Nobelova nagrada za kemijo za razvijalce AlphaFold AI za napovedovanje proteinskih struktur

Nobelova nagrada za kemijo za razvijalce AlphaFold AI za napovedovanje proteinskih struktur

Prvič – in zagotovo ne zadnjič – je znanstveni preboj, ki ga je omogočila umetna inteligenca, prejel Nobelovo nagrado. Nobelovo nagrado za kemijo leta 2024 sta prejela John Jumper in Demis Hassabis iz Google DeepMinda v Londonu za razvoj prelomnega Orodja AI za napovedovanje strukture beljakovin, imenovana AlphaFold in Davidu Bakerju z Univerze Washington v Seattlu za njegovo delo na področju računalniškega načrtovanja beljakovin v zadnjih nekaj letih je revolucioniral AI.

Učinki AlphaFolda, to je bilo razkrito pred nekaj leti, niso nič drugega kot transformativni. Orodje je omogočilo, da je napovedovanje struktur beljakovin – pogosto, vendar ne vedno, zelo natančno – dostopno raziskovalcem s pritiskom na gumb, kar omogoča poskuse, ki so bili pred desetletjem nepredstavljivi. Biologi zdaj govorijo o obdobju "pred AlphaFoldom" in "po AlphaFoldu".

"Dolgo so bile sanje, da bi lahko napovedali tridimenzionalno strukturo beljakovin na podlagi njihovih aminokislinskih zaporedij. To se je desetletja zdelo nemogoče," je med razglasitvijo nagrade povedal Heiner Linke, predsednik Nobelovega odbora in nanoznanstvenik na univerzi Lund na Švedskem. Letošnji nagrajenci so "razbili kodo," je dodal. Trije zmagovalci si bodo razdelili nagrado v višini 11 milijonov švedskih kron (milijon ameriških dolarjev).

Odličen AI

DeepMind je predstavil AlphaFold leta 2018, ko je zmagal na dvoletnem tekmovanju za napovedovanje strukture beljakovin, Critical Assessment of Protein Structure Prediction (CASP). Toda to je bila druga različica globoke nevronske mreže, ki je bil predstavljen konec leta 2020, ki je sprožil potres v znanostih o življenju.

Številne napovedi AlphaFold2 pri CASP so bile tako točne, da jih ni bilo mogoče razlikovati od eksperimentalno določenih beljakovinskih struktur. To je spodbudilo Johna Moulta, soustanovitelja CASP in računalniškega biologa na univerzi Maryland v College Parku, da razglasiti v letu 2020, da je "problem na določen način rešen".

Hassabis, soustanovitelj in izvršni direktor DeepMinda, in Jumper, vodja ekipe AlphaFold, sta vodila razvoj AlphaFold2. Za predvidevanje proteinskih struktur nevronska mreža integrira podobne strukture iz baz podatkov, ki vsebujejo na stotine tisoče eksperimentalno določenih struktur in milijone zaporedij sorodnih proteinov – ki vsebujejo informacije o njihovih oblikah.

Leta 2021 DeepMind Osnovna koda AlphaFold2 je na voljo brezplačno, skupaj s podatki, potrebnimi za usposabljanje modela. ena Baza podatkov AlphaFold, pripravljeno v sodelovanju z Evropskim laboratorijem za molekularno biologijo in Evropskim inštitutom za bioinformatiko v Hinxtonu v Veliki Britaniji, zdaj vsebuje strukture večine beljakovin iz vseh organizmov, ki so predstavljeni v genetskih bazah podatkov: skupaj približno 214 milijonov napovedi. Letos je podjetje predstavilo enega tretja različica AlphaFold ki lahko modelira tudi druge molekule, ki medsebojno delujejo z beljakovinami, kot so zdravila.

Revolucija, ki so jo sprožili Jumper, Hassabis in njihovi kolegi, je še vedno v zgodnjih fazah in polni vpliv AlphaFolda na znanost bo morda znan šele leta. Toda orodje znanstvenikom že pomaga pri pridobivanju novih spoznanj.

Pionirska ekipa je orodje skupaj z eksperimentalnimi podatki uporabila za kompleks jedrnih por to map, enega največjih strojev v naših celicah, ki prenaša molekule v in iz celičnega jedra. Lansko leto sta dve ekipi analizirali celotno zbirko podatkov AlphaFold, da bi odkrili najgloblje kotičke beljakovinskega vesolja, prepoznali nove beljakovinske družine in gube ter presenetljive povezave v strojih življenja.

Številni raziskovalci upajo, da bodo AlphaFold in druga orodja AI, ki jih je navdihnila, preoblikovala medicino. Vendar pa je še vedno nejasno, kako in ali bo AlphaFold racionaliziral drag in večstopenjski proces razvoja varnih novih zdravil.

Ustvarjanje novih beljakovin

Več kot desetletje preden je DeepMind začel sodelovati z AlphaFoldom, je računalniški biofizik David Baker z Univerze Washington v Seattlu in njegovi sodelavci razvil programska orodja za modeliranje proteinskih struktur, ki temeljijo na fizikalnih principih, imenovanih Rosetta. Orodje je imelo zgodnji uspeh pri oblikovanju novih proteinov.

V preteklih letih je Bakerjeva ekipa uporabila Rosetto za napovedovanje beljakovinskih struktur – bila je med najboljšimi na številnih CASP pred nedavno prevlado AlphaFolda – kot tudi za načrtovanje novih beljakovin, kot so encimi in samosestavljajoči se proteinski nanodelci.

Ko je bil AlphaFold2 napovedan – vendar še ni izdan – so se Baker in njegova ekipa, vključno z računalniškim kemikom Minkyung Baekom, zdaj na Nacionalni univerzi v Seulu v Južni Koreji, odločili razumeti programsko opremo in uporabiti nekatere trike v prejšnji različici Rosette, ki temelji na AI. Prva različica nastalega omrežja RoseTTAFold je delovala skoraj tako dobro kot AlphaFold2. Od leta 2021 so obe omrežji nenehno izboljševali njuni razvijalci in drugi znanstveniki za reševanje novih izzivov, kot je napovedovanje strukture kompleksov, sestavljenih iz več različnih medsebojno delujočih proteinov.

V zadnjih letih je bila Bakerjeva ekipa še posebej produktivna pri uporabi strojnega učenja za raison d'être njegovega laboratorija: ustvariti nove beljakovine, ki jih v naravi še nismo videli. Nedavno razvito orodje Bakerjeve ekipe, ki združuje RoseTTAFold z difuzijskimi nevronskimi mrežami, ki ustvarjajo slike, je privedlo do kvantnega skoka v sposobnosti raziskovalcev za načrtovanje beljakovin.

Čeprav računalniška orodja, kot je AlphaFold, niso nadomestilo za eksperimentalne študije, so pospeševalnik, pravijo znanstveniki. "To bo omogočilo novi generaciji molekularnih biologov, da postavljajo naprednejša vprašanja," je dejal sodnik CASP Andrei Lupas, evolucijski biolog na Inštitutu Max Planck za razvojno biologijo v Tübingenu v Nemčiji. 2020 v Naravo.