Prêmio Nobel químico para desenvolvedores de IA da Alphafold para prever estruturas proteicas
Prêmio Nobel químico para desenvolvedores de IA da Alphafold para prever estruturas proteicas
Pela primeira vez - e certamente não pela última vez - um avanço científico que foi possível pela inteligência artificial recebeu um prêmio Nobel. O Prêmio Nobel de Química 2024 foi concedido a John Jumper e Demis Hassabis pelo Google DeepMind em Londres para o desenvolvimento de um inovador Ki-tools para prever estruturas de proteínas chamadas alfafold , assim como David Baker da Universidade de Washington em Seattle para seu trabalho no trabalho no trabalho de trabalho para o trabalho de trabalho "https://www.nature.com/articles/d41586-02947-7" data-track = "clique" data-label = "https://www.nature.com/articles/d41586-02947-7" Categoria de texto = "Link para o texto.
"Foi um sonho por muito tempo poder prever a estrutura tridimensional das proteínas, com base em suas sequências de aminoácidos. Isso foi considerado impossível por décadas", disse Heiner Linke, presidente do Comitê Nobel e Ciência Nanosh da Universidade de Lund, na Suécia, durante o pronunciamento. Os vencedores do prêmio deste ano "quebraram o código", acrescentou. Os três vencedores compartilham um preço de 11 milhões de coroas suecas (US $ 1 milhão).
premiado Ki
Deepmind apresentou Alphafold 2018 Quando uma competição de estruturas de proteínas, a avaliação crítica da previsão da estrutura de proteínas (CASP), venceu a cada dois anos. Mas foi a segunda versão da rede neuronal profunda, Isso desencadeou um terremoto nas ciências da vida
Muitas das previsões de alphafold2 no CASP foram tão precisas que não puderam ser distinguidas de estruturas proteicas determinadas experimentalmente. Isso foi causado por John Moult, co-fundador da CASP e biólogo de computadores da Universidade de Maryland em College Park, em 2020 para explicar que "o problema é de alguma forma resolvido". Hassabis, co-fundador e CEO Von Deepmind, e Jumper, chefe da equipe de Alphafold, liderou o desenvolvimento de Alphafold2. Para prever estruturas proteicas, a rede neural integra estruturas semelhantes de bancos de dados com centenas de milhares de estruturas determinadas experimentalmente e milhões de sequências de proteínas relacionadas - contêm informações sobre suas formas. Em 2021, Deepmind , juntamente com os dados necessários para o treinamento do modelo. A : um total de 214 milhões de preventes. https://www.nature.com/articles/d41586-01385-X "Data-Track =" Click "Data-Label =" https://www.nature.com/artics/d41586-01385-X " Data track category = "Body Text Link"> Third version of Alphafold , which can also model other molecules that interact with proteins, como medicação. A revolução que Hassabis e seus colegas desencadearam ainda está no começo, e os efeitos completos do alfafold na ciência só podem ser conhecidos em anos. Mas a ferramenta já está ajudando os cientistas a obter novos conhecimentos. A pioneering team used the tool, together with experimental data, to the nuclear pore complex Para mapear, uma das maiores máquinas de nossas células, as moléculas no núcleo celular. No ano passado, duas equipes analisaram todo o banco de dados do Alphafold para descobrir os cantos mais profundos do universo proteico, identificaram novas famílias e dobras de proteínas, além de conexões surpreendentes na máquina da vida. Muitos pesquisadores esperam que o Alphafold e outras ferramentas de IA que o inspirassem transformem a medicina. No entanto, é O processo caro e multi -estágio de desenvolvimento de novos medicamentos seguros
Mais de uma década antes de o DeepMind começar a trabalhar com a Alphafold, o biofísico de computador, David Baker, da Universidade de Washington, em Seattle, e seus colegas desenvolveram ferramentas de software para modelar estruturas de proteínas com base em princípios físicos e são chamados de Rosetta. A ferramenta teve sucessos precoces
Ao longo dos anos, a equipe de Baker Rosetta se voltou para prever estruturas de proteínas-foi um dos melhores participantes em numerosos cass antes do recente domínio de Alphafold-assim como para o design de novas proteínas, como enzimas e nanopartículas de proteína auto-apting. Quando o Alphafold2 foi anunciado, mas ainda não publicado Baker e sua equipe, incluindo o químico auxiliado por computador Minkyung Baek, que agora está trabalhando na Universidade Nacional de Seul, na Coréia do Sul, foi entender o software e aplicar alguns de seus truques a uma versão anterior de Rosetta. A primeira versão da Rosett Fold Network resultante foi executada quase tão bem quanto Alphafold2. Desde 2021, ambas as redes foram continuamente melhoradas por seus desenvolvedores e outros cientistas, a fim de superar novos desafios, por exemplo, a previsão da estrutura de complexos de várias proteínas diferentes em interação. Nos últimos anos, a equipe de Baker tem sido particularmente produtiva ao usar o aprendizado de máquina com a razão de ser de seu laboratório: para criar novas proteínas que nunca foram vistas na natureza . Uma ferramenta desenvolvida recentemente da equipe de Baker que combina estoque de rosa com redes neuronais de difusão geradora de imagens levou a um salto quântico na capacidade dos pesquisadores de projetar o design de proteínas. Embora ferramentas de computador, como o Alphafold, não substituam os estudos experimentais, eles são um acelerador, dizem cientistas. "Isso permitirá que uma nova geração de biólogos moleculares faça perguntas mais avançadas", disse Andrei Lupas, richter Andrei Lupas, um biólogo evolutivo do Instituto Max Planck para Biologia de Desenvolvimento em Tübingen, Alemanha, 2020 para a natureza . Crie novas proteínas