德米斯·哈萨比斯 (Demis Hassabis) 是一名国际象棋神童，他的父亲是希族塞人和新加坡人，在伦敦长大。 他四岁开始打球，十三岁就已经是一位大师了。 他学习了计算机科学，获得了神经科学博士学位，并创立了 Deepmind，该公司目前是谷歌旗下公司人工智能（AI）的支柱。 几天前，47岁的哈萨比斯， 他记得在一次采访中 那天他充分意识到这项技术的不可阻挡的力量。 2018 年的一天早上，他一边喝咖啡，一边玩自己创建的国际象棋人工智能 AlphaZero。 他毫不费力就赢得了胜利。 几个小时后，他通过数十万次游戏自学的程序就濒临击败他。 到了晚上，他就成了“有史以来最好的国际象棋棋手”。 一切只用了九个小时。 “亲眼目睹它的现场真是太棒了。 人们不可避免地想知道这个系统在科学或任何其他复杂问题上能做什么，”他解释道。
游戏时间结束了。 自 2020 年以来，哈萨比斯设计的人工智能 Alphafold 在棘手的生物学问题上超越了任何人类，并确定了 2 亿种蛋白质的三维结构，几乎是所有已知的蛋白质。 解决单个蛋白质的形状可能需要博士生几年的奉献精神，因此人工智能可以立即节省大约十亿年的工作。
这位商人昨天举行了新闻发布会，展示了他的新发明：Alphafold 3。人工智能首次可以预测蛋白质与其他生命必需分子之间的相互作用：DNA 和 RNA、小分子（药物）和抗体。 ，免疫系统的微小蛋白质，专门对抗病毒、细菌，甚至肿瘤。 “生物学是一个动态系统，其特性正是由构成细胞的不同分子之间的相互作用产生的。 Alphafold 3 是我们理解它们的第一步。”Hassabis 解释道。 这个新人工智能系统的详细信息今天发布在 自然，世界最佳科学的参考。 谷歌公司还将开放一个免费服务器，以便科学家们可以使用这个新工具。
新系统最明显的衍生是它发现新药的潜力，从现在开始，这个领域将由哈萨比斯领导的 Alphabet（谷歌所有者）的子公司 Laboratorios Isomorphic 在私人领域进行探索。 在 Alphafold 3 和他自己的其他开发的帮助下，这位谷歌专家希望将在患者身上开始试验之前发现药物的时间减少一半，从目前的五年缩短到两年，正如他向我们解释的那样 金融时报。 该公司已经与跨国公司礼来（Lilly）和诺华（Novartis）签署了两份合作合同，这些合同已先期提供了数千万美元，并承诺在取得成果后再提供数十亿美元。
Deepmind 总监、美国化学家 John Jumper 昨天保证，新系统远远优于其竞争对手。 他指出，Alphafold 3 成功预测了 76% 的蛋白质-小分子相互作用案例，而第二好的工具只能预测 52%。 在蛋白质与 DNA 的结合或蛋白质与抗体的相互作用中，它使传统方法的能力提高了一倍。 新的人工智能能够对细胞内部发生的情况以及 DNA 损伤时出现的问题进行新水平的预测。 朱珀强调说：“这对于了解癌症和开发新疗法具有重要意义，而且对于了解植物对病原体和热浪的反应也具有重要意义，这对于保证粮食安全至关重要。”
用 Isomorphic Laboratories 人工智能负责人 Max Jaderberg 的话来说，这个新系统要探索的复杂程度“绝对是巨大的”。 仅就药理学中最有趣的小分子而言，其数量大约有10的60次方，比整个宇宙中的恒星还要多很多倍。
面对这个人工智能巨人，美国生物化学家大卫·贝克名副其实。 研究人员领导了一项公开且完全开放的倡议，旨在创建能够预测生化过程并发明具有特定性质的新化合物的人工智能。
两个月前，在没有任何媒体影响的情况下，贝克发表了 科学 它的新人工智能可以逐个原子地重建分子，预测它们与 DNA 的结合，并设计出自然界中不存在的新化合物。 “Alphafold 3 的创建者说它比我们的系统更准确，”贝克在一封电子邮件中解释道。 “我认为这将产生巨大的影响，尽管他们无法设计新的蛋白质，”他补充道。
来自华盛顿大学（美国）的研究人员强调了另一个重要的区别。 “Deepmind 没有公开代码 [de su IA]，这与科学上的通常做法不同，”他强调说。 了解人工智能的代码库允许社区修改它并赋予它新的功能，而服务器只允许它在其创建者设定的限制内使用。
与 ChatGPT 等其他人工智能系统一样，Alphafold 幻觉，——他发明了一些结果——尤其是当他描述的事物在他训练的大型数据库中没有信息时。
人类蛋白质可以是名副其实的微观怪物，拥有数以万计的氨基酸（其基本构件），这些氨基酸可以自行折叠形成钩子、小环、夹子和其他活动部件，当蛋白质与另一个分子结合时，这些部件会改变位置。 新的人工智能在描述蛋白质的“无序区域”时尤其令人印象深刻，这些区域没有固定的三维形状，这对于理解这些相互作用至关重要。 “它们就像蛋白质的暗物质，”巴塞罗那基因组调控中心的研究人员 Mafalda Dias 总结道，她将这些区域与构成宇宙 25% 的未知成分进行了比较。 “该模型是用静态三维结构进行训练的，但由于生物学是动态的，它提出的结果可能与现实有很大不同。 Alphafold 的创建者对这些和其他限制非常坦率。”这位葡萄牙科学家强调道。
美国国家癌症研究中心的生物学家 拉斐尔·费尔南德斯·莱罗致力于通过晶体学和电子显微镜研究结构生物学的学术和职业生涯，他举了一个例子来了解 Alphafold 3 的发现潜力。“细胞内有一种非常复杂的混合物，由蛋白质、核酸、脂质、特殊的蛋白质，例如允许 DNA 被复制和读取并进而产生其他蛋白质的酶。 到目前为止，我们只能建立分离蛋白质的结构，但现在我们可以研究它们与其他蛋白质、DNA、RNA 的结合，甚至探索如果我们用磷酸残基或磷酸化修饰该组会发生什么 [una modificación epigenética] 这改变了整个装置的功能。 这将是一个令人惊奇的假设生成器。 当然，最终结果必须使用传统技术来确认，这就是困难的部分，因为如果这个系统在几乎 80% 的情况下都是正确的，这意味着它在 20% 的情况下会失败，这个百分比是太高了，没时间花。 将药物用于患者试验需要多少钱。 但这将在寻找新药的第一阶段产生巨大的影响，”他详细介绍道。
在英国桑格研究所 (Welcome Sanger Institute) 工作的纳瓦拉生物信息学家伊尼戈·巴里奥 (Íñigo Barrio) 强调了这种人工智能的新能力，可以解释蛋白质如何结合在一起或与其他分子结合形成复合物。 一个典型的例子是血红蛋白如何与其配体氧结合，将其输送到全身。 “最相关的是预测各种配体与蛋白质结合的能力。 他强调说：“它使我们能够了解药物将在何处以及如何与目标蛋白质结合，它将如何影响其生物学以及对其他蛋白质的潜在不良影响。”
在几天前他接受采访时 泰德哈萨比斯被问到他想用人工智能解决的下一个大问题是什么。 这位神经科学家回答说，当通用人工智能建成后——能够同时解决许多不同的问题——他希望用它来理解自然界最基本的水平，即普朗克尺度，在那里发生令人兴奋的量子现象。 。 “这有点像现实的分辨率，”他指出。
“《自然》不应该发表这样的研究”
阿方索·巴伦西亚 (Alfonso Valencia)，生命科学部主任 国家超级计算中心，对 Deepmind 的新贡献持批评态度，尽管他承认“这无疑代表着重要的进展”。 “他们表明，大分子复合物的通用预测模型是可能的，将其与以前的方法（主要是其唯一的竞争对手 David Baker）进行比较，并显示出显着的改进，尽管基于几个案例，每个类别都有数十个案例，这使得很多结果不太可靠，”他指出。 “明显的问题是，当在服务器上提供时，用户往往会忽略这些限制，并认为结果在所有情况下都是可靠的。这个问题并不新鲜，以前的结构预测服务器已经遭受了滥用解释的困扰。现在，有了新方法更流行、更强大、更可见，但问题会更严重，尽管您可以使用该方法作为网络服务器，但他们不会公开该软件，这是一个错误，“自然”不应该发表这样的研究结果。它们无法被复制或独立验证，是否相信它们所呈现的结果不是信仰问题，”他说。
这位专家继续说道：“最后，我们将看到学术界如何适应这一新变化，以及需要多长时间才能拥有同等的开放和公开方法。如果我们基于以前的案例，例如 Alphafold 2，我会说然后我们将对能力和局限性进行更可靠和独立的评估”。
1715187522
#Alphafold人工智能预测所有生命分子之间的相互作用 #科学
2024-05-08 15:00:40
