krajem 2020.godine Natira najavljuje a 2021. godine objavljuje detaljnu metodologiju AlphaFolda u radu „ Visoko precizno predviđanje strukture proteina pomoću AlphaFolda “, a DeepMind je objavio kod zajedno sa 60 stranica dodatnih informacija. Do danas je rad citiran preko 40.000 puta u naučnim časopisima.
2022. godine, u partnerstvu s EMBL-ovim Evropskim institutom za bioinformatiku (EMBL-EBI) , DeepMind je objavio predviđene strukture za gotovo sve katalogizovane proteine poznate nauci, proširujući AFDB na preko 200 miliona struktura.
2024. godine lansirani su AlphaFold 3 i AlphaFold Server.Google DeepMind i Isomorphic Labs predstavili su AlphaFold 3 , koji predviđa strukturu i interakcije svih molekula života. Istovremeno, Google DeepMind pokrenuo je AlphaFold Server , platformu koja naučnicima pruža besplatan pristup mogućnostima predviđanja strukture AF3 za nekomercijalna istraživanja.
iste godine Demis Hassabis i John Jumper su zajednički dobili Nobelovu nagradu za hemiju za svoj rad na AlphaFoldu, zajedno s Davidom Bakerom a njegov rad na računarskom dizajnu proteina. U srži napretka koji stoji iza nagrade za hemiju je potpuno računarsko razumevanje žive materije na atomskom nivou, posebno putem modela beštačke inteligencije sposobnih za predviđanje, analizu i dizajniranje 3D struktura proteina, samostalno ili, u novije vreme, formirajući komplekse s drugim molekulama poput nukleinskih kiselina, iona i malih liganada. Takve sposobnosti rešavaju jedan od najtrajnijih izazova u biologiji i razlog su zašto je prodor beštačke inteligencije u ovo područje predstavljao revoluciju već otkako je AlphaFold 2 "pobedio" na 14. izdanju CASP-a 2020. godine. ( Natura )
2025.godine AlphaFold je postao globalni istraživački alat. Njega je koristilo preko 3 miliona istraživača iz preko 190 zemalja širom sveta.
Proteini su osnova svakog biološkog procesa u svakom živom biću.
Napravljeni su od dugih lanaca aminokiselina, svaka ima jedinstvenu složenu 3D strukturu. Svaki protein se savija u specifičan oblik koji mu omogućava da izvrši svoju tačnu funkciju. Oni pomažu našim neuronima da prenose poruke, pokreću naša srca i pomažu nam da završimo svaki jedinstveni zadatak koji obavljamo svakodnevno. Pogrešno savijanje proteina može dovesti do mnogih bolesti, uključujući poremećaje skladištenja lizosoma gde naše ćelije ne mogu razgraditi toksični materijal u našim ćelijama ili degenerativne poremećaje poput Alzheimerove i Parkinsonove bolesti. Ako bi naučnici mogli razumeti kako se proteini pravilno savijaju, to bi im pružilo više alata za rešavanje problema nepravilnog savijanja proteina.
Neki istraživači provode celu svoju karijeru proučavajući jedan protein i kako njegov oblik određuje funkciju ili šta se može dogoditi kada se formira pogrešan oblik. Trenutno postoji najmanje 20.000 poznatih proteina u ljudskom telu, pre AlphaFold-a, samo je oko 17% od tih 20.000 proteina imalo eksperimentalno određenu strukturu.
Otkrivanje samo jednog od njih može potrajati nekoliko godina i koštati stotine hiljada dolara. AlphaFold je 2020. godine predvideo preko 50% tih struktura sa visokom ili vrlo visokom tačnošću, što je mnogo ispred onoga gde su istraživanja nekada bila. Mogućnost predviđanja proteinskih struktura iznosi nekoliko minuta, sa izuzetnim stepenom tačnosti. To će uštediti dragoceno vreme, resursi se mogu preusmeriti na unapređenje istraživanja koja bi mogla pomoći u rešavanju najvećih medicinskih i ekoloških izazova.
Imajući to na umu, lako je shvatiti uzbuđenje koje okružuje stvaranje AlphaFolda. Tehnologija je monumentalna za naučna istraživanja i napredak medicine, a ove godine AlphaFold je postao slobodno dostupan naučnicima širom sveta.
Kako funkcioniše program AlphaFold?
AlphaFold je AI sistem koji može precizno predvideti 3D strukturu proteina isključivo na osnovu linearnog aminokiselinskog niza. On je vrsta mreže sposobne za duboko učenje, što znači da detektuje i rešava delove velikog problema, a zatim spaja delove u rešenje.
Problem savijanja proteina
Program AlphaFold pristupa savijanju proteina kroz niz koraka. Aminokiseline su gradivni blokovi svakog proteina, a svaka kombinacija može rezultirati drugačijim proteinom s jedinstvenom funkcijom. AlphaFold pregleda datu sekvencu instrukcija i upoređuje je s dostupnim bazama podataka o sekvencama proteina. Na taj način, AlphaFold može kreirati poravnanje dostupnih sekvenci i pronaći slične, ali ne identične, sekvence aminokiselina. Program zatim koristi niz modula koji pomažu u filtriranju relevantnih i nebitnih podataka koje može koristiti za rešavanje strukture. Ove informacije uključuju odnos između aminokiselina koje su susedne i onih koje su dalje jedna od druge. Informacije prikupljene u prethodnim koracima koriste se za rešavanje sledećeg dela slagalice. Svaki korak pomaže u preciziranju onoga što algoritam određuje kao konačnu 3D strukturu.
Inženjeri ubrzavaju istraživače
" konkurentno plaćeni istraživački inženjeri sa stručnošću u oblasti softvera i računarskih nauka gotovo u potpunosti ne postoje u akademskim laboratorijama, uprkos ključnoj ulozi koju igraju u industrijskim istraživačkim laboratorijama. Veliki deo uspeha AlphaFolda proizilazi iz sposobnosti tima da proširi obuku modela na velike sisteme, što je u mnogim aspektima prvenstveno izazov softverskog inženjerstva."( izjava Mohammed AlQuraishi u Blog postu postu - AlQuraishi je bio izumitelj RNNmetode savijanja )
Većina biofarmaceutskih kompanija i gotovo sve akademske istraživačke grupe gladuju za talentovanim softverskim inženjerima u odnosu na tehnološku industriju, ali nisu voljni ili nisu u mogućnosti da ih plate. Dugo vremena, vrhunski softverski talenti koji su odlučili da se bave biologijom to bi učinili zbog naučnog interesa, dubokog osećaja svrhe ili nekog drugog razloga - ne zbog kompenzacije. Za skupe talente za istraživanje veštačke inteligencije, razlika je bila još veća. Ovo se nedavno počelo menjati, ali naša industrija još uveek ima mnogo toga da nadoknadi u smislu kulture, kompenzacije i tehnološke zrelosti.
Sveukupno, DeepMind je pobedio uglavnom zahvaljujući svom inženjerskom talentu i resursima. Ne zato što je bio industrijski laboratorij, a ne akademski, već zato što je imao način razmišljanja tehnološke kompanije, koja suštinski ceni i plaća svoje inženjere. Ovo je deo zaključka Jake Feala na njegovom Blogu .
Budućnost veštačke inteligencije u biologiji?
Evo šta o tome kaže sama AI:
"Modeliranjem složenih molekularnih struktura, predviđanjem ponašanja ćelija i ubrzavanjem dizajna lekova, alati veštačke inteligencije uklanjaju tradicionalne barijere u ljudskim istraživanjima i redefinišu granice nauka o životu."
Veštačka inteligencija napreduje tempom koji je bio nezamisliv pre samo nekoliko godina, već sada ona ubrzava naučna istraživanja i dovodi do neočekivanih rešenja pa je za očekivati isti napredak kako u biologiji tako i u ostalim oblastima. Istovremeno, AI pokreće uobičajeno pitanje zloupotrebe: rezultati bi mogle potencijalno zloupotrebiti ljudi s višim ali i minimalnim stručnim znanjem u stvaranju i kriminalnoj manipulaciji patogenima, koristiti za razvoj novog biološkog oružja ili za poboljšanje efikasnosti postojećeg.
Uprkos rastućoj zabrinutosti zbog potencijala da veštačka inteligencija postane nekontrolisana i autonomno dizajnira radikalno nove i opasne patogene, stručnjaci smatraju da najgori strahovi ostaju neverovatni, barem do 2027. godine. Problem je što se AI razvija i širi brže nego što kompanije i vlade mogu oblikovati norme, zaštititi privatnost i sprečiti opasne ishode".
Коментари
Постави коментар