warta

Lasker Basic Medical Research Award taun iki dianugerahi Demis Hassabis lan John Jumper kanggo kontribusi kanggo nggawe sistem intelijen buatan AlphaFold sing prédhiksi struktur telung dimensi protein adhedhasar urutan asam amino pisanan.

Asil kasebut ngrampungake masalah sing wis suwe ngganggu komunitas ilmiah lan mbukak lawang kanggo nyepetake riset ing bidang biomedis. Protein duwé peran wigati ing pangembangan penyakit: ing penyakit Alzheimer, padha melu lan clump bebarengan; Ing kanker, fungsi regulasi ilang; Ing kelainan metabolisme inborn, lagi dysfunctional; Ing fibrosis kistik, dheweke mlebu ing ruang sing salah ing sel. Iki mung sawetara saka akeh mekanisme sing nyebabake penyakit. Model struktur protein sing rinci bisa nyedhiyakake konfigurasi atom, nyurung desain utawa pilihan molekul afinitas dhuwur, lan nyepetake panemuan obat.

Struktur protein umume ditemtokake dening kristalografi sinar-X, resonansi magnetik nuklir lan mikroskop cryo-elektron. Cara kasebut larang lan butuh wektu. Iki nyebabake database struktur protein 3D sing ana mung karo 200.000 data struktural, dene teknologi urutan DNA wis ngasilake luwih saka 8 yuta urutan protein. Ing taun 1960-an, Anfinsen et al. nemokake yen urutan 1D saka asam amino bisa spontan lan bola-bali melu menyang konformasi telung dimensi fungsi (Figure 1A), lan molekul "chaperones" bisa akselerasi lan nggampangake proses iki. Pengamatan kasebut nyebabake tantangan 60 taun ing biologi molekuler: prédhiksi struktur 3D protein saka urutan 1D asam amino. Kanthi sukses Proyek Genom Manungsa, kemampuan kita entuk urutan asam amino 1D saya tambah apik, lan tantangan iki dadi luwih penting.

Prediksi struktur protein angel amarga sawetara alasan. Kaping pisanan, kabeh posisi telung dimensi saka saben atom ing saben asam amino mbutuhake eksplorasi sing akeh. Kapindho, protein nggunakake komplementaritas maksimal ing struktur kimia kanggo ngatur atom kanthi efisien. Wiwit protèin biasane duwe atusan ikatan hidrogen "donor" (biasane oksigen) sing kudu cedhak karo ikatan hidrogen "akseptor" (biasane nitrogen kaiket karo hidrogen), bisa dadi angel banget kanggo nemokake konformasi sing meh kabeh donor cedhak karo akseptor. Katelu, ana conto winates kanggo latihan metode eksperimen, mula kudu ngerti potensial interaksi telung dimensi antarane asam amino adhedhasar urutan 1D nggunakake informasi babagan evolusi protein sing cocog.

Fisika pisanan digunakake kanggo model interaksi atom ing panelusuran kanggo konformasi paling apik, lan cara dikembangaké kanggo prédhiksi struktur protein. Karplus, Levitt lan Warshel dianugerahi Bebungah Nobel Kimia 2013 kanggo karyane ing simulasi komputasi protein. Nanging, cara adhedhasar fisika larang regane lan mbutuhake proses kira-kira, mula struktur telung dimensi sing tepat ora bisa diprediksi. Pendekatan "basis kawruh" liyane yaiku nggunakake database struktur lan urutan sing dikenal kanggo nglatih model liwat intelijen buatan lan pembelajaran mesin (AI-ML). Hassabis lan Jumper ngetrapake unsur fisika lan AI-ML, nanging inovasi lan lompatan ing kinerja pendekatan kasebut utamane saka AI-ML. Loro peneliti kasebut kanthi kreatif nggabungake database umum gedhe karo sumber daya komputasi kelas industri kanggo nggawe AlphaFold.

Kepiye carane ngerti yen dheweke wis "ngrampungake" teka-teki prediksi struktural? Ing taun 1994, kompetisi Penilaian Kritis Prediksi Struktur (CASP) diadegake, sing ketemu saben rong taun kanggo nglacak kemajuan prediksi struktural. Para peneliti bakal nuduhake urutan 1D saka protein sing strukture bubar dirampungake, nanging asile durung diterbitake. Prediktor prédhiksi struktur telung dimensi kanthi nggunakake urutan 1D iki, lan evaluator kanthi bebas ngadili kualitas asil sing diprediksi kanthi mbandhingake karo struktur telung dimensi sing diwenehake dening eksperimental (mung kasedhiya kanggo evaluator). CASP nganakake review wuta sejati lan ngrekam lompatan kinerja periodik sing ana gandhengane karo inovasi metodologis. Ing Konferensi CASP kaping 14 ing 2020, asil prediksi AlphaFold nuduhake lompatan kinerja sing para panitia ngumumake yen masalah prediksi struktur 3D wis ditanggulangi: akurasi prediksi umume cedhak karo pangukuran eksperimen.

Makna sing luwih jembar yaiku karya Hassabis lan Jumper kanthi yakin nuduhake kepiye AI-ML bisa ngowahi ilmu. Panliten kasebut nuduhake yen AI-ML bisa nggawe hipotesis ilmiah sing kompleks saka macem-macem sumber data, mekanisme perhatian (padha karo sing ana ing ChatGPT) bisa nemokake dependensi lan korélasi utama ing sumber data, lan AI-ML bisa ngadili kualitas asil output. AI-ML ateges nindakake ilmu.