Deep Mind Demis Hassabis와 AI의 미래

Demis Hassabis는 DeepMind의 CEO이자 공동 설립자이며 AI에 대해 Lex Fridman과 좋은 대화를 나눴습니다.

DeepMind는 바둑으로 최고의 인간 플레이어를 이겼고 체스를 위한 최고의 AI도 만들었습니다. DeepMind는 또한 단백질 접힘을 해결한 AlphaFold 2를 만들었습니다.

고급 수학 및 미적분학이 물리학의 발전에 중요했기 때문에 AI가 생물학 과학의 발전을 가속화할 수 있을 것으로 보입니다.

Nature의 아래 기사에서는 Alphafold 2의 영향과 현재 제한 사항에 대해 설명합니다. Alphafold 2와 연구자들은 더 많은 단백질을 테스트하고 더 많은 데이터를 생성하기 위해 협력해야 합니다. 더 많은 데이터가 Alphafold 2와 예측 정확도를 개선하는 데 도움이 될 것입니다.

아직 해야 할 일이 있지만 이것은 단백질을 사용하여 약물 발견을 개선하고 있으며 설계된 단백질로 가능한 XNUMX가지 큰 문제를 해결하는 데 도움이 될 수 있습니다.

DeepMind 소프트웨어는 많은 양의 데이터와 복잡한 영역을 위한 도구로서 매우 강력한 것 같습니다.

그들은 또한 핵융합을 위한 플라즈마를 포함하도록 자기장을 조정하는 방법을 예측하는 데 사용할 수 있었습니다.

위 – 인간 세포에서 가장 큰 분자 기계인 인간 핵공 복합체의 하향식 보기. 크레딧: Agnieszka Obarska-Kosinska

자연 – AlphaFold와 AI 단백질 접힘 혁명의 다음 단계.

단백질의 3D 모양을 예측할 수 있는 DeepMind 소프트웨어는 이미 생물학을 바꾸고 있습니다.

XNUMX년 이상 동안 분자 생물학자인 Martin Beck과 그의 동료들은 세계에서 가장 어려운 직소 퍼즐 중 하나인 인간 세포에서 가장 큰 분자 기계의 상세한 모델을 함께 맞추려고 노력해 왔습니다.

핵공 복합체(nuclear pore complex)라고 불리는 이 거대 물질은 게놈이 있는 세포의 핵 안팎으로 분자의 흐름을 제어합니다. 수백 개의 이러한 복합체가 모든 세포에 존재합니다. 각각은 핵막을 통해 구멍 주위에 고리를 형성하는 1,000개 이상의 단백질로 구성됩니다.

이 1,000개의 퍼즐 조각은 무수히 많은 방식으로 얽혀 있는 30개 이상의 단백질 빌딩 블록에서 추출됩니다. 퍼즐을 더욱 어렵게 만드는 실험적으로 결정된 이러한 빌딩 블록의 3D 모양은 많은 종에서 수집된 구조의 포푸리이므로 항상 잘 맞물리는 것은 아닙니다. 그리고 퍼즐 상자에 있는 그림(핵공 복합체의 저해상도 3D 보기)에는 얼마나 많은 조각이 함께 정확히 맞는지 알기에 충분한 세부 정보가 부족합니다.

2021년 2월, Google의 모회사인 Alphabet의 DeepMind는 AlphaFold3라는 인공 지능(AI) 도구를 공개했습니다. 소프트웨어는 대부분의 경우 정확한 정확도로 유전자 서열에서 단백질의 XNUMXD 모양을 예측할 수 있습니다.

어떤 경우에는 AI가 과학자들의 시간을 절약했습니다. 다른 사람들에게는 이전에는 상상할 수 없었거나 매우 비실용적이었던 연구를 가능하게 했습니다. 그것은 한계가 있으며 일부 과학자들은 그 예측이 그들의 작업에 비해 너무 신뢰할 수 없다는 것을 발견하고 있습니다. 그러나 실험의 속도는 열광적입니다.

15년 2021월 2일, RoseTTAFold 및 AlphaFold2를 설명하는 문서가 무료로 제공되는 오픈 소스 코드와 함께 전문가가 자체 버전의 도구를 실행하는 데 필요한 기타 정보와 함께 나타났습니다. 일주일 후 DeepMind는 AlphaFold를 사용하여 인간이 만든 거의 모든 단백질의 구조와 생쥐 및 대장균과 같이 널리 연구된 20개 유기체의 전체 '프로테옴'(365,000개 이상)을 예측했다고 발표했습니다. 총 구조.

올해 DeepMind는 총 100억 개 이상의 구조 예측을 발표할 계획입니다. 이는 알려진 모든 단백질의 거의 절반에 해당하며, PDB(Protein Data Bank) 구조 저장소에서 실험적으로 결정된 단백질의 수보다 수백 배 많습니다.