. Šī gada apbalvotie "ir uzlauzuši kodu", viņš piebilda. Trīs uzvarētāji sadalīs balvu 11 miljonu Zviedrijas kronu (1 miljona ASV dolāru) apmērā.

Lielisks AI

DeepMind ieviesa AlphaFold 2018. gadā, kad uzvarēja proteīna struktūras prognozēšanas konkursā, kas tiek rīkots reizi divos gados – Olbaltumvielu struktūras prognozēšanas kritiskajā novērtējumā (CASP). Bet tā bija otrā dziļā neironu tīkla versija, kas tika prezentēts 2020. gada beigās, kas izraisīja zemestrīci dzīvības zinātnēs.

Daudzas AlphaFold2 prognozes CASP bija tik precīzas, ka tās nevarēja atšķirt no eksperimentāli noteiktajām olbaltumvielu struktūrām. Tas pamudināja Džonu Molu, CASP līdzdibinātāju un skaitļošanas biologu Merilendas Universitātē Koledžparkā, deklarēt 2020, ka “problēma zināmā veidā ir atrisināta”.

Hassabis, DeepMind līdzdibinātājs un izpilddirektors, un Jumper, AlphaFold komandas vadītājs, vadīja AlphaFold2 izstrādi. Lai prognozētu proteīnu struktūras, neironu tīkls integrē līdzīgas struktūras no datu bāzēm, kurās ir simtiem tūkstošu eksperimentāli noteiktu struktūru un miljoniem saistītu proteīnu secību, kas satur informāciju par to formām.

2021. gadā DeepMind AlphaFold2 pamatā esošais kods ir pieejams bez maksas, kopā ar datiem, kas nepieciešami modeļa apmācībai. Viens AlphaFold datu bāze, kas sagatavots sadarbībā ar Eiropas Molekulārās bioloģijas laboratoriju un Eiropas Bioinformātikas institūtu Hinkstonā, Apvienotajā Karalistē, tagad satur vairuma olbaltumvielu struktūras no visiem organismiem, kas pārstāvēti ģenētiskajās datubāzēs: kopumā aptuveni 214 miljoni prognožu. Šogad uzņēmums tādu ieviesa trešā AlphaFold versija kas var arī modelēt citas molekulas, kas mijiedarbojas ar olbaltumvielām, piemēram, zāles.

Jumper, Hassabis un viņu kolēģu īstenotā revolūcija joprojām ir agrīnā stadijā, un AlphaFold pilnīga ietekme uz zinātni var nebūt zināma gadiem ilgi. Taču šis rīks jau palīdz zinātniekiem gūt jaunus ieskatus.

Novatoriska komanda izmantoja rīku kopā ar eksperimentālajiem datiem, lai kodolporu komplekss kartēšanai, viena no lielākajām iekārtām mūsu šūnās, kas transportē molekulas šūnas kodolā un no tā. Pagājušajā gadā divas komandas analizēja visu AlphaFold datu bāzi, lai atklātu proteīnu Visuma dziļākos stūrus, identificējot jaunas proteīnu ģimenes un krokas un pārsteidzošus savienojumus dzīvības iekārtās.

Daudzi pētnieki cer, ka AlphaFold un citi AI rīki, kurus tas ir iedvesmojis, pārveidos medicīnu. Tomēr tā ir joprojām nav skaidrs, kā un vai AlphaFold racionalizēs dārgo un daudzpakāpju procesu drošu jaunu zāļu izstrādei.

Jaunu proteīnu radīšana

Vairāk nekā desmit gadus pirms DeepMind sāka strādāt ar AlphaFold, skaitļošanas biofiziķis Deivids Beikers no Vašingtonas universitātes Sietlā un viņa kolēģi izstrādāja programmatūras rīkus proteīnu struktūru modelēšanai, pamatojoties uz fiziskiem principiem, ko sauc par Rosetta. Instrumentam bija agrīni panākumi jaunu proteīnu izstrādē.

Gadu gaitā Beikera komanda ir izmantojusi Rosetta, lai prognozētu proteīnu struktūras — tā bija viena no labākajām izpildītājām daudzos CASP pirms AlphaFold nesenās dominēšanas, kā arī izstrādātu jaunus proteīnus, piemēram, fermentus un pašsavienojošās olbaltumvielu nanodaļiņas.

Kad AlphaFold2 tika paziņots, bet vēl netika izlaists, Beikers un viņa komanda, tostarp skaitļošanas ķīmiķis Minkjūns Bēks, kurš tagad strādā Seulas Nacionālajā universitātē Dienvidkorejā, nolēma izprast programmatūru un piemērot dažus tās trikus agrākai Rosetta versijai, kuras pamatā ir AI. Iegūtā RoseTTAFold tīkla pirmā versija darbojās gandrīz tikpat labi kā AlphaFold2. Kopš 2021. gada abus tīklus ir nepārtraukti uzlabojuši to izstrādātāji un citi zinātnieki, lai risinātu jaunas problēmas, piemēram, lai prognozētu kompleksu struktūru, kas sastāv no vairākiem dažādiem mijiedarbīgiem proteīniem.

Pēdējos gados Beikera komanda ir bijusi īpaši produktīva, pielietojot mašīnmācīšanos viņa laboratorijas jēgai: radīt jaunas olbaltumvielas, kas dabā nekad nav redzētas. Beikera komandas nesen izstrādātais rīks, kas apvieno RoseTTAFold ar attēlu ģenerējošiem difūzijas neironu tīkliem, ir izraisījis kvantitatīvu lēcienu pētnieku spējā izstrādāt proteīnus.

Lai gan tādi skaitļošanas rīki kā AlphaFold neaizstāj eksperimentālos pētījumus, tie ir paātrinātājs, saka zinātnieki. "Tas ļaus jaunajai molekulāro biologu paaudzei uzdot sarežģītākus jautājumus," sacīja CASP tiesnesis Andrejs Lupas, evolūcijas biologs Maksa Planka Attīstības bioloģijas institūtā Tībingenā, Vācijā. 2020 uz dabu.