Гениальное решение белковой головоломки с помощью искусственного интеллекта получило Нобелевскую премию по химии

Нобелевская премия по химии 2024 года была присуждена Демису Хассабису, Джону Джамперу и Дэвиду Бейкеру за использование машинного обучения для решения одной из крупнейших задач биологии: предсказания трехмерной формы белков и их проектирования с нуля.

Это Премия этого года выделяется тем, что она присуждается за исследования, инициированные технологической компанией DeepMind, исследовательским стартапом в области искусственного интеллекта, который был приобретен Google в 2014 году. Большинство предыдущих Нобелевских премий по химии доставалось исследователям из академических кругов.

Многие лауреаты продолжал формировать стартапы для дальнейшего расширения и коммерциализации своих новаторских разработок – например, технологии редактирования генов CRISPR и квантовых точек – но исследования от начала до конца не проводились в коммерческой сфере.

Хотя Нобелевские премии по физике и химии присуждаются отдельно, между исследованиями, выигравшими в этих областях в 2024 году, существует интересная связь.

Премия по физике досталась двум ученым-компьютерщикам, которые заложили основы машиностроения. обучение, а лауреаты по химии были вознаграждены за использование машинного обучения для решения одной из величайших загадок биологии: того, как сворачиваются белки.

Нобелевские премии 2024 года подчеркивают как важность этого вида искусственного интеллекта, так и то, как наука сегодня часто пересекает традиционные границы, смешивая различные области для достижения революционных результатов.

Проблема сворачивания белков

Белки — это молекулярные машины жизни. Они составляют значительную часть нашего тела, включая мышцы, ферменты, гормоны, кровь, волосы и хрящи.

Понимание структуры белков очень важно, поскольку их форма определяет их функции.

Еще в 1972 году Кристиан Анфинсен получил Нобелевскую премию по химии за то, что показал, что последовательность строительных блоков аминокислот в белке определяет форму белка, что, в свою очередь, влияет на его функцию. Если белок сворачивается неправильно, он может работать неправильно и может привести к таким заболеваниям, как болезнь Альцгеймера, муковисцидоз или диабет.

Общая форма белка зависит от крошечных взаимодействий, притяжения и отталкивания между всеми атомы аминокислот, из которых он состоит. Кто-то хочет быть вместе, кто-то нет. Белок скручивается и принимает окончательную форму на основе многих тысяч этих химических взаимодействий.

На протяжении десятилетий одной из самых больших задач биологии было предсказание формы белка на основе исключительно его аминокислотной последовательности.

>

Хотя теперь исследователи могут предсказать форму, мы до сих пор не понимаем, как белки принимают свои конкретные формы и минимизируют отталкивания всех межатомных взаимодействий за несколько микросекунд.

Чтобы понять, как белки работают, и чтобы предотвратить неправильное сворачивание, ученым нужен был способ предсказать, как сворачиваются белки, но решение этой загадки оказалось непростой задачей.

В 2003 году биохимик Вашингтонского университета Дэвид Бейкер написал Rosetta, компьютерную программу для конструирование белков. С его помощью он показал, что можно решить проблему сворачивания белка вспять, спроектировав форму белка, а затем предсказав аминокислотную последовательность, необходимую для его создания.

Это был феноменальный скачок вперед, но форма, выбранная для расчет был простым, а расчеты были сложными. Для регулярного проектирования новых белков с желаемой структурой потребовался серьезный сдвиг парадигмы.

Новая эра машинного обучения

Машинное обучение – это тип искусственного интеллекта, в котором компьютеры учатся решать проблемы путем анализа. огромные объемы данных. Его использовали в различных областях: от игр и распознавания речи до автономных транспортных средств и научных исследований.

Идея машинного обучения заключается в использовании скрытых закономерностей в данных для ответа на сложные вопросы.

Этот подход совершил огромный скачок в 2010 году, когда Демис Хассабис стал соучредителем DeepMind, компании, стремящейся объединить нейробиологию с искусственным интеллектом для решения реальных проблем.

Хассабис, шахматный вундеркинд в возрасте 4 лет, быстро попал в заголовки газет благодаря AlphaZero, ИИ, который научился играть в шахматы на сверхчеловеческом уровне. В 2017 году AlphaZero полностью обыграла лучшую в мире компьютерную шахматную программу Stockfish-8.

Способность ИИ учиться на собственном игровом процессе, а не полагаться на заранее запрограммированные стратегии, стала поворотным моментом в мире ИИ.

Вскоре после этого компания DeepMind применила аналогичные методы к Го, древней настольной игре, известной своей огромной сложностью. В 2016 году программа искусственного интеллекта AlphaGo победила одного из лучших игроков мира Ли Седоля в широко популярном матче, который ошеломил миллионы.

В 2016 году Хассабис переключил внимание DeepMind на новую задачу: сворачивание белка проблема. Под руководством Джона Джампера, химика с опытом работы в области науки о белках, начался проект AlphaFold.

Команда использовала большую базу данных экспериментально определенных белковых структур для обучения ИИ, что позволило ему изучить принципы сворачивания белков.

Результатом стал AlphaFold2, ИИ, который мог предсказывать трехмерную структуру белков по их аминокислотным последовательностям с поразительной точностью.

Это был значительный научный прорыв. С тех пор AlphaFold предсказала структуры более 200 миллионов белков – практически всех белков, которые ученые секвенировали на сегодняшний день. Эта огромная база данных белковых структур теперь находится в свободном доступе, что ускоряет исследования в области биологии, медицины и разработки лекарств.

Создание белков для борьбы с болезнями

Понимание того, как белки складываются и функционируют, имеет решающее значение для проектирования новые лекарства. Ферменты, тип белка, действуют как катализаторы биохимических реакций и могут ускорять или регулировать эти процессы.

Для лечения таких заболеваний, как рак или диабет, исследователи часто нацеливаются на определенные ферменты, участвующие в путях развития заболеваний. Предсказывая форму белка, ученые смогут выяснить, где с ним могут связываться небольшие молекулы – потенциальные кандидаты в лекарственные средства, что является первым шагом в разработке новых лекарств.

В 2024 году DeepMind запустила AlphaFold3, обновленная версия программы AlphaFold, которая не только предсказывает форму белков, но и определяет потенциальные сайты связывания для небольших молекул. Это достижение облегчает исследователям разработку лекарств, которые точно нацелены на нужные белки.

Google купила Deepmind, как сообщается, примерно за полмиллиарда долларов в 2014 году. Теперь Google DeepMind запустила новое предприятие, Isomorphic Labs, чтобы сотрудничайте с фармацевтическими компаниями в разработке реальных лекарств, используя эти прогнозы AlphaFold3.

Со своей стороны, Дэвид Бейкер продолжает вносить значительный вклад в науку о белках. Его команда из Вашингтонского университета разработала основанный на искусственном интеллекте метод под названием «семейные галлюцинации», который они использовали для создания совершенно новых белков с нуля.

Галлюцинации — это новые паттерны — в данном случае белки — которые правдоподобны, то есть хорошо соответствуют закономерностям в данных обучения ИИ.

Эти новые белки включали светоизлучающий фермент, демонстрируя, что машинное обучение может помочь в создании новых синтетических белков. Эти инструменты искусственного интеллекта предлагают новые способы создания функциональных ферментов и других белков, которые никогда не могли возникнуть естественным путем.

ИИ станет основой для следующей главы исследований

Достойные Нобелевской премии достижения Хассабиса, Джампера и Бейкер показывают, что машинное обучение — это не просто инструмент для ученых-компьютерщиков, теперь оно является важной частью будущего биологии и медицины.

Решая одну из самых сложных проблем в биологии, победители конкурса 2024 года премия открыла новые возможности в разработке лекарств, персонализированной медицине и даже в нашем понимании химии самой жизни.

Марк Циммер, профессор химии, Колледж Коннектикута

Эта статья переиздана из The Conversation под лицензией Creative Commons. Прочтите оригинал статьи.