Nobelprisen i kemi for udviklere af Alphafold AI til at forudsige proteinstrukturer

Nobelprisen i kemi for udviklere af Alphafold AI til at forudsige proteinstrukturer

For første gang - og bestemt ikke den sidste - er et videnskabeligt gennembrud muliggjort af kunstig intelligens blevet tildelt en Nobelpris. Nobelprisen i 2024 blev tildelt John Jumper og Demis Hassabis fra Google Deepmind i London for udvikling af en banebrydende AI -værktøjer til forudsigelse af proteinstruktur kaldet Alphafold, og til David Baker fra University of Washington i Seattle for sit arbejde med beregningsproteindesign i de sidste par år blev revolutioneret af AI.

Virkningerne af alphafold, det blev afsløret for et par år siden, er intet mindre end transformativt. Værktøjet har gjort at forudsige proteinstrukturer - ofte, men ikke altid, meget nøjagtige - tilgængeligt for forskere med et tryk på en knap, hvilket muliggør eksperimenter, der var ikke tænkelige for et årti siden. Biologer taler nu om en æra "før Alphafold" og "After Alphafold".

"Det har længe været en drøm at være i stand til at forudsige den tredimensionelle struktur af proteiner baseret på deres aminosyresekvenser. Dette blev betragtet som umuligt i årtier," sagde Heiner Linke, formanden for Nobeludvalget og en nanovidenskabsmand ved Lund University i Sverden, under tildelingen. Årets honorees "har knækket koden", tilføjede han. De tre vindere vil dele en pris på 11 millioner svenske Krona (1 million dollars).

Fremragende AI

Deepmind introducerede Alphafold i 2018, da det vandt en toårig proteinstruktur forudsigelseskonkurrence, den kritiske vurdering af proteinstrukturforudsigelse (CASP). Men det var den anden version af det dybe neurale netværk, som blev præsenteret i slutningen af ​​2020, der udløste et jordskælv i livsvidenskab.

Mange af Alphafold2s forudsigelser ved CASP var så nøjagtige, at de ikke kunne skelnes fra eksperimentelt bestemte proteinstrukturer. Dette fik John Moult, medstifter af CASP og beregningsbiolog ved University of Maryland i College Park, til at erklære i 2020, at "problemet er blevet løst på en bestemt måde".

Hassabis, medstifter og administrerende direktør for Deepmind, og Jumper, leder af Alphafold-teamet, ledede udviklingen af ​​Alphafold2. For at forudsige proteinstrukturer integrerer det neurale netværk lignende strukturer fra databaser, der indeholder hundreder af tusinder af eksperimentelt bestemte strukturer og millioner af sekvenser af relaterede proteiner - som indeholder information om deres former.

I 2021, Deepmind Den underliggende kode for alphafold2 er gratis tilgængelig sammen med de data, der kræves for at træne modellen. En Alphafold -database, forberedt i samarbejde med European Molecular Biology Laboratory og European Bioinformatics Institute i Hinxton, UK, indeholder nu strukturer af de fleste proteiner fra alle organismer repræsenteret i genetiske databaser: I alt omkring 214 millioner forudsigelser. I år introducerede virksomheden en Tredje version af Alphafold Det kan også modellere andre molekyler, der interagerer med proteiner, såsom lægemidler.

Den revolution, som Jumper, Hassabis og deres kolleger har løsrevet, er stadig i sine tidlige stadier, og Alphafolds fulde indflydelse på videnskaben er muligvis ikke kendt i årevis. Men værktøjet hjælper allerede forskere med at få ny indsigt.

Et banebrydende team brugte værktøjet sammen med eksperimentelle data til Nuklear pore -kompleks For at kortlægge, en af ​​de største maskiner i vores celler, der transporterer molekyler ind og ud af cellekernen. Sidste år analyserede to hold hele Alphafold -databasen for at opdage de dybeste hjørner af proteinuniverset, idet de identificerede nye proteinfamilier og folder og overraskende forbindelser i livets maskineri.

Mange forskere håber, at Alphafold og andre AI -værktøjer, det har inspireret, vil transformere medicin. Det er det dog stadig uklar, hvordan eller om Alphafold vil strømline den dyre og multi-trinsproces med at udvikle sikre nye lægemidler.

Oprettelse af nye proteiner

Mere end et årti før Deepmind begyndte at arbejde med Alphafold, beregningsbiofysiker David Baker fra University of Washington i Seattle og hans kolleger udviklede softwareværktøjer til modellering af proteinstrukturer baseret på fysiske principper kaldet Rosetta. Værktøjet havde tidlig succes I designet af nye proteiner.

I årenes løb har Baker's team anvendt Rosetta til at forudsige proteinstrukturer-det var blandt de bedste kunstnere på adskillige CASP'er før Alphafolds nylige dominans-såvel som at designe nye proteiner som enzymer og selvmonterende protein-nanopartikler.

Da Alphafold2 blev annonceret-men endnu ikke frigivet-begyndte Baker og hans team, inklusive beregningskemiker Minkyung Baek, nu på Seoul National University i Sydkorea, at forstå softwaren og anvende nogle af sine tricks på en tidligere AI-baseret version af Rosetta. Den første version af det resulterende Rosettafold -netværk fungerede næsten så godt som Alphafold2. Siden 2021 er begge netværk konstant forbedret af deres udviklere og andre forskere til at tackle nye udfordringer, såsom at forudsige strukturen af ​​komplekser, der består af flere forskellige interagerende proteiner.

I de senere år har Baker's team været særlig produktivt med at anvende maskinlæring til sit laboratoriums raison d'être: At skabe nye proteiner, der aldrig er blevet set i naturen. Et nyligt udviklet værktøj af Baker's team, der kombinerer Rosettafold med billedgenererende diffusionsneurale netværk, har ført til et kvantespring i forskernes evne til at designe proteiner.

Selvom beregningsværktøjer som Alphafold ikke er en erstatning for eksperimentelle undersøgelser, er de en accelerator, siger forskere. "Dette vil gøre det muligt for en ny generation af molekylærbiologer at stille mere avancerede spørgsmål," sagde CASP -dommer Andrei Lupas, en evolutionær biolog ved Max Planck Institute for Developmental Biology i Tübingen, Tyskland. 2020 til naturen.