Deep Mind Demis Hassabis and the Future of AI

Ο Ντέμης Χασάμπης είναι ο Διευθύνων Σύμβουλος και συνιδρυτής της DeepMind και είχε μια υπέροχη συζήτηση με τον Lex Fridman για την τεχνητή νοημοσύνη.

Η DeepMind κέρδισε τους καλύτερους ανθρώπους παίκτες με το Go και δημιούργησε επίσης την καλύτερη τεχνητή νοημοσύνη για το σκάκι. Η DeepMind δημιούργησε επίσης το AlphaFold 2 το οποίο έχει λύσει το δίπλωμα πρωτεΐνης.

Καθώς τα προηγμένα μαθηματικά και ο λογισμός ήταν κρίσιμα για την πρόοδο της Φυσικής, φαίνεται ότι η τεχνητή νοημοσύνη θα είναι σε θέση να επιταχύνει την πρόοδο της επιστήμης της Βιολογίας.

Παρακάτω ένα άρθρο στο Nature περιγράφει τον αντίκτυπο και τους τρέχοντες περιορισμούς του Alphafold 2. Το Alphafold 2 και οι ερευνητές θα πρέπει να συνεργαστούν για να δοκιμάσουν περισσότερες πρωτεΐνες και να δημιουργήσουν περισσότερα δεδομένα. Περισσότερα δεδομένα θα βοηθήσουν στη βελτίωση του Alphafold 2 και της προγνωστικής του ακρίβειας.

Υπάρχει ακόμη δουλειά που πρέπει να γίνει, αλλά αυτό βελτιώνει την ανακάλυψη φαρμάκων με τη χρήση πρωτεϊνών και θα μπορούσε να βοηθήσει στην αντιμετώπιση πέντε μεγάλων προκλήσεων που είναι δυνατές με τις σχεδιασμένες πρωτεΐνες.

Φαίνεται ότι το λογισμικό DeepMind είναι πολύ ισχυρό ως εργαλείο για περιοχές με μεγάλες ποσότητες δεδομένων και πολυπλοκότητα.

Κατάφεραν επίσης να το χρησιμοποιήσουν για να προβλέψουν πώς να προσαρμόσουν τα μαγνητικά πεδία ώστε να περιέχουν πλάσμα για πυρηνική σύντηξη.

Επάνω – Μια άποψη από πάνω προς τα κάτω του συμπλέγματος ανθρώπινου πυρηνικού πόρου, της μεγαλύτερης μοριακής μηχανής σε ανθρώπινα κύτταρα. Credit: Agnieszka Obarska-Kosinska

Nature – Τι ακολουθεί για το AlphaFold και την επανάσταση αναδίπλωσης πρωτεϊνών AI.

Το λογισμικό DeepMind που μπορεί να προβλέψει το τρισδιάστατο σχήμα των πρωτεϊνών αλλάζει ήδη τη βιολογία.

Για περισσότερο από μια δεκαετία, ο μοριακός βιολόγος Martin Beck και οι συνεργάτες του προσπαθούν να συνθέσουν ένα από τα πιο σκληρά παζλ στον κόσμο: ένα λεπτομερές μοντέλο της μεγαλύτερης μοριακής μηχανής σε ανθρώπινα κύτταρα.

Αυτό το μεγαθήριο, που ονομάζεται σύμπλεγμα πυρηνικών πόρων, ελέγχει τη ροή των μορίων μέσα και έξω από τον πυρήνα του κυττάρου, όπου βρίσκεται το γονιδίωμα. Εκατοντάδες από αυτά τα σύμπλοκα υπάρχουν σε κάθε κύτταρο. Κάθε μία αποτελείται από περισσότερες από 1,000 πρωτεΐνες που μαζί σχηματίζουν δακτυλίους γύρω από μια τρύπα μέσω της πυρηνικής μεμβράνης.

Αυτά τα 1,000 κομμάτια παζλ προέρχονται από περισσότερα από 30 δομικά στοιχεία πρωτεΐνης που συμπλέκονται με μυριάδες τρόπους. Κάνοντας το παζλ ακόμα πιο δύσκολο, τα πειραματικά καθορισμένα τρισδιάστατα σχήματα αυτών των δομικών στοιχείων είναι ένα ποτ πουρί δομών που συγκεντρώνονται από πολλά είδη, επομένως μην μπερδεύετε πάντα καλά μεταξύ τους. Και η εικόνα στο κουτί του παζλ - μια τρισδιάστατη όψη χαμηλής ανάλυσης του συμπλέγματος πυρηνικών πόρων - δεν διαθέτει επαρκείς λεπτομέρειες για να γνωρίζουμε πόσα από τα κομμάτια ταιριάζουν ακριβώς μεταξύ τους.

Ιούλιος 2021, η DeepMind, μέρος της Alphabet —της μητρικής εταιρείας της Google— δημοσιοποίησε ένα εργαλείο τεχνητής νοημοσύνης (AI) που ονομάζεται AlphaFold2. Το λογισμικό μπορούσε να προβλέψει το τρισδιάστατο σχήμα των πρωτεϊνών από τη γενετική τους αλληλουχία με, ως επί το πλείστον, ακριβή ακρίβεια.

Σε ορισμένες περιπτώσεις, η τεχνητή νοημοσύνη έχει εξοικονομήσει χρόνο στους επιστήμονες. Σε άλλες έχει καταστήσει δυνατή έρευνα που προηγουμένως ήταν αδιανόητη ή εξαιρετικά ανέφικτη. Έχει περιορισμούς και ορισμένοι επιστήμονες θεωρούν ότι οι προβλέψεις του είναι πολύ αναξιόπιστες για τη δουλειά τους. Όμως ο ρυθμός των πειραματισμών είναι φρενήρης.

Στις 15 Ιουλίου 2021, εμφανίστηκαν έγγραφα που περιγράφουν το RoseTTAFold και το AlphaFold2, μαζί με δωρεάν διαθέσιμο, ανοιχτό κώδικα και άλλες πληροφορίες που απαιτούνται για τους ειδικούς για να τρέξουν τις δικές τους εκδόσεις των εργαλείων. Μια εβδομάδα αργότερα, η DeepMind ανακοίνωσε ότι είχε χρησιμοποιήσει το AlphaFold για να προβλέψει τη δομή σχεδόν κάθε πρωτεΐνης που παράγεται από τον άνθρωπο, καθώς και ολόκληρα τα «πρωτεώματα» 2 άλλων ευρέως μελετημένων οργανισμών, όπως τα ποντίκια και το βακτήριο Escherichia coli — πάνω από 20 δομές συνολικά.

Φέτος, η DeepMind σχεδιάζει να κυκλοφορήσει συνολικά περισσότερες από 100 εκατομμύρια προβλέψεις δομής. Αυτό είναι σχεδόν το ήμισυ όλων των γνωστών πρωτεϊνών - και εκατοντάδες φορές περισσότερο από τον αριθμό των πειραματικά προσδιορισμένων πρωτεϊνών στο αποθετήριο δομής της Τράπεζας Δεδομένων Πρωτεϊνών (PDB).