Kjemisk nobelpris for Alphafold AI -utviklere å forutsi proteinstrukturer
Kjemisk nobelpris for Alphafold AI -utviklere å forutsi proteinstrukturer
For første gang - og absolutt ikke for siste gang - ble et vitenskapelig gjennombrudd som ble muliggjort av kunstig intelligens tildelt en nobelpris. Chemistry Nobel Prize 2024 ble tildelt John Jumper og Demis Hassabis av Google DeepMind i London for utvikling av en banebrytende Ki-Tools for å forutsi proteinstrukturer som ble kalt Alphafold , samt David Baker fra University of Washington i Seattle for å jobbe på arbeidet med arbeidet med arbeidet på arbeidet med arbeidet på arbeidet. "https://www.nature.com/articles/d41586-02947-7" data-track = "Klikk" Data-Label = "https://www.nature.com/articles/d41586-02947-7" Data Track kategori = "Body Text Link"> var revolusjonert Revolutionized med Rolutionized By Ky
"Det var en drøm i lang tid å kunne forutsi den tre -dimensjonale strukturen av proteiner, basert på deres aminosyresekvenser. Dette ble ansett som umulig i flere tiår," sa Heiner Linke, leder av Nobelkomiteen og Nanosh Science ved University of Lund i Sverige, under uttalelsen. Årets prisvinnere "sprakk koden", la han til. De tre vinnerne deler en pris på 11 millioner svenske kroner (1 million dollar).
Tildelt ki
DeepMind presenterte Alphafold 2018 da en konkurranse av proteinstrukturer, den kritiske vurderingen av proteinstruktur prediksjon (CASP), vant hvert annet år. Men det var den andre versjonen av det dype neuronale nettverket, i 2020 for å forklare at "problemet er på noen måte løst".
Hassabis, medgründer og administrerende direktør Von DeepMind, og Jumper, leder for Alphafold-teamet, ledet utviklingen av Alphafold2. For å forutsi proteinstrukturer integrerer det nevrale nettverket lignende strukturer fra databaser med hundretusener av eksperimentelt bestemte strukturer og millioner av sekvenser av relaterte proteiner - inneholder informasjon om deres former.
I 2021, DeepMind inneholder nå strukturene til de fleste proteiner fra alle organismer representert i genetiske databaser totalt rundt 214 millioner forutsi. https://www.nature.com/articles/d41586-01385-x "data-track =" Klikk "Data-label =" https://www.nature.com/artics/d41586-01385-x "Data Track Category =" Body Text "> Tredjeversjon av alfell av alfol-modellen av alfolc-kategorien. proteiner, for eksempel medisiner.
Revolusjonen som Jumper, Hassabis og hennes kolleger som er sluppet løs, er fremdeles i begynnelsen, og de fulle effektene av Alphafold på vitenskap kan bare være kjent på mange år. Men verktøyet hjelper allerede forskere med å få ny kunnskap.
Et banebrytende team brukte verktøyet, sammen med eksperimentelle data, til Å kartlegge, en av de største maskinene i cellene våre, molekylene i cellekjernen. I fjor analyserte to team hele Alphafold -databasen for å oppdage de dypeste hjørnene av proteinuniverset, identifiserte nye proteinfamilier og bretter samt overraskende forbindelser i livets maskin.
Mange forskere håper at Alphafold og andre AI -verktøy som inspirerte det til å transformere medisin. Imidlertid er det Lag nye proteiner
Mer enn et tiår før DeepMind begynte å jobbe med Alphafold, sa datamaskinen biofysiker David Baker fra University of Washington i Seattle og hans kolleger utviklet programvareverktøy for å modellere proteinstrukturer basert på fysiske prinsipper og kalles Rosetta. Verktøyet hadde tidlige suksesser
Gjennom årene vendte Bakers team Rosetta seg for å forutsi proteinstrukturer-det var en av de beste deltakerne i en rekke CASP-er før Alphafolds nylige dominans-så vel som for utforming av nye proteiner som enzymer og selvpatende protein-nanopartikler. Da Alphafold2 ble kunngjort, men ennå ikke publisert-Baker og teamet hans, inkludert den datastyrte kjemikeren Minkyung Baek, som nå jobber ved Seoul National University i Sør-Korea, gikk for å forstå programvaren og bruke noen av triksene sine til en tidligere AI-basert versjon av Rosetta. Den første versjonen av det resulterende Rosett Fold Network utførte nesten like bra som Alphafold2. Siden 2021 har begge nettverkene kontinuerlig blitt forbedret av sine utviklere og andre forskere for å overvinne nye utfordringer, for eksempel prediksjonen av strukturen til komplekser fra flere forskjellige interaksjonsproteiner. De siste årene har Bakers team vært spesielt produktivt når det gjelder bruk av maskinlæring til raison d’être på laboratoriet hans: for å lage nye proteiner som aldri har blitt sett i naturen . Et nylig utviklet verktøy fra Bakers team som kombinerer rosebestand med bildegenererende diffusjonsneuronale nettverk har ført til et kvantesprang i forskernes evne til å designe proteindesign. Selv om datamaskiner som er tidligere, som Alphafold ikke er en erstatning for eksperimentelle studier, er de en gasspedal, sier forskere. "Dette vil gjøre det mulig for en ny generasjon av molekylære biologer å stille mer avanserte spørsmål," sa CASP-Richter Andrei Lupas, en evolusjonsbiolog ved Max Planck Institute for Development Biology i Tübingen, Tyskland, 2020 til Nature .