Το Νόμπελ Χημείας πηγαίνει στους προγραμματιστές του AlphaFold AI που προβλέπει τις πρωτεϊνικές δομές.
«Ελπίζω όταν κοιτάξουμε πίσω στο AlphaFold, θα είναι το πρώτο σημείο απόδειξης της απίστευτης δυνατότητας της τεχνητής νοημοσύνης να επιταχύνει την επιστημονική ανακάλυψη», δήλωσε ο Χασάμπις σε συνέντευξη Τύπου στο DeepMind στις 9 Οκτωβρίου. «Είναι τόσο εξωπραγματικό αυτή τη στιγμή».
Ο αντίκτυπος του AlphaFold, το οποίο αποκαλύφθηκε μόλις πριν από λίγα χρόνια, δεν ήταν τίποτα λιγότερο από μεταμορφωτικός. Το εργαλείο έχει καταστήσει δομές πρωτεΐνης – συχνά, αλλά όχι πάντα, εξαιρετικά ακριβείς – διαθέσιμες στους ερευνητές με το πάτημα ενός κουμπιού και επέτρεψε πειράματα που ήταν αδιανόητα πριν από μια δεκαετία. «Είναι μια μεγάλη επανάσταση», λέει η Christine Orengo, υπολογιστική βιολόγος στο University College του Λονδίνου, της οποίας το εργαστήριο χρησιμοποίησε δομές που είχε προβλέψει το AlphaFold για να αποκαλύψει νέες πρωτεΐνες.
«Ήταν ένα όνειρο εδώ και πολύ καιρό να μάθουμε να προβλέπουμε την τρισδιάστατη δομή των πρωτεϊνών γνωρίζοντας τις αλληλουχίες αμινοξέων τους… για αρκετές δεκαετίες, αυτό θεωρείτο αδύνατο», δήλωσε ο πρόεδρος της επιτροπής Νόμπελ Heiner Linke, ο οποίος ερευνά τη νανοεπιστήμη στο Πανεπιστήμιο Lund στη Σουηδία, κατά την ανακοίνωση του βραβείου. Οι φετινοί βραβευθέντες «έσπασαν τον κώδικα», πρόσθεσε. Οι τρεις νικητές μοιράζονται ένα βραβείο 11 εκατομμυρίων σουηδικών κορωνών (1 εκατομμύριο δολάρια ΗΠΑ).
Βραβευμένο AI
Το DeepMind έκανε το ντεμπούτο του στο AlphaFold το 2018, όταν κέρδισε έναν διετές διαγωνισμό πρόβλεψης πρωτεϊνικής δομής που ονομάζεται Critical Assessment of Protein Structure Prediction (CASP). Αλλά ήταν η δεύτερη επανάληψη του νευρωνικού δικτύου βαθιάς μάθησης, που αποκαλύφθηκε στα τέλη του 2020, που πραγματικά τάραξε τις επιστήμες της ζωής. Πολλές από τις προβλέψεις του AlphaFold2 στο CASP ήταν τόσο ακριβείς που δεν μπορούσαν να διακριθούν από πειραματικά λυμένες πρωτεϊνικές δομές.
Ο Hassabis, συνιδρυτής και διευθύνων σύμβουλος της DeepMind, και ο Jumper, επικεφαλής της ομάδας AlphaFold, ηγήθηκαν της ανάπτυξης του AlphaFold2. Για την πρόβλεψη των πρωτεϊνικών δομών, το νευρωνικό δίκτυο ενσωματώνει δεδομένα από βιβλιοθήκες εκατοντάδων χιλιάδων δομών και εκατομμυρίων αλληλουχιών από σχετικές πρωτεΐνες — οι οποίες περιέχουν πληροφορίες για τα σχήματά τους.
Συγκεκριμένα, η επιτυχία του AlphaFold οφείλεται σε μεγάλο βαθμό στην Protein Data Bank, μια ελεύθερα διαθέσιμη αποθήκη περισσότερων από 200.000 πρωτεϊνικών δομών που προσδιορίζονται με μεθόδους όπως η κρυστολλογραφία ακτίνων Χ και η κρυοηλεκτρονική μικροσκοπία. «Είναι ταπεινό κάθε φορά που εκπαιδεύουμε [AlphaFold] σε χρόνια προσπάθειας. Κάθε σημείο δεδομένων είναι χρόνια προσπάθειας από κάποιον», δήλωσε ο Jumper στη συνέντευξη τύπου του DeepMind.
Το 2021, η DeepMind έκανε ελεύθερα διαθέσιμο τον υποκείμενο κώδικα του AlphaFold2, μαζί με τα δεδομένα που απαιτούνται για την εκπαίδευση του μοντέλου. Μια βάση δεδομένων AlphaFold, που δημιουργήθηκε με το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας στο Hinxton του Ηνωμένου Βασιλείου, περιέχει τώρα τις δομές σχεδόν όλων των πρωτεϊνών από κάθε οργανισμό που εκπροσωπούνται σε γενετικές βάσεις δεδομένων, περίπου 214 εκατομμύρια προβλέψεις συνολικά. Φέτος, η εταιρεία παρουσίασε μια τρίτη έκδοση του AlphaFold, η οποία μπορεί να μοντελοποιήσει άλλα μόρια που αλληλεπιδρούν με πρωτεΐνες, όπως φάρμακα.
Η επανάσταση που εξαπέλυσαν οι Jumper, Hassabis και οι συνάδελφοί τους είναι ακόμα στις πρώτες μέρες της και η πλήρης επίδραση του AlphaFold στην επιστήμη μπορεί να μην είναι γνωστή για χρόνια. Ήδη, το εργαλείο βοηθά τους επιστήμονες να κάνουν νέες ιδέες.
Μια πρωτοποριακή ομάδα χρησιμοποίησε το εργαλείο, μαζί με πειραματικά δεδομένα, για να χαρτογραφήσει το σύμπλεγμα πυρηνικών πόρων, ένα από τα μεγαλύτερα μηχανήματα των κυττάρων μας που μεταφέρει μόρια μέσα και έξω από τον πυρήνα. Πέρυσι, δύο ομάδες εξόρυξαν ολόκληρη τη βάση δεδομένων AlphaFold για να αποκαλύψουν τις πιο σκοτεινές γωνιές του πρωτεϊνικού σύμπαντος, εντοπίζοντας νέες οικογένειες πρωτεϊνών και πτυχών και εκπληκτικές συνδέσεις στον μηχανισμό της ζωής.
Πολλοί ερευνητές ελπίζουν ότι το AlphaFold και άλλα εργαλεία τεχνητής νοημοσύνης που έχει εμπνεύσει θα μεταμορφώσουν την ιατρική, αλλά δεν είναι ακόμη σαφές πώς ή αν, το AlphaFold θα εξορθολογίσει την δαπανηρή και πολλαπλών σταδίων διαδικασία ανάπτυξης ασφαλών φαρμάκων. Οι επιστήμονες που θέτουν τις βάσεις για νέα εμβόλια βρίσκουν το AlphaFold απίστευτα χρήσιμο και, σε ορισμένες περιπτώσεις, το παιχνίδι αλλάζει. Αλλά το AlphaFold είναι ένα συμπλήρωμα σε πειραματικές μελέτες και άλλες προσεγγίσεις για τη χαρτογράφηση και την προσαρμογή της δομής των πρωτεϊνών του ιού για χρήση σε εμβόλια.
Για τους περισσότερους ερευνητές, μια προβλεπόμενη δομή είναι η αρχή μιας μελέτης, όχι το τέλος, λέει ο Jan Kosinski, δομικός μοντελιστής στο Ευρωπαϊκό Εργαστήριο Μοριακής Βιολογίας (EMBL) στο Αμβούργο της Γερμανίας. «Στην αρχή, υπήρχε ο φόβος ότι θα αντικαταστήσει τη δομική βιολογία, οι άνθρωποι θα χάσουν θέσεις εργασίας και ούτω καθεξής. Στην πραγματικότητα, έχει συμβεί το εντελώς αντίθετο», προσθέτει.
Ο David Jones, βιοπληροφορικός στο University College του Λονδίνου που συνεργάστηκε με την DeepMind στην πρώτη έκδοση του AlphaFold που ξεκίνησε το 2016, λέει ότι ένας από τους μεγαλύτερους αντίκτυπους του εργαλείου ήταν η αλλαγή στη νοοτροπία του βιολόγου, «να πει ότι οι υπολογιστές είναι πράγματα που μπορούν να παράγουν χρήσιμες υποθέσεις. που μπορεί να δοκιμαστεί στο εργαστήριο».
Δημιουργία νέων πρωτεϊνών
Πάνω από δύο δεκαετίες προτού η DeepMind αρχίσει να εργάζεται στο AlphaFold, ο υπολογιστικός βιοφυσικός David Baker και οι συνεργάτες του ανέπτυξαν ένα εργαλείο λογισμικού που ονομάζεται Rosetta που μοντελοποίησε τις πρωτεϊνικές δομές χρησιμοποιώντας φυσικές αρχές. Το εργαλείο συγκρίνει μικρά θραύσματα πολλαπλών υπαρχουσών πρωτεϊνικών δομών και αλληλουχιών για να αναγνωρίσει μια αλληλουχία πρωτεΐνης που μπορεί να διπλωθεί σε ένα συγκεκριμένο σχήμα.
Αρχικά, η Rosetta εφαρμόστηκε στην πρόβλεψη των πρωτεϊνικών δομών – ήταν μεταξύ των κορυφαίων συμμετοχών σε πολυάριθμα CASP, πριν από την κυριαρχία του AlphaFold. Αλλά ο Baker σύντομα συνειδητοποίησε ότι το μοντέλο θα μπορούσε να ανατραπεί για να σχεδιάσει εντελώς νέες πρωτεΐνες.
Το εργαλείο είχε πρώιμη επιτυχία στο σχεδιασμό νέων πρωτεϊνών, συμπεριλαμβανομένων νέων ειδών ενζύμων, πρωτεϊνών που μπορούν να συνδεθούν στενά με άλλα μόρια και αυτοσυναρμολογούμενων νανοσωματιδίων πρωτεΐνης που μοιάζουν με ιούς (ένα από αυτά χρησίμευσε ως βάση για ένα εγκεκριμένο εμβόλιο COVID-19).
Όταν ανακοινώθηκε το AlphaFold2 — αλλά δεν κυκλοφόρησε ακόμη — ο Baker και η ομάδα του, συμπεριλαμβανομένου του υπολογιστικού χημικού Minkyung Baek, τώρα στο Εθνικό Πανεπιστήμιο της Σεούλ στη Νότια Κορέα, ξεκίνησαν να κατανοήσουν το λογισμικό και να εφαρμόσουν μερικά από τα κόλπα του σε μια προηγούμενη έκδοση του AI. Ροζέτα. Η πρώτη έκδοση του δικτύου RoseTTAFold που προέκυψε απέδωσε σχεδόν εξίσου καλά με το AlphaFold2. Από το 2021, και τα δύο δίκτυα βελτιώνονται συνεχώς από τους προγραμματιστές τους και άλλους επιστήμονες για την αντιμετώπιση νέων προκλήσεων, όπως η πρόβλεψη της δομής των συμπλεγμάτων πολλαπλών διαφορετικών πρωτεϊνών που αλληλεπιδρούν.
Τα τελευταία χρόνια, η ομάδα του Baker ήταν ιδιαίτερα παραγωγική στην εφαρμογή της μηχανικής μάθησης στον λόγο ύπαρξης του εργαστηρίου του: τη δημιουργία νέων πρωτεϊνών που δεν έχουν ξαναφανεί στη φύση. Ένα εργαλείο που αναπτύχθηκε πρόσφατα από την ομάδα του Baker που συνδυάζει το RoseTTAFold με νευρωνικά δίκτυα διάχυσης που δημιουργούν εικόνα, οδήγησε σε μια σταδιακή αλλαγή στην ικανότητα των ερευνητών να σχεδιάζουν πρωτεΐνες.
Ταχεία πρόοδος
Τέτοια εργαλεία ήταν ένας τεράστιος επιταχυντής και εκδημοκρατισμός, λέει ο Sergey Ovchinnikov, ένας εξελικτικός βιολόγος στο Τεχνολογικό Ινστιτούτο της Μασαχουσέτης στο Κέμπριτζ, ο οποίος έκανε το διδακτορικό του στο εργαστήριο του Baker. Χρειαζόταν η Rosetta εβδομάδες λειτουργίας σε εκατοντάδες επεξεργαστές για να καταλήξει σε ένα σχέδιο πρωτεΐνης, μια εργασία που τα νεότερα εργαλεία που βασίζονται σε τεχνητή νοημοσύνη μπορούν να επιτύχουν σε δευτερόλεπτα. «Τώρα όλοι στον κόσμο μπορούν να κάνουν σχεδιασμό πρωτεΐνης», λέει.
«Έχω πραγματικά εμπνευστεί βαθιά από τους άλλους στον τομέα και τους ανθρώπους με τους οποίους έχω συνεργαστεί», είπε ο Baker, μιλώντας τηλεφωνικά στην ανακοίνωση του βραβείου Νόμπελ. «Στάθηκα στους ώμους γιγάντων».
Ο Μάρτιν Στάινεγκερ, υπολογιστικός βιολόγος στο Εθνικό Πανεπιστήμιο της Σεούλ στη Νότια Κορέα, παρομοιάζει τον αντίκτυπο του AlphaFold, του RoseTTAFold και άλλων βιολογικών εργαλείων τεχνητής νοημοσύνης με αυτόν των αποστολών Apollo Moon, δείχνοντας τι μπορεί να επιτύχει η μηχανική. «Αυτή είναι μια παρόμοια στιγμή για την πρόβλεψη των δομών και το πεδίο της δομικής βιολογίας – απλά βλέπουμε τι είναι δυνατό», λέει.
Λίγοι εξεπλάγησαν με την απόφαση της επιτροπής Νόμπελ. Για τον Μπέικερ, «οι περισσότεροι πίστευαν ότι ήταν μια κατάσταση «όταν όχι αν», ο όγκος της δουλειάς που έκανε σε αυτόν τον τομέα», λέει ο Τζόουνς. Ο Τζάμπερ, έχοντας επίγνωση ότι αυτός και ο Χασάμπις ήταν στις short lists πολλών ανθρώπων, είπε στη συνέντευξη Τύπου ότι δεν μπορούσε να κοιμηθεί το βράδυ πριν από τη σημερινή ανακοίνωση.
Για το Jumper, οι προβλεπόμενες δομές που προσφέρει το AlphaFold δημιουργούν νέες ευκαιρίες για επιστημονική ανακάλυψη. Εκατομμύρια επιστήμονες έχουν ήδη χρησιμοποιήσει τα εργαλεία και ελπίζει ότι δεν θα αργήσει πολύς καιρός πριν κάποιος από αυτούς λάβει κλήση από τη Σουηδία. «Η στιγμή που θα είμαι σχεδόν τόσο ενθουσιασμένος όσο αυτή θα είναι το βραβείο Νόμπελ που θα μιλήσει για τη δουλειά που έγινε με το AlphaFold», ανέφερε.
Κάντε εγγραφή στο ενημερωτικό μας δελτίο.
