Nobelpriset i kemi för utvecklare av AlphaFold AI för att förutsäga proteinstrukturer

Nobelpriset i kemi för utvecklare av AlphaFold AI för att förutsäga proteinstrukturer

För första gången – och absolut inte den sista – har ett vetenskapligt genombrott möjliggjort av artificiell intelligens belönats med ett Nobelpris. 2024 års Nobelpris i kemi tilldelades John Jumper och Demis Hassabis från Google DeepMind i London för utvecklingen av ett banbrytande AI-verktyg för förutsägelse av proteinstruktur som kallas AlphaFold, och till David Baker från University of Washington i Seattle för hans arbete med beräkningsproteindesign under de senaste åren revolutionerades av AI.

Effekterna av AlphaFold, det avslöjades för några år sedan, är inget annat än transformativa. Verktyget har gjort att förutsäga proteinstrukturer – ofta, men inte alltid, mycket exakta – tillgängliga för forskare med en knapptryckning, vilket möjliggör experiment som var otänkbara för ett decennium sedan. Biologer talar nu om en era "före AlphaFold" och "efter AlphaFold".

"Det har länge varit en dröm att kunna förutsäga den tredimensionella strukturen hos proteiner baserat på deras aminosyrasekvenser. Detta ansågs omöjligt i decennier", sa Heiner Linke, ordförande för Nobelkommittén och nanoforskare vid Lunds universitet i Sverige, under prisutdelningen. Årets pristagare "har knäckt koden", tillade han. De tre vinnarna kommer att dela ett pris på 11 miljoner svenska kronor (1 miljon US$).

Utmärkt AI

DeepMind introducerade AlphaFold 2018 när det vann en tvåårig tävling för förutsägelse av proteinstruktur, Critical Assessment of Protein Structure Prediction (CASP). Men det var den andra versionen av det djupa neurala nätverket, som presenterades i slutet av 2020, som utlöste en jordbävning inom biovetenskaperna.

Många av AlphaFold2s förutsägelser vid CASP var så exakta att de inte kunde särskiljas från experimentellt bestämda proteinstrukturer. Detta fick John Moult, medgrundare av CASP och beräkningsbiolog vid University of Maryland i College Park, att att deklarera 2020, att "problemet har lösts på ett visst sätt".

Hassabis, medgrundare och VD för DeepMind, och Jumper, ledare för AlphaFold-teamet, ledde utvecklingen av AlphaFold2. För att förutsäga proteinstrukturer, integrerar det neurala nätverket liknande strukturer från databaser som innehåller hundratusentals experimentellt bestämda strukturer och miljontals sekvenser av relaterade proteiner – som innehåller information om deras former.

2021, DeepMind Den underliggande koden för AlphaFold2 är tillgänglig gratis, tillsammans med de data som krävs för att träna modellen. En AlphaFold databas, utarbetad i samarbete med European Molecular Biology Laboratory och European Bioinformatics Institute i Hinxton, Storbritannien, innehåller nu strukturerna för de flesta proteiner från alla organismer som finns representerade i genetiska databaser: totalt cirka 214 miljoner förutsägelser. I år introducerade företaget en tredje versionen av AlphaFold som också kan modellera andra molekyler som interagerar med proteiner, såsom läkemedel.

Revolutionen som Jumper, Hassabis och deras kollegor har släppt lös är fortfarande i ett tidigt skede, och AlphaFolds fulla inverkan på vetenskapen kanske inte är känd på flera år. Men verktyget hjälper redan forskare att få nya insikter.

Ett banbrytande team använde verktyget, tillsammans med experimentella data, för att kärnporkomplex att kartlägga, en av de största maskinerna i våra celler som transporterar molekyler in och ut ur cellkärnan. Förra året analyserade två team hela AlphaFold-databasen för att upptäcka de djupaste hörnen av proteinuniversum, identifiera nya proteinfamiljer och veck och överraskande kopplingar i livets maskineri.

Många forskare hoppas att AlphaFold och andra AI-verktyg som det har inspirerat kommer att förändra medicinen. Men det är det fortfarande oklart, hur, eller om, AlphaFold kommer att effektivisera den kostsamma och flerstegsprocessen för att utveckla säkra nya läkemedel.

Skapar nya proteiner

Mer än ett decennium innan DeepMind började arbeta med AlphaFold, utvecklade beräkningsbiofysikern David Baker från University of Washington i Seattle och hans kollegor mjukvaruverktyg för att modellera proteinstrukturer baserade på fysiska principer som kallas Rosetta. Verktyget hade tidig framgång i utformningen av nya proteiner.

Under åren har Bakers team använt Rosetta för att förutsäga proteinstrukturer – det var bland de bästa presterande på många CASPs före AlphaFolds senaste dominans – såväl som för att designa nya proteiner som enzymer och självmonterande proteinnanopartiklar.

När AlphaFold2 tillkännagavs – men ännu inte släppt – började Baker och hans team, inklusive beräkningskemisten Minkyung Baek, nu vid Seoul National University i Sydkorea, för att förstå programvaran och tillämpa några av dess knep på en tidigare AI-baserad version av Rosetta. Den första versionen av det resulterande RoseTTAFold-nätverket fungerade nästan lika bra som AlphaFold2. Sedan 2021 har båda nätverken kontinuerligt förbättrats av deras utvecklare och andra forskare för att ta sig an nya utmaningar, som att förutsäga strukturen hos komplex som består av flera olika interagerande proteiner.

Under de senaste åren har Bakers team varit särskilt produktiva när det gäller att tillämpa maskininlärning på hans labbs existensberättigande: att skapa nya proteiner som aldrig har setts i naturen. Ett nyligen utvecklat verktyg av Bakers team som kombinerar RoseTTAFold med bildgenererande diffusionsneurala nätverk har lett till ett kvantsprång i forskarnas förmåga att designa proteiner.

Även om beräkningsverktyg som AlphaFold inte är en ersättning för experimentella studier, är de en accelerator, säger forskare. "Detta kommer att göra det möjligt för en ny generation av molekylärbiologer att ställa mer avancerade frågor", säger CASP-domaren Andrei Lupas, en evolutionsbiolog vid Max Planck Institute for Developmental Biology i Tübingen, Tyskland. 2020 till naturen.