Nobelpris i kemi för utvecklare av AlphaFold AI för att förutsäga proteinstrukturer

Nobelpris i kemi för utvecklare av AlphaFold AI för att förutsäga proteinstrukturer

För första gången - och verkligen inte det sista - har ett vetenskapligt genombrott möjliggjort av konstgjord intelligens tilldelats ett Nobelpris. 2024 Nobelpriset i kemi tilldelades John Jumper och Demis Hassabis från Google Deepmind i London för utvecklingen av en banbrytande AI -verktyg för förutsägelse av proteinstruktur som kallas AlphaFold och till David Baker från University of Washington i Seattle för sitt arbete med beräkningsproteindesign under de senaste åren revolutionerades av AI.

Effekterna av alphaftold, det avslöjades för några år sedan, är inget annat än transformativt. Verktyget har gjort förutsägande proteinstrukturer - ofta, men inte alltid, mycket exakta - tillgängligt för forskare med en knapptryckning, vilket möjliggör experiment som var otänkbara för ett decennium sedan. Biologer talar nu om en era "före AlphaFold" och "After AlphaFold".

"Det har länge varit en dröm att kunna förutsäga den tredimensionella strukturen för proteiner baserat på deras aminosyrasekvenser. Detta ansågs omöjligt i årtionden," sade Heiner Linke, ordförande för Nobelkommittén och en nanovetenskapsman vid Lund University i Sverige, under utmärkelsen. Årets honorees "har knäckt koden", tillade han. De tre vinnarna kommer att dela ett pris på 11 miljoner svenska Krona (1 miljon USD).

Utmärkt AI

DeepMind introducerade AlphaFold 2018 när den vann en tvåårig proteinstrukturförutsägelsetävling, den kritiska bedömningen av Proteinstructure Prediction (CASP). Men det var den andra versionen av det djupa neurala nätverket, som presenterades i slutet av 2020, som utlöste en jordbävning i biovetenskapen.

Många av AlphaFold2: s förutsägelser vid CASP var så exakta att de inte kunde skiljas från experimentellt bestämda proteinstrukturer. Detta fick John Moult, medgrundare av CASP och beräkningsbiolog vid University of Maryland i College Park, till att förklara 2020, att "problemet har lösts på ett visst sätt".

Hassabis, medgrundare och VD för DeepMind, och Jumper, ledare för AlphaFold-teamet, ledde utvecklingen av AlphaFold2. För att förutsäga proteinstrukturer integrerar det neurala nätverket liknande strukturer från databaser som innehåller hundratusentals experimentellt bestämda strukturer och miljoner sekvenser av relaterade proteiner - som innehåller information om deras former.

2021, DeepMind Den underliggande koden för AlphaFold2 är tillgänglig gratis tillsammans med de data som krävs för att träna modellen. En AlfaFold -databas, beredd i samarbete med European Molecular Biology Laboratory och European Bioinformatics Institute i Hinxton, Storbritannien, Innehåller nu strukturerna för de flesta proteiner från alla organismer som representeras i genetiska databaser: Totalt cirka 214 miljoner förutsägelser. I år introducerade företaget en Tredje versionen av AlphaFold Det kan också modellera andra molekyler som interagerar med proteiner, såsom läkemedel.

Revolutionen som Jumper, Hassabis och deras kollegor har släppt ut är fortfarande i sina tidiga stadier, och AlphaFolds fulla inverkan på vetenskapen kanske inte är känd i flera år. Men verktyget hjälper redan forskare att få ny insikt.

Ett banbrytande team använde verktyget, tillsammans med experimentella data, till kärnporkomplex För att kartlägga, en av de största maskinerna i våra celler som transporterar molekyler in och ut ur cellkärnan. Förra året analyserade två team hela AlphaFold -databasen för att upptäcka de djupaste hörnen av proteinuniverset, identifiera nya proteinfamiljer och veck och överraskande anslutningar i livets maskiner.

Många forskare hoppas att AlphaFold och andra AI -verktyg som det har inspirerat kommer att förändra medicin. Det är dock Fortfarande oklart, hur, eller om AlphaFold kommer att effektivisera den kostsamma och flerstegsprocessen för att utveckla säkra nya läkemedel.

Skapa nya proteiner

Mer än ett decennium innan DeepMind började arbeta med AlphaFold utvecklade den biofysiker David Baker från University of Washington i Seattle och hans kollegor mjukvaruverktyg för modellering av proteinstrukturer baserade på fysiska principer som kallas Rosetta. Verktyget hade tidig framgång i utformningen av nya proteiner.

Under åren har Baker's team använt Rosetta för att förutsäga proteinstrukturer-det var bland de topppresterande vid flera CASP före AlphaFolds senaste dominans-såväl som för att utforma nya proteiner som enzymer och självmonterande protein-nanopartiklar.

När AlphaFold2 tillkännagavs-men ännu inte släppt-Baker och hans team, inklusive beräkningskemisten Minkyung Baek, nu vid Seoul National University i Sydkorea, avsåg att förstå programvaran och tillämpa några av sina tricks på en tidigare AI-baserad version av Rosetta. Den första versionen av det resulterande Rosettaxe -nätverket fungerade nästan såväl som AlphaFold2. Sedan 2021 har båda nätverken ständigt förbättrats av sina utvecklare och andra forskare för att hantera nya utmaningar, till exempel att förutsäga strukturen för komplex som består av flera olika interagerande proteiner.

Under de senaste åren har Bakers team varit särskilt produktivt när det gäller att tillämpa maskininlärning på sitt labbs raison d'être: att skapa nya proteiner som aldrig har sett i naturen. Ett nyligen utvecklat verktyg av Baker's Team som kombinerar Rosettaintold med bildgenererande diffusion Neuralnätverk har lett till ett kvantesprång i forskarnas förmåga att designa proteiner.

Även om beräkningsverktyg som AlphaFold inte ersätter experimentella studier, är de en accelerator, säger forskare. "Detta kommer att göra det möjligt för en ny generation molekylärbiologer att ställa mer avancerade frågor," säger CASP -domare Andrei Lupas, en evolutionär biolog vid Max Planck Institute for Development Biology i Tübingen, Tyskland. 2020 till naturen.