Марк Циммер, Коннектикутский колледж: Машинное обучение решило проблему сворачивания белка и получило Нобелевскую премию по химии 2024 года

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

Премия этого года выделялась тем, что она была присуждена за исследования, которые зародились в технологической компании: DeepMind, стартап по исследованию ИИ, который был приобретен Google в 2014 году. Большинство предыдущих Нобелевских премий по химии были вручены исследователям в академической среде. Многие лауреаты впоследствии основали стартапы для дальнейшего расширения и коммерциализации своих новаторских работ — 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 вручаются отдельно, между победившими исследованиями в этих областях в 2024 году существует интересная связь. Премия по физике была присуждена двум ученым-компьютерщикам, заложившим основы машинного обучения, а лауреаты по химии были награждены за использование машинного обучения для решения одной из самых больших загадок биологии: как сворачиваются белки.

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

Понимание структур белков необходимо, поскольку их формы определяют их функции. Еще в 1972 году Кристиан Анфинсен получил Нобелевскую премию по химии за то, что показал, что последовательность аминокислотных строительных блоков белка диктует форму белка, которая, в свою очередь, влияет на его функцию. Если белок сворачивается неправильно, он может работать неправильно и может привести к таким заболеваниям, как болезнь Альцгеймера, кистозный фиброз или диабет.

Общая форма белка зависит от крошечных взаимодействий, притяжений и отталкиваний между всеми атомами в аминокислотах, из которых он состоит. Некоторые хотят быть вместе, некоторые нет. Белок скручивается и складывается в окончательную форму на основе многих тысяч этих химических взаимодействий.

На протяжении десятилетий одной из самых сложных задач биологии было предсказание формы белка исключительно на основе его аминокислотной последовательности. Хотя исследователи теперь могут предсказывать форму, мы все еще не понимаем, как белки маневрируют в свои конкретные формы и минимизируют отталкивания всех межатомных взаимодействий за несколько микросекунд.

Чтобы понять, как работают белки, и предотвратить неправильное сворачивание, ученым требовался способ предсказать, как сворачиваются белки, но решение этой головоломки оказалось непростой задачей.

В 2003 году биохимик из Вашингтонского университета Дэвид Бейкер написал Rosetta, компьютерную программу для проектирования белков. С ее помощью он показал, что можно обратить вспять проблему сворачивания белка, спроектировав форму белка, а затем предсказав последовательность аминокислот, необходимую для ее создания.

Это был феноменальный скачок вперед, но выбранная для расчета форма была простой, а расчеты — сложными. Для рутинного проектирования новых белков с желаемыми структурами требовался серьезный сдвиг парадигмы.

Новая эра машинного обучения

Машинное обучение — это тип ИИ, в котором компьютеры учатся решать проблемы, анализируя огромные объемы данных. Оно используется 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 нейронауку и ИИ для решения реальных проблем.

Хассабис, шахматный вундеркинд в возрасте 4 лет, быстро попал в заголовки новостей с AlphaZero, ИИ, который научился играть в шахматы на сверхчеловеческом уровне. В 2017 году AlphaZero полностью победил лучшую в мире компьютерную шахматную программу Stockfish-8. Способность ИИ учиться на собственном игровом процессе, а не полагаться на заранее запрограммированные стратегии, ознаменовала поворотный момент в мире ИИ.

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

В 2016 году Хассабис переключил внимание DeepMind на новую задачу: проблему сворачивания белков. Под руководством Джона Джампера, химика с опытом работы в области белковой науки, начался проект AlphaFold. Команда использовала большую базу данных экспериментально определенных структур белков 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 удивительной точностью.

Это был значительный научный прорыв. С тех пор AlphaFold предсказал структуры более 200 миллионов белков — по сути, всех белков, которые ученые секвенировали на сегодняшний день. Эта огромная база данных структур белков теперь находится в свободном доступе, ускоряя исследования в области биологии, медицины и разработки лекарств.

Конструкторские белки для борьбы с болезнями

Понимание того, как белки сворачиваются и функционируют, имеет решающее значение для разработки новых лекарств. Ферменты, тип белка, действуют как катализаторы в биохимических реакциях и могут ускорять или регулировать эти процессы. Для лечения таких заболеваний, как рак или диабет, исследователи часто нацеливаются на определенные ферменты, участвующие в путях заболевания. Предсказывая форму белка, ученые могут выяснить, где небольшие молекулы — потенциальные кандидаты на лекарства — могут связываться с ним, что является первым шагом в разработке новых лекарств.

В 2024 году DeepMind запустила AlphaFold3, усовершенствованную версию программы AlphaFold, которая не только предсказывает формы белков, но и определяет потенциальные сайты (участки) связывания для малых молекул. Это достижение облегчает исследователям разработку лекарств, которые точно нацелены на нужные белки.

Google купила Deepmind примерно за полмиллиарда долларов в 2014 году. Google DeepMind теперь запустила новое предприятие Isomorphic Labs для сотрудничества с фармацевтическими компаниями в разработке реальных лекарств с использованием этих прогнозов AlphaFold3.

Со своей стороны, Дэвид Бейкер продолжил вносить значительный вклад в науку о белках. Его команда в Вашингтонском университете разработала метод на основе ИИ под названием «семейная галлюцинация», который они использовали для разработки совершенно новых белков с нуля. Галлюцинации — это новые шаблоны — в данном случае белки — которые правдоподобны, то есть они хорошо соответствуют шаблонам в данных обучения ИИ. Эти новые белки включали светоизлучающий фермент, демонстрируя, что машинное обучение может помочь в создании новых синтетических белков. Эти инструменты ИИ предлагают новые способы разработки функциональных ферментов и других белков, которые никогда не могли бы эволюционировать естественным образом.

ИИ откроет новую главу в исследованиях

Достижения Хассабиса, Джампера и Бейкера, достойные Нобелевской премии, показывают, что машинное обучение — это не просто инструмент для специалистов по информатике, а неотъемлемая часть будущего биологии и медицины.

Взявшись за решение одной из самых сложных проблем в биологии, лауреаты премии 2024 года открыли новые возможности в разработке лекарственных препаратов, персонализированной медицине и даже в нашем понимании химии самой жизни.

Источник: theconversation.com

Комментарии: