Nobelprisen i kjemi for utviklere av AlphaFold AI for å forutsi proteinstrukturer

Nobelprisen i kjemi for utviklere av AlphaFold AI for å forutsi proteinstrukturer

For første gang – og absolutt ikke siste – har et vitenskapelig gjennombrudd gjort mulig av kunstig intelligens blitt tildelt en Nobelpris. Nobelprisen i kjemi i 2024 ble tildelt John Jumper og Demis Hassabis fra Google DeepMind i London for utviklingen av en banebrytende AI-verktøy for prediksjon av proteinstruktur kalt AlphaFold, og til David Baker fra University of Washington i Seattle for hans arbeid med beregningsbasert proteindesign de siste årene ble revolusjonert av AI.

Effektene av AlphaFold, det ble avslørt for noen år siden, er intet mindre enn transformative. Verktøyet har gjort prediksjon av proteinstrukturer – ofte, men ikke alltid, svært nøyaktige – tilgjengelig for forskere ved å trykke på en knapp, noe som muliggjør eksperimenter som var utenkelige for et tiår siden. Biologer snakker nå om en epoke "før AlphaFold" og "etter AlphaFold".

"Det har lenge vært en drøm å kunne forutsi den tredimensjonale strukturen til proteiner basert på deres aminosyresekvenser. Dette ble ansett som umulig i flere tiår," sa Heiner Linke, leder av Nobelkomiteen og en nanoforsker ved Lunds universitet i Sverige, under kunngjøringen av prisen. Årets honorerte "har knekt koden," la han til. De tre vinnerne vil dele en premie på 11 millioner svenske kroner (1 million dollar).

Utmerket AI

DeepMind introduserte AlphaFold i 2018 da den vant en toårig konkurranse for prediksjon av proteinstruktur, Critical Assessment of Protein Structure Prediction (CASP). Men det var den andre versjonen av det dype nevrale nettverket, som ble presentert i slutten av 2020, som utløste et jordskjelv i biovitenskapene.

Mange av AlphaFold2s spådommer ved CASP var så nøyaktige at de ikke kunne skilles fra eksperimentelt bestemte proteinstrukturer. Dette fikk John Moult, medgründer av CASP og beregningsbiolog ved University of Maryland i College Park, til å å erklære i 2020, at "problemet er løst på en bestemt måte".

Hassabis, medgründer og administrerende direktør i DeepMind, og Jumper, leder av AlphaFold-teamet, ledet utviklingen av AlphaFold2. For å forutsi proteinstrukturer, integrerer det nevrale nettverket lignende strukturer fra databaser som inneholder hundretusenvis av eksperimentelt bestemte strukturer og millioner av sekvenser av relaterte proteiner – som inneholder informasjon om formene deres.

I 2021, DeepMind Den underliggende koden til AlphaFold2 er tilgjengelig gratis, sammen med dataene som kreves for å trene modellen. En AlphaFold database, utarbeidet i samarbeid med European Molecular Biology Laboratory og European Bioinformatics Institute i Hinxton, Storbritannia, inneholder nå strukturene til de fleste proteiner fra alle organismer representert i genetiske databaser: totalt rundt 214 millioner spådommer. I år introduserte selskapet en tredje versjon av AlphaFold som også kan modellere andre molekyler som interagerer med proteiner, for eksempel medikamenter.

Revolusjonen som Jumper, Hassabis og deres kolleger har sluppet løs er fortsatt i de tidlige stadiene, og AlphaFolds fulle innvirkning på vitenskapen er kanskje ikke kjent på flere år. Men verktøyet hjelper allerede forskere med å få ny innsikt.

Et banebrytende team brukte verktøyet, sammen med eksperimentelle data, for å kjernefysisk porekompleks å kartlegge, en av de største maskinene i cellene våre som transporterer molekyler inn og ut av cellekjernen. I fjor analyserte to team hele AlphaFold-databasen for å oppdage de dypeste hjørnene av proteinuniverset, og identifiserte nye proteinfamilier og -folder og overraskende sammenhenger i livets maskineri.

Mange forskere håper at AlphaFold og andre AI-verktøy den har inspirert vil forvandle medisinen. Men det er det fortsatt uklart, hvordan, eller om, AlphaFold vil strømlinjeforme den kostbare og flertrinnsprosessen med å utvikle sikre nye legemidler.

Skaper nye proteiner

Mer enn et tiår før DeepMind begynte å jobbe med AlphaFold, utviklet beregningsbiofysiker David Baker ved University of Washington i Seattle og hans kolleger programvareverktøy for modellering av proteinstrukturer basert på fysiske prinsipper kalt Rosetta. Verktøyet hadde tidlig suksess i utformingen av nye proteiner.

I løpet av årene har Bakers team brukt Rosetta for å forutsi proteinstrukturer – det var blant topputøverne på en rekke CASP-er før AlphaFolds nylige dominans – i tillegg til å designe nye proteiner som enzymer og selvmonterende proteinnanopartikler.

Da AlphaFold2 ble annonsert - men ennå ikke utgitt - satte Baker og teamet hans, inkludert beregningskjemiker Minkyung Baek, nå ved Seoul National University i Sør-Korea, ut for å forstå programvaren og bruke noen av triksene til en tidligere AI-basert versjon av Rosetta. Den første versjonen av det resulterende RoseTTAFold-nettverket presterte nesten like bra som AlphaFold2. Siden 2021 har begge nettverkene blitt kontinuerlig forbedret av utviklerne og andre forskere for å møte nye utfordringer, for eksempel å forutsi strukturen til komplekser som består av flere forskjellige interagerende proteiner.

De siste årene har Bakers team vært spesielt produktive når det gjelder å bruke maskinlæring på laboratoriets eksistensberettigelse: å lage nye proteiner som aldri har vært sett i naturen. Et nylig utviklet verktøy av Bakers team som kombinerer RoseTTAFold med bildegenererende diffusjonsnevrale nettverk har ført til et kvantesprang i forskernes evne til å designe proteiner.

Selv om beregningsverktøy som AlphaFold ikke er en erstatning for eksperimentelle studier, er de en akselerator, sier forskere. "Dette vil gjøre det mulig for en ny generasjon molekylærbiologer å stille mer avanserte spørsmål," sa CASP-dommer Andrei Lupas, en evolusjonsbiolog ved Max Planck Institute for Developmental Biology i Tübingen, Tyskland. 2020 til naturen.