Premio Nobel químico para desarrolladores de IA Alfafold para predecir las estructuras de proteínas
Premio Nobel químico para desarrolladores de IA Alfafold para predecir las estructuras de proteínas
Por primera vez, y ciertamente no por última vez, un avance científico que fue posible gracias a la inteligencia artificial recibió un premio Nobel. Google Deepmind en Londres otorgó el Premio Nobel de Química 2024 a John Jumper y Demis Hassabis en Londres para el desarrollo de un innovador Ki-Tools para predecir estructuras de proteínas llamadas Alfafold , así como David Baker de la Universidad de Washington en Seattle para su diseño de proteínas a mano de obra en el trabajo de proteína a mano de obra. "https://www.nature.com/articles/d41586-02947-7" data-track = "haga clic" data-label = "https://www.nature.com/articles/d41586-02947-7" Categoría de seguimiento de datos = "enlace de texto del cuerpo"> fue revolucionado por Ki .
"Fue un sueño durante mucho tiempo poder predecir la estructura de tres dimensiones de las proteínas, basada en sus secuencias de aminoácidos. Esto se consideró imposible durante décadas", dijo Heiner Linke, presidente del Comité Nobel y la ciencia de Nanosh en la Universidad de Lund en Suecia, durante el pronunciamiento. Los ganadores del premio de este año "rompieron el código", agregó. Los tres ganadores comparten un precio de 11 millones de coronas suecas ($ 1 millón).
premio ki
DeepMind presentó Alphafold 2018 cuando una competencia de estructuras de proteínas, la evaluación crítica de la predicción de la estructura de proteínas (CASP), ganó cada dos años. Pero fue la segunda versión de la red neuronal profunda, Eso desencadenó un terremoto en las ciencias de la vida.
Muchas de las predicciones de Alfafold2 en CASP fueron tan precisas que no podían distinguirse de las estructuras de proteínas determinadas experimentalmente. Esto fue causado por John Moult, cofundador de CASP y biólogo informático de la Universidad de Maryland en College Park, en 2020 para explicar que "el problema está resuelto de alguna manera". Hassabis, cofundador y CEO von Deepmind, y Jumper, jefe del equipo de Alfafold, lideraron el desarrollo de Alfafold2. Para predecir estructuras de proteínas, la red neuronal integra estructuras similares de bases de datos con cientos de miles de estructuras determinadas experimentalmente y millones de secuencias de proteínas relacionadas, contienen información sobre sus formas. En 2021, DeepMind , junto con los datos requeridos para capacitar al modelo. A alphaafold". En cooperación con el Laboratorio Europeo de Biología Molecular y el Instituto Europeo de Bioinformática en Hinxton, Reino Unido, contiene las estructuras de la mayoría de las proteínas de todos los organismos representados en bases de datos genéticas : un total de alrededor de 214 millones de predicción. https://www.nature.com/articles/d41586-01385-x "data-track =" click "data-label =" https://www.nature.com/artics/d41586-01385-x "Data rastrea categoría =" enlace de texto del cuerpo "> tercera versión de alphafold
La revolución de ese jersey, Hassabis y sus colegas desatados todavía está al principio, y los efectos completos de Alfafold en la ciencia solo pueden conocerse en años. Pero la herramienta ya está ayudando a los científicos a obtener nuevos conocimientos.
Un equipo pionero utilizó la herramienta, junto con los datos experimentales, a Para mapear, una de las máquinas más grandes de nuestras células, las moléculas en el núcleo celular. El año pasado, dos equipos analizaron toda la base de datos Alfafold para descubrir los rincones más profundos del universo de proteínas, identificaron nuevas familias y pliegues de proteínas, así como conexiones sorprendentes en la máquina de la vida.
Muchos investigadores esperan que Alfafold y otras herramientas de IA que lo inspiraran transformen la medicina. Sin embargo, es Aún no CLEAT. Racionalizar el proceso costoso y de múltiples etapas de desarrollar nuevos medicamentos seguros.
Más de una década antes de que Deepmind comenzara a trabajar con Alfafold, el biofísico David Baker de la Universidad de Washington en Seattle y sus colegas desarrollaron herramientas de software para modelar estructuras de proteínas basadas en principios físicos y se llaman Rosetta. La herramienta tuvo éxitos tempranos cuando diseña el diseño de Nueva Proteins. Con los años, el equipo de Baker, Rosetta, recurrió a predecir las estructuras de proteínas, fue uno de los mejores participantes en numerosos cass antes de la reciente dominio de Alfafold, así como para el diseño de nuevas proteínas como enzimas y nanopartículas de proteínas autoputting. Cuando Alphafold2 fue anunciado, pero aún no publicado y su equipo, incluido el químico asistido por computadora, Minkyung Baek, que ahora trabaja en la Universidad Nacional de Seúl en Corea del Sur, fue a comprender el software y aplicar algunos de sus trucos a una versión anterior de Rosetta basada en IA. La primera versión de la red de Rosett Fold resultante funcionó casi tan bien como Alphafold2. Desde 2021, ambas redes han mejorado continuamente por sus desarrolladores y otros científicos para superar los nuevos desafíos, por ejemplo, la predicción de la estructura de complejos de varias proteínas interactuantes diferentes. En los últimos años, el equipo de Baker ha sido particularmente productivo en el uso de aprendizaje automático para la razón de ser de su laboratorio: para crear nuevas proteínas que nunca se han visto en la naturaleza . Una herramienta recientemente desarrollada del equipo de Baker que combina el stock de rosas con redes neuronales de difusión de generación de imágenes ha llevado a un salto cuántico en la capacidad de los investigadores para diseñar el diseño de proteínas. Aunque las herramientas ayudadas por computadora como Alfafold no son un sustituto de los estudios experimentales, son un acelerador, dicen los científicos. "This will enable a new generation of molecular biologists to ask more advanced questions," said Casp-Richter Andrei Lupas, an evolutionary biologist at the Max Planck Institute for Development Biology in Tübingen, Germany, 2020 a la naturaleza . Crear nuevas proteínas