Βραβείο Νόμπελ στη χημεία για προγραμματιστές του Alphafold AI για την πρόβλεψη δομών πρωτεϊνών

Βραβείο Νόμπελ στη χημεία για προγραμματιστές του Alphafold AI για την πρόβλεψη δομών πρωτεϊνών

Για πρώτη φορά - και σίγουρα όχι η τελευταία - μια επιστημονική ανακάλυψη που έγινε δυνατή από την τεχνητή νοημοσύνη έχει απονεμηθεί ένα βραβείο Νόμπελ. Το βραβείο Νόμπελ της Χημείας του 2024 απονεμήθηκε στους John Jumper και Demis Hassabis του Google Deepmind στο Λονδίνο για την ανάπτυξη ενός πρωτοποριακού AI Εργαλεία για πρόβλεψη δομής πρωτεϊνών που ονομάζεται AlphaFold, και στον David Baker του Πανεπιστημίου της Ουάσινγκτον στο Σιάτλ για το έργο του για τον υπολογιστικό σχεδιασμό πρωτεϊνών τα τελευταία χρόνια επανάσταση στο AI.

Τα αποτελέσματα του Alphafold, αυτό αποκαλύφθηκε πριν από λίγα χρόνια, δεν είναι τίποτα λιγότερο από μετασχηματιστικό. Το εργαλείο έχει κάνει την πρόβλεψη δομών πρωτεϊνών - συχνά, αλλά όχι πάντα, εξαιρετικά ακριβής - προσιτή στους ερευνητές με το πάτημα ενός κουμπιού, επιτρέποντας πειράματα που ήταν αδιανόητα πριν από μια δεκαετία. Οι βιολόγοι μιλούν τώρα για μια εποχή "πριν από το Alphafold" και "After Alphafold".

"Είναι από καιρό ένα όνειρο να είναι σε θέση να προβλέψουμε την τρισδιάστατη δομή των πρωτεϊνών με βάση τις αλληλουχίες αμινοξέων τους. Αυτό θεωρήθηκε αδύνατο για δεκαετίες", δήλωσε ο Heiner Linke, πρόεδρος της επιτροπής Nobel και νανοεπιστημόνων στο Πανεπιστήμιο Lund στη Σουηδία, κατά τη διάρκεια της ανακοίνωσης. Οι φετινές τιμές "έχουν σπάσει τον κώδικα", πρόσθεσε. Οι τρεις νικητές θα μοιραστούν ένα βραβείο 11 εκατομμυρίων Σουηδών Κρόνα (1 εκατομμύριο δολάρια ΗΠΑ).

Εξαιρετική AI

Ο DeepMind εισήγαγε το AlphaFold το 2018 όταν κέρδισε έναν διαγωνισμό πρόβλεψης δομής πρωτεϊνών, την κριτική αξιολόγηση της πρόβλεψης της δομής πρωτεϊνών (CASP). Αλλά ήταν η δεύτερη έκδοση του βαθιού νευρικού δικτύου, που παρουσιάστηκε στα τέλη του 2020, που προκάλεσε σεισμό στις επιστήμες της ζωής.

Πολλές από τις προβλέψεις του AlphaFold2 στο CASP ήταν τόσο ακριβείς που δεν διακρίνονταν από πειραματικά καθορισμένες πρωτεϊνικές δομές. Αυτό ώθησε τον John Moult, συνιδρυτή του CASP και υπολογιστικού βιολόγου στο Πανεπιστήμιο του Maryland στο College Park, να δηλώσει το 2020, ότι "το πρόβλημα έχει λυθεί με κάποιο τρόπο".

Ο Hassabis, συνιδρυτής και διευθύνων σύμβουλος της DeepMind, και ο Jumper, ηγέτης της ομάδας AlphaFold, οδήγησε την ανάπτυξη του AlphaFold2. Για την πρόβλεψη δομών πρωτεϊνών, το νευρωνικό δίκτυο ενσωματώνει παρόμοιες δομές από βάσεις δεδομένων που περιέχουν εκατοντάδες χιλιάδες πειραματικά καθορισμένες δομές και εκατομμύρια αλληλουχίες σχετικών πρωτεϊνών - οι οποίες περιέχουν πληροφορίες για τα σχήματα τους.

Το 2021, βαθιά Ο υποκείμενος κώδικας του AlphaFold2 είναι διαθέσιμος δωρεάν, μαζί με τα δεδομένα που απαιτούνται για την εκπαίδευση του μοντέλου. Ενας Βάση δεδομένων AlphaFold, προετοιμάζεται σε συνεργασία με το Ευρωπαϊκό Εργαστήριο Μοριακής Βιολογίας και το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής στο Hinxton, Ηνωμένο Βασίλειο, τώρα περιέχει τις δομές των περισσότερων πρωτεϊνών από όλους τους οργανισμούς που εκπροσωπούνται σε γενετικές βάσεις δεδομένων: Συνολικά περίπου 214 εκατομμύρια προβλέψεις. Φέτος η εταιρεία εισήγαγε ένα Τρίτη έκδοση του Alphafold Αυτό μπορεί επίσης να μοντελοποιήσει άλλα μόρια που αλληλεπιδρούν με πρωτεΐνες, όπως φάρμακα.

Η επανάσταση που ο Jumper, ο Hassabis και οι συνάδελφοί τους έχουν εξαπολύσει είναι ακόμα στα αρχικά του στάδια και ο πλήρης αντίκτυπος του Alphafold στην επιστήμη μπορεί να μην είναι γνωστή εδώ και χρόνια. Αλλά το εργαλείο βοηθά ήδη τους επιστήμονες να αποκτήσουν νέες ιδέες.

Μια πρωτοποριακή ομάδα χρησιμοποίησε το εργαλείο, μαζί με πειραματικά δεδομένα, συγκρότημα πυρηνικών πόρων Για να χαρτογραφήσουμε, ένα από τα μεγαλύτερα μηχανήματα στα κύτταρα μας που μεταφέρουν μόρια εντός και έξω από τον πυρήνα των κυττάρων. Πέρυσι, δύο ομάδες ανέλυσαν ολόκληρη τη βάση δεδομένων AlphaFold για να ανακαλύψουν τις βαθύτερες γωνίες του πρωτεϊνικού σύμπαντος, εντοπίζοντας νέες πρωτεϊνικές οικογένειες και πτυχώσεις και εκπληκτικές συνδέσεις στο μηχανισμό της ζωής.

Πολλοί ερευνητές ελπίζουν ότι το AlphaFold και άλλα εργαλεία AI που έχει εμπνεύσει θα μετατρέψει την ιατρική. Ωστόσο, είναι Ακόμα ασαφές, πώς, ή αν το AlphaFold θα εξομαλύνει την δαπανηρή και πολλαπλών βημάτων διαδικασία ανάπτυξης ασφαλών νέων φαρμάκων.

Δημιουργία νέων πρωτεϊνών

Περισσότερο από μια δεκαετία πριν ο Deepmind άρχισε να εργάζεται με το AlphaFold, ο υπολογιστικός βιοφυσικός David Baker του Πανεπιστημίου της Ουάσινγκτον στο Σιάτλ και οι συνάδελφοί του ανέπτυξαν εργαλεία λογισμικού για τη μοντελοποίηση δομών πρωτεϊνών που βασίζονται σε φυσικές αρχές που ονομάζονται Rosetta. Το εργαλείο είχε έγκαιρη επιτυχία στο σχεδιασμό νέων πρωτεϊνών.

Με τα χρόνια, η ομάδα του Baker έχει εφαρμόσει τη Rosetta για την πρόβλεψη των πρωτεϊνικών δομών-ήταν από τους κορυφαίους καλλιτέχνες σε πολυάριθμες καρφίτσες πριν από την πρόσφατη κυριαρχία του AlphaFold-καθώς και για να σχεδιάσουν νέες πρωτεΐνες όπως ένζυμα και αυτο-συναρμολογώντας νανοσωματίδια πρωτεϊνών.

Όταν ανακοινώθηκε το AlphaFold2-αλλά δεν κυκλοφόρησε ακόμη-ο Baker και η ομάδα του, συμπεριλαμβανομένου του υπολογιστικού χημικού Minkyung Baek, τώρα στο Εθνικό Πανεπιστήμιο της Σεούλ στη Νότια Κορέα, ξεκίνησαν να κατανοούν το λογισμικό και να εφαρμόσουν μερικά από τα κόλπα του σε μια προηγούμενη έκδοση της Rosetta με βάση την ΑΙ. Η πρώτη έκδοση του προκύπτοντος δικτύου Rosettafold πραγματοποίησε σχεδόν όπως και το AlphaFold2. Από το 2021, και τα δύο δίκτυα έχουν βελτιωθεί συνεχώς από τους προγραμματιστές τους και άλλους επιστήμονες για την αντιμετώπιση νέων προκλήσεων, όπως η πρόβλεψη της δομής των συμπλοκών που αποτελούνται από διάφορες διαφορετικές αλληλεπιδρώντες πρωτεΐνες.

Τα τελευταία χρόνια, η ομάδα του Baker ήταν ιδιαίτερα παραγωγική στην εφαρμογή της μηχανικής μάθησης στην ανανέωση του εργαστηρίου του: να δημιουργήσει νέες πρωτεΐνες που δεν έχουν δει ποτέ στη φύση. Ένα πρόσφατα αναπτυγμένο εργαλείο από την ομάδα του Baker που συνδυάζει το Rosettafold με τα νευρωνικά δίκτυα διάχυσης που δημιουργεί εικόνες έχει οδηγήσει σε ένα κβαντικό άλμα στην ικανότητα των ερευνητών να σχεδιάζουν πρωτεΐνες.

Παρόλο που τα υπολογιστικά εργαλεία όπως το AlphaFold δεν αποτελούν αντικατάσταση για πειραματικές μελέτες, είναι επιταχυντή, λένε οι επιστήμονες. "Αυτό θα επιτρέψει σε μια νέα γενιά μοριακών βιολόγων να θέτουν πιο προηγμένες ερωτήσεις", δήλωσε ο δικαστής Casp Andrei Lupas, εξελικτικός βιολόγος στο Ινστιτούτο Αναπτυξιακής Βιολογίας του Max Planck στο Tübingen της Γερμανίας. 2020 στη φύση.