Deep Mind Demis Hassabis i przyszłość sztucznej inteligencji

Demis Hassabis jest dyrektorem generalnym i współzałożycielem DeepMind i miał świetną rozmowę z Lexem Fridmanem na temat sztucznej inteligencji.

DeepMind pokonał najlepszych ludzkich graczy dzięki Go, a także stworzyli najlepszą sztuczną inteligencję do szachów. DeepMind stworzył również AlphaFold 2, który rozwiązał problem fałdowania białek.

Ponieważ zaawansowana matematyka i rachunek różniczkowy były kluczowe dla postępu fizyki, wydaje się, że sztuczna inteligencja będzie w stanie przyspieszyć postęp nauki biologii.

Poniżej artykuł w Nature opisuje wpływ i obecne ograniczenia Alphafold 2. Alphafold 2 i naukowcy będą musieli współpracować, aby przetestować więcej białek i wygenerować więcej danych. Więcej danych pomoże ulepszyć Alphafold 2 i jego dokładność predykcyjną.

Nadal jest wiele do zrobienia, ale to usprawnia odkrywanie leków przy użyciu białek i może pomóc w rozwiązaniu pięciu wielkich wyzwań, które są możliwe dzięki zaprojektowanym białkom.

Wygląda na to, że oprogramowanie DeepMind jest bardzo potężnym narzędziem dla obszarów o dużej ilości danych i złożoności.

Udało im się również wykorzystać go do prognozowania, jak dostosować pola magnetyczne, aby zawierały plazmę do fuzji jądrowej.

Powyżej – widok z góry na kompleks porów jądrowych człowieka, największą maszynę molekularną w ludzkich komórkach. Źródło: Agnieszka Obarska-Kosińska

Natura – co dalej z AlphaFold i rewolucją w składaniu białek AI.

Oprogramowanie DeepMind, które może przewidywać trójwymiarowy kształt białek, już teraz zmienia biologię.

Od ponad dekady biolog molekularny Martin Beck i jego koledzy próbują ułożyć jedną z najtrudniejszych puzzli na świecie: szczegółowy model największej maszyny molekularnej w ludzkich komórkach.

Ten behemot, zwany kompleksem porów jądrowych, kontroluje przepływ cząsteczek do i z jądra komórki, w którym znajduje się genom. W każdej komórce istnieją setki takich kompleksów. Każda z nich składa się z ponad 1,000 białek, które razem tworzą pierścienie wokół dziury w błonie jądrowej.

Te 1,000 puzzli zostało narysowanych z ponad 30 cegiełek białkowych, które przeplatają się na niezliczone sposoby. Co jeszcze trudniejsze, eksperymentalnie określone trójwymiarowe kształty tych klocków to zbiór struktur zebranych z wielu gatunków, więc nie zawsze dobrze się ze sobą zazębiają. A obrazowi na pudełku łamigłówki — trójwymiarowemu widokowi kompleksu porów jądrowych w niskiej rozdzielczości — brakuje wystarczająco dużo szczegółów, aby wiedzieć, ile elementów dokładnie do siebie pasuje.

Lipiec 2021 r. DeepMind, część Alphabet — firmy macierzystej Google — upublicznił narzędzie sztucznej inteligencji (AI) o nazwie AlphaFold2. Oprogramowanie może przewidywać trójwymiarowy kształt białek na podstawie ich sekwencji genetycznej, w większości z precyzyjną dokładnością.

W niektórych przypadkach sztuczna inteligencja zaoszczędziła naukowcom czas; w innych umożliwiło prowadzenie badań, które wcześniej były niewyobrażalne lub szalenie niepraktyczne. Ma ograniczenia, a niektórzy naukowcy uważają, że jego przewidywania są zbyt niewiarygodne dla ich pracy. Ale tempo eksperymentów jest szalone.

15 lipca 2021 r. pojawiły się artykuły opisujące RoseTTAFold i AlphaFold2 wraz z ogólnodostępnym, otwartym kodem źródłowym i innymi informacjami potrzebnymi specjalistom do uruchamiania własnych wersji narzędzi. Tydzień później DeepMind ogłosił, że wykorzystał AlphaFold do przewidywania struktury prawie każdego białka wytwarzanego przez ludzi, a także całych „proteomów” 2 innych szeroko badanych organizmów, takich jak myszy i bakteria Escherichia coli — ponad 20 365,000. ogółem struktur.

W tym roku DeepMind planuje opublikować łącznie ponad 100 milionów prognoz struktury. To prawie połowa wszystkich znanych białek — i setki razy więcej niż liczba eksperymentalnie określonych białek w repozytorium struktur Protein Data Bank (PDB).