Χημικό βραβείο Νόμπελ για τους προγραμματιστές της AlphaFold AI για την πρόβλεψη δομών πρωτεϊνών

Χημικό βραβείο Νόμπελ για τους προγραμματιστές της AlphaFold AI για την πρόβλεψη δομών πρωτεϊνών

Για πρώτη φορά - και σίγουρα όχι για τελευταία φορά - μια επιστημονική ανακάλυψη που έγινε δυνατή από την τεχνητή νοημοσύνη απονεμήθηκε ένα βραβείο Νόμπελ. Το βραβείο Nobel Nobel 2024 απονεμήθηκε στους John Jumper και Demis Hassabis από το Google DeepMind στο Λονδίνο για την ανάπτυξη ενός πρωτοποριακού Ki-tools για την πρόβλεψη δομών πρωτεϊνών που ονομάζονται AlphaFold , καθώς και ο David Baker από το Πανεπιστήμιο της Ουάσινγκτον στο Seattle για το έργο του στο έργο του υπολογιστή που έχει υποστεί την εργασία του. "https://www.nature.com/articles/d41586-02947-7" data-track = "Κάντε κλικ στο" data-label = "https://www.nature.com/articles/d41586-02947-7" track data category = "text body"> Επανέρχεται στο ki .

Τα αποτελέσματα του AlphaFold, του , δεν είναι τίποτα λιγότερο από μετασχηματιστικό. Το εργαλείο έκανε την πρόβλεψη πρωτεϊνικών δομών - συχνά, αλλά όχι πάντα, με ακρίβεια προσβάσιμη σε ερευνητές και επέτρεψε πειράματα που ήταν αδιανόητα πριν από μια δεκαετία. Οι βιολόγοι μιλούν τώρα για μια εποχή "μπροστά από το Alphafold" και "στο Alphafold".

Το DeepMind παρουσίασε το AlphaFold 2018 όταν ένας διαγωνισμός πρωτεϊνικών δομών, η κριτική αξιολόγηση της πρόβλεψης της δομής πρωτεϊνών (CASP), κέρδισε κάθε δύο χρόνια. Αλλά ήταν η δεύτερη έκδοση του βαθιού νευρωνικού δικτύου, που προκάλεσε σεισμό στις βιοεπιστήμες.

Πολλές από τις προβλέψεις του AlphaFold2 στο CASP ήταν τόσο ακριβείς ώστε δεν μπορούσαν να διακριθούν από πειραματικά καθορισμένες δομές πρωτεϊνών. Αυτό προκλήθηκε από τον John Moult, συνιδρυτή του CASP και βιολόγου υπολογιστών στο Πανεπιστήμιο του Maryland στο College Park, το 2020 για να εξηγηθεί ότι "το πρόβλημα επιλύεται κατά κάποιο τρόπο".

στο 2021, deepmind μαζί με τα δεδομένα που απαιτούνται για την εκπαίδευση του μοντέλου. A Περιέχει τώρα τις δομές των περισσότερων πρωτεϊνών από όλους τους οργανισμούς που εκπροσωπούνται σε γενετικές βάσεις δεδομένων : συνολικά περίπου 214 εκατομμύρια προβλέπουν. https://www.nature.com/articles/d41586-01385-x "data-track =" Κάντε κλικ "data-label =" https://www.nature.com/artics/d41586-01385-x "data track category =" body link "> όπως το φάρμακο.

Η επανάσταση που ο Jumper, ο Hassabis και οι συνάδελφοί της απελευθερώθηκαν εξακολουθούν να είναι στην αρχή και οι πλήρεις συνέπειες του Alphafold στην επιστήμη μπορούν να είναι γνωστά μόνο σε χρόνια. Αλλά το εργαλείο βοηθά ήδη τους επιστήμονες να αποκτήσουν νέες γνώσεις.

Μια πρωτοποριακή ομάδα χρησιμοποίησε το εργαλείο, μαζί με τα πειραματικά δεδομένα, στο Για να χαρτογραφήσουμε, ένα από τα μεγαλύτερα μηχανήματα στα κύτταρα μας, τα μόρια στον πυρήνα των κυττάρων. Πέρυσι, δύο ομάδες ανέλυσαν ολόκληρη τη βάση δεδομένων AlphaFold για να ανακαλύψουν τις βαθύτερες γωνίες του πρωτεϊνικού σύμπαντος, εντόπισαν νέες οικογένειες πρωτεϊνών και πτυχώσεις καθώς και εκπληκτικές συνδέσεις στο μηχάνημα της ζωής.

Πολλοί ερευνητές ελπίζουν ότι το AlphaFold και άλλα εργαλεία AI που ενέπνευσαν θα μετατρέψουν την ιατρική. Ωστόσο, είναι Δημιουργία νέων πρωτεϊνών

Περισσότερο από μια δεκαετία πριν ο DeepMind άρχισε να εργάζεται με το AlphaFold, ο βιοφυσικός του υπολογιστή David Baker από το Πανεπιστήμιο της Ουάσινγκτον στο Σιάτλ και οι συνάδελφοί του ανέπτυξαν εργαλεία λογισμικού για τη μοντελοποίηση δομών πρωτεϊνών με βάση τις φυσικές αρχές και ονομάζονται Rosetta. Το εργαλείο είχε πρώιμες επιτυχίες

Με την πάροδο των ετών, η ομάδα του Baker Rosetta στράφηκε για να προβλέψει τις δομές πρωτεϊνών-ήταν ένας από τους καλύτερους συμμετέχοντες σε πολυάριθμες δεξαμενές πριν από την πρόσφατη κυριαρχία του AlphaFold, καθώς και για το σχεδιασμό νέων πρωτεϊνών όπως τα ένζυμα και τα νανοσωματίδια πρωτεϊνών.

Τα τελευταία χρόνια, η ομάδα του Baker ήταν ιδιαίτερα παραγωγική στη χρήση της μηχανικής μάθησης στο Raison d'être του εργαστηρίου του: "https://www.nature.com/articles/d41586-02947-7" data-track-category = "σύνδεσμος κειμένου σώματος"> για να δημιουργήσουν νέες πρωτεΐνες που δεν έχουν δει ποτέ στη φύση . Ένα πρόσφατα αναπτυγμένο εργαλείο από την ομάδα του Baker που συνδυάζει το Rose Stock με τα νευρωνικά δίκτυα διάχυσης που δημιουργεί εικόνες έχει οδηγήσει σε ένα κβαντικό άλμα στην ικανότητα των ερευνητών να σχεδιάσουν σχεδιασμό πρωτεϊνών.

Παρόλο που τα εργαλεία που βοηθούν στον υπολογιστή όπως το AlphaFold δεν αποτελούν υποκατάστατο των πειραματικών μελετών, είναι επιταχυντής, λένε οι επιστήμονες. "Αυτό θα επιτρέψει σε μια νέα γενιά μοριακών βιολόγων να θέτουν πιο προηγμένες ερωτήσεις", δήλωσε ο Casp-Richter Andrei Lupas, ένας εξελικτικός βιολόγος στο Ινστιτούτο Dataintrack της Max Planck -4 "Data-Track =" Datainics/D4158-0348-4 "Data-Track "https://www.nature.com/articles/d41586-020-03348-4" data-track-category = "σύνδεσμος κειμένου σώματος"> 2020 με τη φύση .