Kemiskt Nobelpris för AlphaFold AI -utvecklare för att förutsäga proteinstrukturer
Kemiskt Nobelpris för AlphaFold AI -utvecklare för att förutsäga proteinstrukturer
För första gången - och verkligen inte för sista gången - tilldelades ett vetenskapligt genombrott som möjliggjordes av konstgjord intelligens ett Nobelpris. Kemin Nobelpriset 2024 tilldelades John Jumper och Demis Hassabis av Google DeepMind i London för utvecklingen av en banbrytande Ki-Tools for predicting protein structures called Alphafold , as well as David Baker from the University of Washington in Seattle for his work at the work computer-aided protein design that in recent years was revolutionized by Ki .
Effekterna av AlphaFold,
"Det var en dröm under lång tid att kunna förutsäga den tre dimensionella strukturen hos proteiner, baserat på deras aminosyrasekvenser. Detta ansågs omöjligt i årtionden," sade Heiner Linke, ordförande för Nobelkommittén och Nanosh Science vid University of Lund i Sweden, under pronouncination. Årets prisvinnare "knäckte koden", tillade han. De tre vinnarna delar ett pris på 11 miljoner svenska kronor (1 miljon dollar). DeepMind presenterade AlphaFold 2018 när en konkurrens av proteinstrukturer, den kritiska bedömningen av proteinstrukturförutsägelse (CASP), vann vartannat år. Men det var den andra versionen av det djupa neuronala nätverket, VAR FÖRSÄLJNING AV ANDE FÖRSÄLJNING AV 20 Det utlöste en jordbävning i biovetenskapen.
Många av förutsägelserna för AlphaFold2 vid CASP var så exakta att de inte kunde skiljas från experimentellt bestämda proteinstrukturer. Detta orsakades av John Moult, medgrundare av CASP och datorbiolog vid University of Maryland i College Park, 2020 för att förklara att "problemet är på något sätt löst". Hassabis, medgrundare och VD von DeepMind, och Jumper, chef för AlphaFold-teamet, ledde utvecklingen av AlphaFold2. För att förutsäga proteinstrukturer integrerar det neurala nätverket liknande strukturer från databaser med hundratusentals experimentellt bestämda strukturer och miljoner sekvenser av relaterade proteiner - innehåller information om deras former. In 2021, Deepmind The underlying code of Alphafold2 free of avgift , tillsammans med de uppgifter som krävs för att utbilda modellen. A Innehåller nu strukturerna för de flesta proteiner från alla organismer representerade i genetiska databaser : En total av cirka 214 miljoner förutsäger. https://www.nature.com/articles/d41586-01385-x "data- track =" klicka "data-label =" https://www.nature.com/artics/d41586-01385-x "data spår kategory =" kroppstext "> tredje version av alphafafalt
Revolutionen som Jumper, Hassabis och hennes kollegor släpps ut är fortfarande i början, och de fulla effekterna av AlphaFold på vetenskapen kanske bara är kända på flera år. Men verktyget hjälper redan forskare att få ny kunskap. A pioneering team used the tool, together with experimental data, to the nuclear pore complex to Karta, en av de största maskinerna i våra celler, molekylerna i cellkärnan. Förra året analyserade två team hela AlphaFold -databasen för att upptäcka de djupaste hörnen av proteinuniverset, identifierade nya proteinfamiljer och veck samt överraskande anslutningar i livets maskin. Många forskare hoppas att AlphaFold och andra AI -verktyg som inspirerade det kommer att förändra medicin. Det är emellertid skapa nya proteiner
Mer än ett decennium innan DeepMind började arbeta med AlphaFold utvecklade datorn -stödde biofysiker David Baker från University of Washington i Seattle och hans kollegor mjukvaruverktyg för modellering av proteinstrukturer baserade på fysiska principer och kallas Rosetta. Verktyget hade tidiga framgångar
Under åren vände Bakers team Rosetta för att förutsäga proteinstrukturer-det var en av de bästa deltagarna i många CASP innan AlphaFolds senaste dominans-såväl som för utformningen av nya proteiner såsom enzymer och självpirande protein-nanopartiklar. När AlphaFold2 tillkännagavs men ännu inte publicerad-Baker och hans team, inklusive den datorstödda kemisten Minkyung Baek, som nu arbetar vid Seoul National University i Sydkorea, gick för att förstå programvaran och tillämpa några av sina tricks på en tidigare AI-baserad version av Rosetta. Den första versionen av det resulterande Rosett Fold -nätverket fungerade nästan såväl som AlphaFold2. Sedan 2021 har båda nätverken kontinuerligt förbättrats av sina utvecklare och andra forskare för att övervinna nya utmaningar, till exempel förutsägelse av strukturen för komplex från flera olika interagerande proteiner. Under de senaste åren har Baker's team varit särskilt produktivt när det gäller att använda maskininlärning till raison d’être i sitt laboratorium: för att skapa nya proteiner som aldrig har sett i naturen . Ett nyligen utvecklat verktyg från Bakers team som kombinerar rosbestånd med bildgenererande diffusion neuronala nätverk har lett till ett kvantesprång i forskarnas förmåga att utforma proteindesign. Även om datorstödda verktyg som AlphaFold inte är ett ersättning för experimentella studier, är de en accelerator, säger forskare. "This will enable a new generation of molecular biologists to ask more advanced questions," said Casp-Richter Andrei Lupas, an evolutionary biologist at the Max Planck Institute for Development Biology in Tübingen, Germany, 2020 till naturen . tilldelas ki