Deep Mind Demis Hassabis og fremtiden for AI

Demis Hassabis er administrerende direktør og medstifter af DeepMind, og han havde en god snak med Lex Fridman om kunstig intelligens.

DeepMind slog de bedste menneskelige spillere med Go, og de lavede også den bedste AI til skak. DeepMind skabte også AlphaFold 2 som har løst proteinfoldning.

Da avanceret matematik og Calculus var afgørende for fysikkens fremskridt, ser det ud til, at AI vil være i stand til at accelerere fremskridtet inden for biologien.

Nedenfor beskriver en artikel i Nature virkningen og nuværende begrænsninger af Alphafold 2. Alphafold 2 og forskere bliver nødt til at arbejde sammen for at teste flere proteiner og generere flere data. Flere data vil hjælpe med at forbedre Alphafold 2 og dens forudsigelige nøjagtighed.

Der er stadig arbejde at gøre, men dette forbedrer lægemiddelopdagelsen ved hjælp af proteiner, og det kan hjælpe med at løse fem store udfordringer, der er mulige med designet proteiner.

Det ser ud til, at DeepMind-software er meget kraftfuldt som et værktøj til områder med store mængder data og kompleksitet.

De har også været i stand til at bruge den til at forudsige, hvordan man justerer magnetiske felter til at indeholde plasma til nuklear fusion.

Ovenfor – Et top-down billede af det menneskelige nukleare porekompleks, den største molekylære maskine i menneskelige celler. Kredit: Agnieszka Obarska-Kosinska

Nature – Hvad er det næste for AlphaFold og AI-proteinfoldningsrevolutionen.

DeepMind-software, der kan forudsige 3D-formen af ​​proteiner, er allerede ved at ændre biologi.

I mere end et årti har molekylærbiolog Martin Beck og hans kolleger forsøgt at lægge et af verdens hårdeste puslespil sammen: en detaljeret model af den største molekylære maskine i menneskelige celler.

Denne behemoth, kaldet det nukleare porekompleks, styrer strømmen af ​​molekyler ind og ud af cellekernen, hvor genomet sidder. Hundredvis af disse komplekser findes i hver celle. Hver af dem består af mere end 1,000 proteiner, der tilsammen danner ringe rundt om et hul gennem kernemembranen.

Disse 1,000 puslespilsbrikker er trukket fra mere end 30 proteinbyggesten, der flettes sammen på utallige måder. Gør puslespillet endnu sværere, de eksperimentelt bestemte 3D-former af disse byggeklodser er et potpourri af strukturer samlet fra mange arter, så du må ikke altid passe godt sammen. Og billedet på puslespillets æske - en lavopløsnings 3D-visning af det nukleare porekompleks - mangler tilstrækkelige detaljer til at vide, hvor mange af brikkerne, der præcist passer sammen.

Juli 2021 offentliggjorde DeepMind, en del af Alphabet – Googles moderselskab – et værktøj til kunstig intelligens (AI) kaldet AlphaFold2. Softwaren kunne forudsige 3D-formen af ​​proteiner ud fra deres genetiske sekvens med, for det meste, præcision.

I nogle tilfælde har AI sparet forskerne tid; i andre har det muliggjort forskning, der tidligere var utænkelig eller vildt upraktisk. Det har begrænsninger, og nogle videnskabsmænd finder, at dets forudsigelser er for upålidelige til deres arbejde. Men tempoet i eksperimenter er hektisk.

Den 15. juli 2021 udkom papirer, der beskrev RoseTTAFold og AlphaFold2, sammen med frit tilgængelig, open source-kode og anden information, der er nødvendig for, at specialister kan køre deres egne versioner af værktøjerne. En uge senere meddelte DeepMind, at de havde brugt AlphaFold til at forudsige strukturen af ​​næsten alle proteiner fremstillet af mennesker, såvel som hele 'proteomerne' fra 2 andre vidt undersøgte organismer, såsom mus og bakterien Escherichia coli - mere end 20 strukturer i alt.

I år planlægger DeepMind at frigive i alt mere end 100 millioner strukturforudsigelser. Det er næsten halvdelen af ​​alle kendte proteiner - og hundredvis af gange mere end antallet af eksperimentelt bestemte proteiner i Protein Data Bank (PDB) strukturdepot.