Prix chimique Nobel pour les développeurs d'IA Alphafold pour prédire les structures protéiques
Prix chimique Nobel pour les développeurs d'IA Alphafold pour prédire les structures protéiques
Pour la première fois - et certainement pas pour la dernière fois - une percée scientifique qui a été rendue possible par l'intelligence artificielle a reçu un prix Nobel. Le prix Nobel de chimie 2024 a été décerné à John Jumper et Demis Hassabis par Google Deepmind à Londres pour le développement d'un révolutionnaire Ki-Tools pour prédire les structures protéiques appelées Alphafold , ainsi que David Baker de l'Université de Washington dans Seattle pour son travail à l'œuvre de la conception de protéines d'ordinateur. "https://www.nature.com/articles/d41586-02947-7" data-track = "cliquez sur" data-Label = "https://www.nature.com/articles/d41586-02947-7" Track Catégorie des données = "lien de texte corporel"> a été révolutionné par KI .
Les effets d'AlphaFold, le
"Ce fut un rêve pendant longtemps de pouvoir prédire la structure à trois dimensions des protéines, sur la base de leurs séquences d'acides aminés. Cela a été considéré comme impossible pendant des décennies", a déclaré Heiner Linke, président du comité Nobel et des sciences de la nanneau à l'Université de Lund en Suède, lors de la déclaration. Les lauréats de cette année "ont craqué le code", a-t-il ajouté. Les trois gagnants partagent un prix de 11 millions de couronnes suédoises (1 million de dollars). DeepMind a présenté Alphafold 2018 lorsqu'une compétition de structures protéiques, l'évaluation critique de la prédiction de la structure des protéines (CASP), a gagné tous les deux ans. Mais c'était la deuxième version du réseau neuronal profond, en 2020 pour expliquer que "le problème est en quelque sorte résolu". Hassabis, co-fondateur et PDG Von Deepmind, et Jumper, chef de l'équipe Alphafold, ont dirigé le développement d'Alphafold2. Afin de prédire les structures protéiques, le réseau neuronal intègre des structures similaires à partir de bases de données avec des centaines de milliers de structures déterminées expérimentalement et des millions de séquences de protéines apparentées - contiennent des informations sur leurs formes. en 2021, DeepMind : Un total d'environ 214 millions de prévisions. https://www.nature.com/articles/d41586-01385-x "data-track =" cliquez sur "data-Label =" https://www.nature.com/artics/d41586-01385-x "Track de données Catégorie =" lien de texte corporel "avec les protéments de la troisième version d'Alphafold comme les médicaments. La révolution que Jumper, Hassabis et ses collègues ont déclenché est toujours au début, et les effets complets de l'alphafold sur la science ne peuvent être connus qu'en années. Mais l'outil aide déjà les scientifiques à acquérir de nouvelles connaissances. Une équipe pionnière a utilisé l'outil, ainsi que des données expérimentales, à la Pour mapper, l'une des plus grandes machines de nos cellules, les molécules du noyau cellulaire. L'année dernière, deux équipes ont analysé toute la base de données Alphafold pour découvrir les coins les plus profonds de l'univers des protéines, identifié de nouvelles familles et plis de protéines ainsi que des connexions surprenantes dans la machine de la vie. De nombreux chercheurs espèrent qu'Alphafold et d'autres outils d'IA qui l'ont inspiré transformeront la médecine. Cependant, il s'agit Créez de nouvelles protéines
Plus d'une décennie avant que DeepMind ne commence à travailler avec Alphafold, le biophysicien a assisté à l'ordinateur David Baker de l'Université de Washington à Seattle et ses collègues ont développé des outils logiciels pour la modélisation des structures de protéines basées sur des principes physiques et s'appelle Rosetta. L'outil a connu des succès précoces quand des concepts de nouveaux protéines . Au fil des ans, l'équipe de Baker Rosetta s'est tournée vers prédire les structures des protéines - il a été l'un des meilleurs participants à de nombreux casps avant la récente domination d'Alphafold - ainsi que pour la conception de nouvelles protéines telles que les enzymes et les nanoparticules de protéines auto-préparantes. Lorsque Alphafold2 a été annoncé mais pas encore publié-Baker et son équipe, y compris le chimiste assisté par ordinateur Minkyung Baek, qui travaille maintenant à l'Université nationale de Séoul en Corée du Sud, est allée comprendre le logiciel et appliquer certaines de ses astuces à une version antérieure basée sur l'IA de Rosetta. La première version du réseau Rosett Fold résultant a effectué presque aussi bien qu'Alphafold2. Depuis 2021, les deux réseaux ont été continuellement améliorés par leurs développeurs et autres scientifiques afin de surmonter de nouveaux défis, par exemple la prédiction de la structure des complexes à partir de plusieurs protéines en interaction différentes. Ces dernières années, l'équipe de Baker a été particulièrement productive dans l'utilisation de l'apprentissage automatique à la raison d'être de son laboratoire: pour créer de nouvelles protéines qui n'ont jamais été vues dans la nature . Un outil récemment développé de l'équipe de Baker qui combine le stock de roses avec des réseaux neuronaux de diffusion générateurs d'images a conduit à un saut quantique dans la capacité des chercheurs à concevoir la conception des protéines. Bien que les outils assistés par ordinateur tels que Alphafold ne remplacent pas les études expérimentales, ils sont un accélérateur, disent les scientifiques. "Cela permettra à une nouvelle génération de biologistes moléculaires de poser des questions plus avancées", a déclaré CASP-Richter Andrei Lupas, biologiste évolutionnaire au Max Planck Institute for Development Biology à Tübingen, Allemagne, 2020 à la nature . a décerné Ki