Nobel -díj a kémiában az Alphafold AI fejlesztői számára a fehérjeszerkezetek előrejelzésére

Nobel -díj a kémiában az Alphafold AI fejlesztői számára a fehérjeszerkezetek előrejelzésére

Első alkalommal - és természetesen nem az utolsó - a mesterséges intelligencia által lehetővé tett tudományos áttörést Nobel -díjat kapott. A 2024 -es kémiai Nobel -díjat John Jumper és Demis Hassabis, a Google Deepmind kapta Londonban az úttörés fejlesztése érdekében AI eszközök a fehérjeszerkezet -előrejelzéshez, az úgynevezett alphafold, és David Bakernek, a seattle -i washingtoni egyetemen a számítási fehérjetervezéssel kapcsolatos munkájáért az elmúlt néhány évben az AI forradalmasította -

Az Alphafold hatásai, az néhány évvel ezelőtt felfedték, Semmi semmilyen átalakító. Az eszköz a fehérjeszerkezetek előrejelzését - gyakran, de nem mindig, nagyon pontos - egy gombnyomással elérhetővé tette a kutatók számára, lehetővé téve a kísérleteket, amelyek egy évtizeddel ezelőtt elképzelhetetlenek voltak. A biológusok most egy „Alphafold előtt” és „After Alphafold” korszakról beszélnek.

"Régóta álom volt, hogy megjósoljuk a fehérjék háromdimenziós szerkezetét aminosav-szekvenciáik alapján. Ezt évtizedek óta lehetetlennek tartották"-mondta Heiner Linke, a Nobel-bizottság elnöke és a svédországi Lund Egyetem nanokcientistája. Az idei kitüntetések "feltörték a kódot" - tette hozzá. A három nyertes 11 millió svéd Krona (1 millió USD) díjat fog megosztani.

Kiváló AI

A DeepMind 2018 -ban vezette be az Alphafoldot, amikor megnyerte a kétéves fehérjeszerkezet -előrejelzési versenyt, a fehérjeszerkezet -előrejelzés (CASP) kritikus értékelését. De ez volt a mély neurális hálózat második verziója, amelyet 2020 végén mutattak be, amely földrengést váltott ki az élettudományban.

Az Alphafold2 CASP -nál sok előrejelzése annyira pontos volt, hogy megkülönböztethetetlenek voltak a kísérletileg meghatározott fehérjeszerkezetektől. Ez arra késztette John Moultot, a CASP társalapítóját és a College Park Marylandi Egyetem számítási biológusát 2020 -ban bejelenteni, hogy „a problémát bizonyos módon oldották meg”.

Hassabis, a Deepmind társalapítója és vezérigazgatója, valamint Jumper, az Alphafold csapat vezetője vezette az Alphafold2 fejlesztését. A fehérjeszerkezetek előrejelzésére a neurális hálózat hasonló struktúrákat integrál az adatbázisokból, amelyek több százezer kísérletileg meghatározott struktúrát és több millió rokon fehérjék szekvenciáját tartalmaznak - amelyek formájukról információkat tartalmaznak.

2021 -ben a Deepmind Az Alphafold2 mögöttes kódja ingyenesen elérhető, a modell kiképzéséhez szükséges adatokkal együtt. Egy AlfafAfold adatbázis, az Európai Molekuláris Biológiai Laboratóriummal és az Egyesült Királyság Hinxtonban található Európai Bioinformatikai Intézettel együttműködve, együttműködésben készítették el, Most a legtöbb fehérjék szerkezetét tartalmazza az összes genetikai adatbázisban képviselt organizmusból: Összesen körülbelül 214 millió előrejelzés. Ebben az évben a cég bemutatott egyet Az Alphafold harmadik verziója Ez modellezhet más olyan molekulákat is, amelyek kölcsönhatásba lépnek a fehérjékkel, például a gyógyszerekkel.

Az a forradalom, amelyet a jumper, a Hassabis és kollégáik felszabadultak, még mindig a korai szakaszában van, és az Alphafold tudományra gyakorolt ​​teljes hatása évek óta nem ismert. De az eszköz már segíti a tudósokat új betekintés megszerzésében.

Egy úttörő csapat az eszközt és a kísérleti adatokkal együtt nukleáris póruskomplexum A feltérképezéshez a sejtjeink egyik legnagyobb gépe, amely a molekulákat be- és ki a sejtmagból. Tavaly két csapat elemezte az egész Alphafold adatbázist, hogy felfedezze a fehérje -univerzum legmélyebb sarkát, azonosítva az új fehérjecsaládokat és redőket és meglepő kapcsolatokat az élet gépeiben.

Sok kutató reméli, hogy az alfafold és más AI eszközök, amelyeket inspirált, átalakítja a gyógyszert. Azonban az Még mindig nem egyértelmű, hogyan, vagy hogy az Alphafold ésszerűsíti-e a biztonságos új gyógyszerek fejlesztésének költséges és többlépcsős folyamatát.

Új fehérjék létrehozása

Több mint egy évtizeddel azelőtt, hogy DeepMind elkezdett dolgozni az Alphafold, a Seattle -i Washingtoni Egyetemen, a számítási biofizikus David Baker -rel, és kollégái kifejlesztettek szoftver eszközöket a fehérjeszerkezetek modellezésére a Rosetta nevű fizikai alapelvek alapján. Az eszköz korai sikere volt Új fehérjék tervezésében -

Az évek során a Baker csapata a Rosetta-t alkalmazta a fehérjeszerkezetek előrejelzésére-ez a számos CASP-nál a legfontosabb szereplők között volt az Alphafold legutóbbi dominanciája előtt-, valamint új fehérjék, például enzimek és önszereplő fehérje nanorészecskék megtervezésére.

Amikor az Alphafold2-t bejelentették-de még nem engedték közzé-Baker és csapata, köztük a számítási vegyész, Minkyung Baek, a dél-koreai Szöul Nemzeti Egyetemen, a szoftver megértésére és néhány trükkjének alkalmazására a Rosetta korábbi AI-alapú verziójára. A kapott Rosettafold hálózat első verziója szinte ugyanolyan jól teljesített, mint az Alphafold2. 2021 óta mindkét hálózatot fejlesztőik és más tudósok folyamatosan javították az új kihívások kezelésére, például a különféle interakciós fehérjékből álló komplexek szerkezetének előrejelzésére.

Az utóbbi években a Baker csapata különösen produktív volt a gépi tanulás alkalmazásában a laboratóriumi Raison d'ontre -ben: új fehérjék létrehozása, amelyeket a természetben még soha nem láttak - A Baker csapata nemrégiben kifejlesztett eszköze, amely ötvözi a Rosettafoldot a képtermelő diffúziós ideghálózatokkal, kvantumugrást eredményezett a kutatók fehérjék megtervezésének képességében.

Noha a számítási eszközök, mint például az Alphafold, nem helyettesítik a kísérleti tanulmányokat, ezek gyorsító, a tudósok szerint. "Ez lehetővé teszi a molekuláris biológusok új generációjának, hogy fejlettebb kérdéseket tegyen fel" - mondta Andrei Lupas, a CASP bíró, a Max Planck Fejlesztési Biológiai Intézet evolúciós biológusa, Tübingen, Németország. 2020 a természethez -