Deep Mind Demis Hassabis og fremtiden til AI

Demis Hassabis er administrerende direktør og medgründer av DeepMind, og han hadde en god prat med Lex Fridman om AI.

DeepMind slo de beste menneskelige spillerne med Go, og de laget også den beste AI for sjakk. DeepMind laget også AlphaFold 2 som har løst proteinfolding.

Ettersom avansert matematikk og kalkulus var avgjørende for fysikkens fremgang, ser det ut til at AI vil være i stand til å akselerere fremgangen innen biologi.

Nedenfor beskriver en artikkel i Nature virkningen og gjeldende begrensninger av Alphafold 2. Alphafold 2 og forskere må samarbeide for å teste flere proteiner og generere mer data. Mer data vil bidra til å forbedre Alphafold 2 og dens prediktive nøyaktighet.

Det er fortsatt arbeid å gjøre, men dette forbedrer oppdagelsen av medisiner ved bruk av proteiner, og det kan bidra til å løse fem store utfordringer som er mulige med designet proteiner.

Det virker som om DeepMind-programvaren er veldig kraftig som et verktøy for områder med store datamengder og kompleksitet.

De har også vært i stand til å bruke den for å forutsi hvordan de kan justere magnetiske felt for å inneholde plasma for kjernefysisk fusjon.

Ovenfor – En ovenfra-ned-visning av det menneskelige kjernefysiske porekomplekset, den største molekylære maskinen i menneskelige celler. Kreditt: Agnieszka Obarska-Kosinska

Nature – Hva er det neste for AlphaFold og AI-proteinfoldingsrevolusjonen.

DeepMind-programvare som kan forutsi 3D-formen til proteiner er allerede i ferd med å endre biologi.

I mer enn et tiår har molekylærbiolog Martin Beck og hans kolleger forsøkt å sette sammen et av verdens vanskeligste puslespill: en detaljert modell av den største molekylære maskinen i menneskeceller.

Denne giganten, kalt kjerneporekomplekset, kontrollerer strømmen av molekyler inn og ut av cellens kjerne, der genomet sitter. Hundrevis av disse kompleksene finnes i hver celle. Hver består av mer enn 1,000 proteiner som sammen danner ringer rundt et hull gjennom kjernemembranen.

Disse 1,000 puslespillbrikkene er trukket fra mer enn 30 proteinbyggesteiner som flettes sammen på utallige måter. For å gjøre puslespillet enda vanskeligere, er de eksperimentelt bestemte 3D-formene til disse byggeklossene et potpurri av strukturer samlet fra mange arter, så ikke alltid passe godt sammen. Og bildet på puslespillets boks – en lavoppløselig 3D-visning av atomporekomplekset – mangler nok detaljer til å vite hvor mange av brikkene som passer sammen.

Juli 2021 offentliggjorde DeepMind, en del av Alphabet – Googles morselskap – et verktøy for kunstig intelligens (AI) kalt AlphaFold2. Programvaren kunne forutsi 3D-formen til proteiner fra deres genetiske sekvens med, for det meste, nøyaktig nøyaktighet.

I noen tilfeller har AI spart forskerne tid; i andre har det muliggjort forskning som tidligere var utenkelig eller vilt upraktisk. Det har begrensninger, og noen forskere finner at spådommene er for upålitelige for arbeidet deres. Men tempoet i eksperimentet er frenetisk.

Den 15. juli 2021 dukket det opp artikler som beskrev RoseTTAFold og AlphaFold2, sammen med fritt tilgjengelig åpen kildekode og annen informasjon som trengs for at spesialister skal kunne kjøre sine egne versjoner av verktøyene. En uke senere kunngjorde DeepMind at de hadde brukt AlphaFold til å forutsi strukturen til nesten alle proteiner laget av mennesker, så vel som hele "proteomene" til 2 andre mye studerte organismer, som mus og bakterien Escherichia coli - mer enn 20 365,000 strukturer totalt.

I år planlegger DeepMind å gi ut totalt mer enn 100 millioner strukturforutsigelser. Det er nesten halvparten av alle kjente proteiner - og hundrevis av ganger mer enn antallet eksperimentelt bestemte proteiner i Protein Data Bank (PDB) strukturdepot.