Нобеловата награда за хемија за научниците кои ги истражуваа протеините
Дејвид Бејкер, Демис Хасабис и Џон Џампер се наградени со Нобеловата награда за хемија за 2024 година. Една половина од наградата му е доделена на Дејвид Бејкер „за дизајн на компјутерски протеини“, а другата половина заедно на Демис Хасабис и Џон М. Џампер „за предвидување на структурата на протеините“.
Извонредната работа на Дејвид Бејкер и колегите во дизајнот на пресметковниот протеин, кој неодамна беше револуционизиран од вештачка интелигенција, овозможи да се изгради протеин прилагодено според спецификациите на истражувачите, што покажува до каде е достигнато ова разбирање.
Ова отвора сосема нови патишта во фундаменталните и биомедицински истражувања. Дејвид Бејкер даде фундаментален придонес во предвидувањето и дизајнот на структурата на протеините во последните три децении и ја ангажираше заедницата преку развојот на бројни алгоритми, алатки и техники.
AlphaFold е револуционерен систем за вештачка интелигенција кој може точно да ја предвиди структурата на протеините.
„AlphaFold е првиот систем за вештачка интелигенција што испраќа такви бранови низ животните науки“, рече Едит Херд, генерален директор на EMBL. „Ова го покажува потенцијалот на вештачката интелигенција како алатка за биологија и начин за отклучување на нови сознанија за справување со глобалните предизвици како што се заразните болести, климатските промени и безбедноста на храната“.
EMBL соработуваше со Google DeepMind за да ги направи предвидувањата AlphaFold 2 слободно и отворено достапни за сите, преку базата на податоци за структурата на протеините AlphaFold .
Тимот од Европскиот институт за биоинформатика на EMBL (EMBL-EBI) ги интегрираше предвидувањата на структурата во постоечката инфраструктура на податоци за природните науки, складирајќи, индексирајќи, интегрирајќи и прикажувајќи ги за да се осигура дека AlphaFold го испорачува своето потенцијално влијание за заедницата на природните науки.
„Јавните податоци беа од суштинско значење за развојот на AlphaFold“, рече Џон Џампер, директор на Google DeepMind. „Внимателното чување на толку големи ресурси со податоци, што го претставува колективниот резултат на целото подобласт на биологијата, е токму она што им овозможува на нашите модели за машинско учење добро да се генерализираат низ таков огромен опсег на протеини, овозможувајќи натамошни откритија во машинското учење во други научни области. .“
Базата на податоци AlphaFold е моќен пример за доблесниот циклус на отворени податоци. AlphaFold беше обучен за податоци што структурните биолози ги споделувале во текот на многу децении користејќи ресурси на податоци како што се оние што ги управува EMBL-EBI. Сега, предвидувањата и базата на податоци AlphaFold 2 информираат за нова ера на структурна биологија и истражување на природните науки.
„Огромни честитки до тимот на Google DeepMind за оваа фантастична чест“, рече Јуан Бирни, заменик генерален директор на EMBL. „Иднината е јасно светла за вештачката интелигенција во молекуларната биологија и сигурен сум дека ќе видиме одговор на многу повеќе истражувачки прашања со искористување на вештачката интелигенција и отворен пристап до големи количини на висококвалитетни подредени податоци“.
„Долготрајното влијание на AlphaFold ќе биде дефинирано од тоа како истражувачите ширум светот ги користат неговите предвидувања за да добијат нови сознанија за тоа како функционира животот“, рече Самер Веланкар, тим лидер во EMBL-EBI, кој го координираше проектот AlphaFold Database. „Од лансирањето, базата на податоци има над еден милион корисници од речиси секоја земја. Веќе се објавени илјадници научни трудови во кои се споменува AlphaFold. Никогаш не сум видел нешто слично“.
Протеините се мали молекуларни машини кои ги поткрепуваат сите биолошки процеси кај сите живи суштества. Научниците каталогизираа над 200 милиони високо курирани протеини во базата на податоци UniProt. Секој протеин има уникатна форма – исто така наречена структура – која е тесно поврзана со она што го прави протеинот – неговата функција.
Познавањето на структурата на протеинот нуди индиции за улогата на протеинот, како тој е поврзан со здравјето и болестите и на какви хемиски соединенија или лекови реагира. На пример, утврдувањето на структурата на вирусните протеини на САРС-КоВ-2 им овозможи на научниците да разберат како функционира вирусот, да идентификуваат третмани и да развијат нови вакцини.