Джон Джампер и Демис Хассабис получили премию Ласкера в области фундаментальных исследований за AlphaFold. Этот инструмент искусственного интеллекта изменил ситуацию в прогнозировании структуры белков и биологии белков.
Джон Джампер и Демис Хассабис получили в этом году Премию Альберта Ласкера за фундаментальные медицинские исследования 2023 года за работу над системой искусственного интеллекта AlphaFold, которая изменила ландшафт биологии белков.
Сегодня (21 сентября) Фонд Ласкера объявил лауреатов премии этого года. Джон Джампер, компьютерный биологв DeepMind и Демис Хассабис, соучредительи генеральный директор DeepMind, были награждены премией Альберта Ласкера за фундаментальные медицинские исследования 2023 года за «изобретение AlphaFold, системы искусственного интеллекта (ИИ), которая решила давнюю задачу прогнозирования трехмерных структур белков на основе одномерных изображений». последовательность их аминокислот», — объявилФонд Ласкера.
Джампер и Хассабис возглавили команду AlphaFold, которая произвела революцию в области структурной биологии, ускорив процесс предсказания структуры белка со скоростью и точностью. Их подход объединил воедино различные знания и дисциплины, и исследователи использовали платформу для ответа на разнообразные биологические вопросы.
Маленькая молекула, большая проблема
Лауреат Ласкера Джон Джампер сыграл решающую роль в том, что команда AlphaFold достигла новых высот в предсказании структуры белков.
Между 1957 и 1960 годамиЛауреат Нобелевской премии Джон Кендрю, биохимик из лаборатории молекулярной биологии Совета медицинских исследований, разработал первую структурную модель глобулярного белка, миоглобина. 1 Изучив результаты, лауреат Нобелевской премии 1972 года Кристиан Анфинсен, биохимик из Национального института здравоохранения, предположил, что теоретически аминокислотная последовательность белка должна полностью определять его структуру. Однако структуру белка было очень трудно изучать.
Ученые на протяжении десятилетий в значительной степени полагались на рентгеновскую кристаллографию для исследований по идентификации белков, но исследователи могли потратить годы, пытаясь кристаллизовать белки. Затем изобретение криогенной электронной микроскопии (крио-ЭМ) пролило некоторый свет на неуловимые структуры белков, но изображения, полученные под микроскопом, часто имели низкое разрешение. На медленное продвижение крио-ЭМ потребовались годы, но к 2019 году ученые использовали крио-ЭМ для определенияструктуры почти 4000 белков в Банке данных белков (PDB) из 150 000 записей. 2 Это лишь часть из десятков миллионов белковых последовательностей.
Автоматизация пути белка
Чтобы расширить прогнозы структуры белка, исследователи обратились к искусственному интеллекту. В 1994 году Джон Моулт и Кшиштоф Фиделис, компьютерные биологи из Университета Мэриленда, основали конкурс «Критическая оценка структурного прогнозирования» (CASP ), тест, проводимый два раза в год и предназначенный для групп. Прогнозировать трехмерные структурынескольких белков, которые уже были проверены экспериментально, но не опубликованы публично. Команды получили оценки по точности из 100 с помощью Global Distance Test (GDT). 3 С момента первого мероприятия CASP в 1994 году средний балл постоянно увеличивался с 20 до более чем 50. По мнению организаторов, 90 — это порог достижения экспериментальных значений.
Один из первых подходов был разработан Дэвидом Бейкером, биохимиком и специалистом по вычислительной биологии из Вашингтонского университета. Он использовал короткие сегменты из PDB для прогнозирования белковых структур. Используя эту модель, Розетта, Бейкер и его команда сделали несколько итераций, которые последовательно улучшили производительность программы на соревнованиях CASP начала 2000-х годов. Однако исторический прогресс в CASP застопорился.
DeepMind, компания по искусственному интеллекту, соучредителем которой является Хассабис в 2010 году, преуспела в разработке искусственного интеллекта, способного побеждать игроков-людей в шахматы и в более сложную игру го (AlphaGo). Когда Хассабис наблюдал за игрой AlphaGo, это напомнило ему онлайн-игру Бейкера FoldIt , выпущенную в 2008 году, в которой игроки исследовали и создавали точные модели структуры белков. Вскоре после успеха AlphaGo в 2016 году компания DeepMind решила решить следующую задачу: сворачивание белка.
В 2016 году Хассабис полагал, что его команда сможет создать систему прогнозирования белков с машинным обучением в качестве основного компонента системы. Это будет один из первых в своем роде, дебютировавший на конкурсе в 2018 году под названием AlphaFold1. 4 Машинное обучение контрастирует с традиционными подходами к искусственному интеллекту, которые основывались на предвзятых мнениях. Логику, прогоняя итерации данных для выявления закономерностей.
Лауреат Ласкера Демис Хассабис привел команду AlphaFold к беспрецедентной скорости и точности предсказания структуры белка.
Команда Хассабиса и Джампера выиграла CASP в том году, а AlphaFold1 произвела большое впечатление, создав высокоточные структуры для 24 из 43 областей моделирования. AlphaFold1 значительно превзошел следующий лучший метод, который достиг 14 из 43 доменов. Однако команда AlphaFold знала, что она не полностью раскрыла свой потенциал для обслуживания биологов; предстояло еще поработать.
Вскоре после этого Джампер вместе с междисциплинарной командой биологов, химиков и биофизиков возглавил переработку алгоритма AlphaFold. Хассабис, Джампер и команда AlphaFold обсудили способы точной настройки алгоритма, чтобы обеспечить эффективное обучение AlphaFold2.
Включениебольшая база данных для обучения значительно помогла повысить точностьвозможностей прогнозирования программного обеспечения. «Мой вклад был сделан главным образом для того, чтобы предоставить им эти более крупные и полные базы данных метагеномных белков, которые они могут использовать для обучения, а также для вывода в конце», — сказал Мартин Штайнеггер, компьютерный биолог из Сеульского национального университета, который участвовал в разработке АльфаФолд 2.
На следующем соревновании CASP в 2020 году AlphaFold2 ошеломил участников ошеломляющей точностью и набрал средний балл 92,4 GDT в целом по всем целям. 5 Такая точность не уступала экспериментальным методам, а средняя ошибка была сравнима с шириной атома. Эта версия AlphaFold удалась отчасти из-за сложной архитектуры, созданной исследователями из разных областей и дисциплин.
Тобин Сосник, биохимик, биофизик и научный руководитель Джампера в Чикагском университете, сказал: «Он взял принципы складывания, над которыми работал здесь [для своей докторской работы], и успешно применил их в сочетании с искусственным интеллектом в DeepMind».
Затем, в 2021 году, DeepMind в сотрудничестве с Европейским институтом биоинформатики и Европейской лабораторией молекулярной биологии публично опубликовала исходный код AlphaFold и его впечатляющую базу данных, содержащую более 350 000 белков. 6 С тех пор эта база данных выросла до более чем 200 миллионов структур.
«Именно AlphaFold подняла точность до критического предела, когда люди теперь говорили, что проблема преобразования последовательности в структуру в основном решена.-сказал Сосник. Доступность этого мощного инструмента способствовала его широкому распространению и позволила исследователям заполнить пробелы в своих собственных экспериментальных исследованиях.
«Обычно вычислительная работа рассматривалась как помощник экспериментальной работы», — сказалШтайнеггер. «Теперь эффекты AlphaFold можно рассматривать как преобразующую технологию, которая может быть такой же большой, как новая технология микроскопа. Теперь вы можете увидеть то, чего раньше не видели».
Джампер, Хассабис и их командарешил проблему, которая ставила ученых в тупик на протяжении полувека. Этот инструмент искусственного интеллекта открыл новую эру изучения белков для понимания биологических функций и разработки лекарств. Эти достижения в области технологий искусственного интеллекта фундаментально изменили способы решения проблем учёными.
«Для меня большая честь получить эту награду в знак признания работы нашей команды. Работа над AlphaFold была невероятным опытом, и мы только начинаем понимать, как ИИ поможет нам изменить биологию», — сказал Джампер.
Спасибо за интересную и познавательную публикацию!
Благодарю за поддержку