Deep Mind Demis Hassabis et l'avenir de l'IA

Demis Hassabis est le PDG et co-fondateur de DeepMind et il a eu une excellente conversation avec Lex Fridman sur l'IA.

DeepMind a battu les meilleurs joueurs humains avec Go et ils ont également créé la meilleure IA pour les échecs. DeepMind a également créé AlphaFold 2 qui a résolu le repliement des protéines.

Comme les mathématiques avancées et le calcul ont été essentiels au progrès de la physique, il semble que l'IA sera en mesure d'accélérer l'avancée de la science de la biologie.

Ci-dessous, un article dans Nature décrit l'impact et les limites actuelles d'Alphafold 2. Alphafold 2 et les chercheurs devront travailler ensemble pour tester plus de protéines et générer plus de données. Plus de données aideront à améliorer Alphafold 2 et sa précision prédictive.

Il reste encore du travail à faire, mais cela améliore la découverte de médicaments à l'aide de protéines et cela pourrait aider à relever cinq grands défis qui sont possibles avec des protéines conçues.

Il semble que le logiciel DeepMind soit un outil très puissant pour les domaines comportant de grandes quantités de données et de complexité.

Ils ont également pu l'utiliser pour prévoir comment ajuster les champs magnétiques pour contenir le plasma pour la fusion nucléaire.

Ci-dessus - Une vue de haut en bas du complexe de pores nucléaires humains, la plus grande machine moléculaire des cellules humaines. Crédits : Agnieszka Obarska-Kosinska

Nature - Quelle est la prochaine étape pour AlphaFold et la révolution du repliement des protéines de l'IA.

Le logiciel DeepMind qui peut prédire la forme 3D des protéines change déjà la biologie.

Depuis plus d'une décennie, le biologiste moléculaire Martin Beck et ses collègues tentent de reconstituer l'un des puzzles les plus difficiles au monde : un modèle détaillé de la plus grande machine moléculaire dans les cellules humaines.

Ce mastodonte, appelé complexe de pores nucléaires, contrôle le flux de molécules entrant et sortant du noyau de la cellule, où se trouve le génome. Des centaines de ces complexes existent dans chaque cellule. Chacune est composée de plus de 1,000 XNUMX protéines qui forment ensemble des anneaux autour d'un trou à travers la membrane nucléaire.

Ces 1,000 30 pièces de puzzle sont tirées de plus de 3 blocs de construction protéiques qui s'entrelacent de multiples façons. Rendant le puzzle encore plus difficile, les formes 3D déterminées expérimentalement de ces blocs de construction sont un pot-pourri de structures rassemblées à partir de nombreuses espèces, donc ne s'emboîtent pas toujours bien. Et l'image sur la boîte du puzzle - une vue XNUMXD basse résolution du complexe de pores nucléaires - manque de détails suffisants pour savoir combien de pièces s'emboîtent précisément.

En juillet 2021, DeepMind, qui fait partie d'Alphabet - la société mère de Google - a rendu public un outil d'intelligence artificielle (IA) appelé AlphaFold2. Le logiciel pourrait prédire la forme 3D des protéines à partir de leur séquence génétique avec, pour la plupart, une précision extrême.

Dans certains cas, l'IA a fait gagner du temps aux scientifiques ; dans d'autres, il a rendu possible des recherches auparavant inconcevables ou totalement irréalisables. Il a des limites et certains scientifiques trouvent que ses prédictions sont trop peu fiables pour leur travail. Mais le rythme des expérimentations est frénétique.

Le 15 juillet 2021, des articles décrivant RoseTTAFold et AlphaFold2 sont apparus2, ainsi que du code open source disponible gratuitement et d'autres informations nécessaires aux spécialistes pour exécuter leurs propres versions des outils. Une semaine plus tard, DeepMind a annoncé qu'il avait utilisé AlphaFold pour prédire la structure de presque toutes les protéines fabriquées par l'homme, ainsi que l'ensemble des «protéomes» de 20 autres organismes largement étudiés, tels que les souris et la bactérie Escherichia coli - plus de 365,000 XNUMX structures au total.

Cette année, DeepMind prévoit de publier un total de plus de 100 millions de prédictions de structure. C'est près de la moitié de toutes les protéines connues - et des centaines de fois plus que le nombre de protéines déterminées expérimentalement dans le référentiel de structure de la banque de données sur les protéines (PDB).