Alphafold AI -kehittäjien kemiallinen Nobel -palkinto proteiinirakenteiden ennustamiseksi
Alphafold AI -kehittäjien kemiallinen Nobel -palkinto proteiinirakenteiden ennustamiseksi
Ensimmäistä kertaa - ja ei varmasti viimeisen kerran - tieteellinen läpimurto, jonka tekoäly sai aikaan, sai Nobel -palkinnon. Chemistry Nobel -palkinto 2024 palkittiin Lontoossa Google Deepmindille John Jumperille ja Demis Hassabisille uraauurtavan Ki-tools proteiinirakenteiden ennustamiseksi, nimeltään Alphafold , samoin kuin David Baker Washingtonin yliopistosta. "https://www.nature.com/articles/d41586-02947-7" data-track = "napsauta" data-label = "https://www.nature.com/articles/d41586-02947-7" Data Track Category = "Kehoteksti linkki"> Vallinutti KI .
"Oli pitkään unelma ennustaa proteiinien kolmen dimensionaalista rakennetta niiden aminohapposekvenssien perusteella. Tätä pidettiin mahdottomaksi vuosikymmenien ajan", sanoi Nobelin komitean ja Nanosh -tieteen puheenjohtaja Heiner Lundin yliopistossa Ruotsissa. Tämän vuoden palkinnon voittajat "mursi koodin", hän lisäsi. Kolme voittajaa jakavat hinnan 11 miljoonaa ruotsalaista kruunua (miljoona dollaria).
palkittu ki
DeepMind esitteli Alphafold 2018, kun proteiinirakenteiden kilpailu, proteiinirakenteen ennustamisen kriittinen arviointi (CASP) voitti joka toinen vuosi. Mutta se oli syvän hermosoluverkon toinen versio, , joka laukaisi maanjäristyksen elämätieteissä.
Monet Alphafold2: n ennusteista CASP: ssä olivat niin tarkkoja, että niitä ei voitu erottaa kokeellisesti määritetyistä proteiinirakenteista. Tämän aiheutti John Moult, CASP: n perustaja ja tietokonebiologi Marylandin yliopistossa College Parkissa, Vuonna 2020 selittää, että "ongelma on jollain tavalla ratkaistu". Hassabis, perustaja ja toimitusjohtaja von Deepmind ja Alphafold-tiimin päällikkö hyppääjä johtivat Alphafold2: n kehitystä. Proteiinirakenteiden ennustamiseksi hermoverkko integroi samanlaiset rakenteet tietokannoista satojen tuhansien kokeellisesti määritettyjen rakenteiden ja miljoonien sukupuolisekvenssien kanssa - sisältävät tietoa niiden muodoista. Vuonna 2021 DeepMind yhdessä mallin kouluttamiseen tarvittavien tietojen kanssa. A kolmas versio Alphafold , joka on myös Can-malli, joka on muun muassa Moleces. Proteiinit, kuten lääkitys. vallankumous, jonka hyppyjä, Hassabis ja hänen kollegansa vapauttavat, ovat edelleen alussa, ja Alphafoldin täydelliset vaikutukset tieteeseen voidaan olla tiedossa vain vuosien varrella. Mutta työkalu auttaa jo tutkijoita saamaan uutta tietoa. uraauurtava ryhmä käytti työkalua yhdessä kokeellisten tietojen kanssa
Monet tutkijat toivovat, että Alphafold ja muut sitä inspiroivat AI -työkalut muuttavat lääkettä. Se on kuitenkin Silti Järkeile kallista ja monen aseman prosessia turvallisen uuden lääkityksen kehittämiseksi.
Yli kymmenen vuotta ennen kuin DeepMind aloitti työskentelyn Alphafoldin kanssa, tietokoneella varustettu biofysiikko David Baker Washingtonin yliopistosta Seattlessa ja hänen kollegoitaan kehittivät ohjelmistotyökaluja fyysisiin periaatteisiin perustuvien proteiinirakenteiden mallintamiseen, ja niitä kutsutaan Rosettaksi. Työkalulla oli varhaisia menestyksiä Kun suunnittelet uusia proteiineja . Vuosien varrella Bakerin joukkue Rosetta kääntyi ennustamaan proteiinirakenteita-se oli yksi parhaimmista osallistujista lukuisissa CASP: ssä ennen Alphafoldin viimeaikaista määräävää asemaa sekä uusien proteiinien, kuten entsyymien ja itsepuhdistusproteiininanohiukkasten, suunnittelua. Kun Alphafold2 julkistettiin, mutta ei vielä julkaistu-Baker ja hänen tiiminsä, mukaan lukien tietokoneavusteinen kemisti Minkyung Baek, joka työskentelee nyt Soulin kansallisessa yliopistossa Etelä-Koreassa, meni ymmärtämään ohjelmistoa ja soveltaa joitain temppuja aikaisempaan AI-pohjaiseen Rosetta-versioon. Tuloksena olevan Rosett Fold -verkon ensimmäinen versio suoritettiin melkein samoin kuin Alphafold2. Vuodesta 2021 lähtien kehittäjät ja muut tutkijat ovat jatkuvasti parantaneet molempia verkkoja uusien haasteiden voittamiseksi, esimerkiksi useiden erilaisten vuorovaikutteisten proteiinien rakenteen ennustaminen. Viime vuosina Bakerin tiimi on ollut erityisen tuottava koneoppimisessa hänen laboratorionsa raison d’être: iin: luoda uusia proteiineja, joita ei ole koskaan nähty luonnossa . Äskettäin kehitetty työkalu Bakerin tiimiltä, joka yhdistää ruusukannan kuvan tuottaviin diffuusioneuronaaliverkoihin, on johtanut tutkijoiden kyvyn suunnitteluun suunnitella kvanttikohteen. Vaikka tietokoneavustetut työkalut, kuten Alphafold, eivät korvaa kokeellisia tutkimuksia, ne ovat kiihdytin, tutkijat sanovat. "Tämä antaa uuden sukupolven molekyylibiologit kysyä edistyneempiä kysymyksiä", sanoi Casp-Richter Andrei Lupas, Evolutionary Biologi Max Planck -instituutin kehitysbiologiassa Tübingenissä, Saksa, 2020 luontoon . Luo uusia proteiineja