Uczenie maszynowe rozwiązało problem zwijania białek i zdobyło Nagrodę Nobla w dziedzinie chemii w 2024 roku

Nagroda Nobla w dziedzinie chemii 2024 przyznana Demisa Hassabisa, Johna Jumpera I Davida Bakera za wykorzystanie uczenia maszynowego do stawienia czoła jednemu z największych wyzwań biologii: przewidywaniu trójwymiarowego kształtu białek i projektowaniu ich od podstaw.

Tegoroczna nagroda była wyjątkowa, ponieważ uhonorowała badania rozpoczęte w firmie technologicznej: DeepMind, startupie zajmującym się badaniami nad sztuczną inteligencją, przejętym przez Google’a w 2014 r. Większość dotychczasowych Nagród Nobla z chemii przypadła badaczom akademickim. Wielu laureatów założyło następnie firmy typu start-up, aby dalej rozwijać i komercjalizować swoje przełomowe prace – na przykład Technologia edycji genów CRISPR I kropki kwantowe— ale badania od początku do końca nie były prowadzone w sferze komercyjnej.

Chociaż Nagrody Nobla w dziedzinie fizyki i chemii przyznawane są oddzielnie, istnieje fascynujące powiązanie pomiędzy zwycięskimi badaniami w tych dziedzinach w 2024 r. Nagroda z fizyki poszłam do dwóch informatyków który położył podwaliny pod uczenie maszynowe, a laureaci chemii zostali nagrodzeni za wykorzystanie uczenia maszynowego do rozwiązania jednej z największych tajemnic biologii: sposobu zwijania się białek.

Nagrody Nobla 2024 podkreślają zarówno znaczenie tego rodzaju sztucznej inteligencji, jak i to, że dzisiejsza nauka często przekracza tradycyjne granice, łącząc różne dziedziny, aby osiągnąć przełomowe wyniki.

Wyzwanie związane ze zwijaniem białek

Białka są molekularnymi maszynami życia. Stanowią znaczną część naszego ciała, w tym mięśnie, enzymy, hormony, krew, włosy i chrząstki.

Zrozumienie struktury białek jest niezbędne, ponieważ ich kształt determinuje ich funkcje. Już w 1972 r. Christian Anfinsen otrzymał Nagrodę Nobla w chemii za pokazanie sekwencji elementów budulcowych aminokwasów białka decyduje o kształcie białkaco z kolei wpływa na jego funkcję. Jeśli białko zwija się nieprawidłowo, może nie działać prawidłowo i może prowadzić do chorób takich jak Alzheimera, mukowiscydoza Lub cukrzyca.

Ogólny kształt białka zależy od drobnych interakcji, przyciągania i odpychania, pomiędzy wszystkimi atomami aminokwasów, z których jest zbudowane. Niektórzy chcą być razem, inni nie. Białko skręca się i składa do ostatecznego kształtu w oparciu o wiele tysięcy tych interakcji chemicznych.

Przez dziesięciolecia jednym z największych wyzwań biologii było przewidywanie kształtu białka wyłącznie na podstawie jego sekwencji aminokwasów. Chociaż badacze mogą teraz przewidzieć kształt, nadal nie rozumiemy, w jaki sposób białka manewrują, przybierając określone kształty i minimalizując odpychanie wszystkich interakcji międzyatomowych w ciągu kilku mikrosekund.

Aby zrozumieć, jak działają białka i zapobiec nieprawidłowemu fałdowaniu, naukowcy potrzebowali sposobu przewidywania sposobu zwijania się białek, ale rozwiązanie tej zagadki nie było łatwym zadaniem.

W 2003 biochemik na Uniwersytecie Waszyngtońskim Davida Bakera napisał Rozetaprogram komputerowy do projektowania białek. Dzięki niemu pokazał, że możliwe jest odwrócenie problemu zwijania białek projektowanie kształtu białka, a następnie przewidywanie sekwencję aminokwasów potrzebną do jej utworzenia.

Był to fenomenalny krok naprzód, ale kształt wybrany do obliczeń był prosty, a obliczenia skomplikowane. Rutynowe projektowanie nowych białek o pożądanych strukturach wymagało zasadniczej zmiany paradygmatu.

Nowa era uczenia maszynowego

Uczenie maszynowe to rodzaj sztucznej inteligencji, w którym komputery uczą się rozwiązywać problemy, analizując ogromne ilości danych. Stosowano go w różnych dziedzinach, m.in granie w gry I rozpoznawanie mowy Do pojazdy autonomiczne I badania naukowe. Ideą uczenia maszynowego jest wykorzystanie ukrytych wzorców w danych w celu udzielenia odpowiedzi na złożone pytania.

Podejście to zrobiło ogromny postęp w 2010 roku, kiedy Demis Hassabis był współzałożycielem Głęboki Umysłfirmy, której celem jest połączenie neuronauki ze sztuczną inteligencją w celu rozwiązywania rzeczywistych problemów.

Hassabis, geniusz szachowy w wieku 4 lat, szybko trafił na pierwsze strony gazet AlfaZerosztuczną inteligencję, która nauczyła się grać w szachy na nadludzkim poziomie. W 2017 roku AlphaZero dokładnie pokonała czołowy na świecie komputerowy program szachowy, Stockfish-8. Zdolność sztucznej inteligencji do uczenia się na podstawie własnej rozgrywki zamiast polegania na zaprogramowanych strategiach stanowiła punkt zwrotny w świecie sztucznej inteligencji.

Wkrótce potem DeepMind zastosował podobne techniki w Go, starożytnej grze planszowej znanej z ogromnej złożoności. W 2016 r. jego program AI AlphaGo pokonał jednego z najlepszych graczy na świecie, Lee Sedola, w szeroko oglądany mecz, który zadziwił miliony.

W 2016 roku Hassabis skupił się w DeepMind na nowym wyzwaniu: problemie zwijania się białek. Pod przewodnictwem Johna Jumperachemik z doświadczeniem w nauce o białkach, rozpoczął projekt AlphaFold. Zespół wykorzystał dużą bazę danych o eksperymentalnie ustalonych strukturach białek do szkolenia sztucznej inteligencji, co pozwoliło jej poznać zasady zwijania białek. W rezultacie powstał AlphaFold2, sztuczna inteligencja potrafiąca przewidzieć strukturę 3D białek na podstawie ich sekwencji aminokwasowych z niezwykłą dokładnością.

Był to znaczący przełom naukowy. Od tego czasu AlphaFold przewidział struktury ponad 200 milionów białek — w zasadzie wszystkich białek, które naukowcy do tej pory zsekwencjonowali. Ten ogromna baza danych struktur białkowych jest teraz swobodnie dostępne, co przyspiesza badania w dziedzinie biologii, medycyny i opracowywania leków.

Projektuj białka do walki z chorobami

Zrozumienie sposobu zwijania i funkcjonowania białek ma kluczowe znaczenie przy projektowaniu nowych leków. Enzymyrodzaj białka, działają jak katalizatory w reakcjach biochemicznych i mogą przyspieszać lub regulować te procesy. W leczeniu chorób takich jak rak czy cukrzyca badacze często celują w określone enzymy biorące udział w szlakach chorobowych. Przewidując kształt białka, naukowcy mogą dowiedzieć się, gdzie mogą się z nim związać małe cząsteczki – potencjalni kandydaci na leki – co stanowi pierwszy krok w projektowaniu nowych leków.

W 2024 r. uruchomiono DeepMind AlphaFold3ulepszoną wersję programu AlphaFold, która nie tylko przewiduje kształty białek, ale także identyfikuje potencjalne miejsca wiązania małych cząsteczek. Postęp ten ułatwia badaczom projektowanie leków precyzyjnie ukierunkowanych na właściwe białka.

Google kupił Deepmind podobno około pół miliarda dolarów w 2014 r. Google DeepMind rozpoczął teraz nowe przedsięwzięcie, Laboratoria izomorficzneaby współpracować z firmami farmaceutycznymi nad opracowywaniem leków w świecie rzeczywistym, korzystając z przewidywań AlphaFold3.

Ze swojej strony David Baker w dalszym ciągu wnosi znaczący wkład w naukę o białkach. Jego zespół na Uniwersytecie Waszyngtońskim opracował metodę opartą na sztucznej inteligencji zwaną „halucynacje całej rodziny”, którego użyli do zaprojektowania od podstaw zupełnie nowych białek. Halucynacje to nowe wzorce – w tym przypadku białka – które są prawdopodobne, co oznacza, że ​​dobrze pasują do wzorców w danych szkoleniowych sztucznej inteligencji. Te nowe białka obejmowały emitujące światło enzymu, co pokazuje, że uczenie maszynowe może pomóc w tworzeniu nowych syntetycznych białek. Te narzędzia sztucznej inteligencji oferują nowe sposoby projektowania funkcjonalnych enzymów i innych białek, które nigdy nie mogłyby wyewoluować w sposób naturalny.

Sztuczna inteligencja umożliwi kolejny rozdział badań

Godne Nagrody Nobla osiągnięcia Hassabisa, Jumpera i Bakera pokazują, że uczenie maszynowe to nie tylko narzędzie dla informatyków – to obecnie istotna część przyszłości biologii i medycyny.

Rozwiązując jeden z najtrudniejszych problemów biologii, zdobywcy nagrody w 2024 r. otworzyli nowe możliwości w zakresie odkrywania leków, medycyny spersonalizowanej, a nawet naszego zrozumienia chemii samego życia.

Ten artykuł został ponownie opublikowany z Rozmowa na licencji Creative Commons. Przeczytaj oryginalny artykuł.