Deep Mind Demis Hassabis och framtiden för AI

Demis Hassabis är VD och medgrundare av DeepMind och han hade ett bra samtal med Lex Fridman om AI.

DeepMind slog de bästa mänskliga spelarna med Go och de gjorde också den bästa AI:n för schack. DeepMind skapade även AlphaFold 2 som har löst proteinveckning.

Eftersom avancerad matematik och kalkyl var avgörande för fysiks framsteg verkar det som att AI kommer att kunna påskynda framsteg inom biologin.

Nedan beskriver en artikel i Nature påverkan och nuvarande begränsningar av Alphafold 2. Alphafold 2 och forskare kommer att behöva arbeta tillsammans för att testa fler proteiner och generera mer data. Mer data kommer att hjälpa till att förbättra Alphafold 2 och dess prediktiva noggrannhet.

Det finns fortfarande arbete att göra men detta förbättrar läkemedelsupptäckten med hjälp av proteiner och det kan hjälpa till att knäcka fem stora utmaningar som är möjliga med designade proteiner.

Det verkar som om DeepMind-mjukvaran är mycket kraftfull som verktyg för områden med stora mängder data och komplexitet.

De har också kunnat använda den för att förutse hur man justerar magnetfält för att innehålla plasma för kärnfusion.

Ovan – En top-down vy av det mänskliga kärnporkomplexet, den största molekylära maskinen i mänskliga celler. Kredit: Agnieszka Obarska-Kosinska

Nature – Vad är nästa steg för AlphaFold och AI-proteinvikningsrevolutionen.

DeepMind-programvara som kan förutsäga 3D-formen av proteiner håller redan på att förändra biologin.

I mer än ett decennium har molekylärbiologen Martin Beck och hans kollegor försökt lägga ihop ett av världens svåraste pussel: en detaljerad modell av den största molekylära maskinen i mänskliga celler.

Denna behemoth, som kallas kärnporkomplexet, styr flödet av molekyler in och ut ur cellkärnan, där genomet sitter. Hundratals av dessa komplex finns i varje cell. Var och en består av mer än 1,000 XNUMX proteiner som tillsammans bildar ringar runt ett hål genom kärnmembranet.

Dessa 1,000 30 pusselbitar är hämtade från mer än 3 proteinbyggstenar som sammanflätas på otaliga sätt. För att göra pusslet ännu svårare är de experimentellt bestämda 3D-formerna av dessa byggstenar ett potpurri av strukturer samlade från många arter, så passa inte alltid ihop väl. Och bilden på pusslets låda - en lågupplöst XNUMXD-vy av kärnporkomplexet - saknar tillräckligt detaljer för att veta hur många av bitarna som passar ihop exakt.

Juli 2021 offentliggjorde DeepMind, en del av Alphabet – Googles moderbolag – ett verktyg för artificiell intelligens (AI) kallat AlphaFold2. Programvaran kunde förutsäga 3D-formen av proteiner från deras genetiska sekvens med, för det mesta, exakt noggrannhet.

I vissa fall har AI sparat tid för forskare; i andra har det möjliggjort forskning som tidigare var otänkbar eller väldigt opraktisk. Det har begränsningar, och vissa forskare tycker att dess förutsägelser är för opålitliga för sitt arbete. Men tempot i experimentet är frenetisk.

Den 15 juli 2021 publicerades artiklar som beskrev RoseTTAFold och AlphaFold2, tillsammans med fritt tillgänglig öppen källkod och annan information som behövs för att specialister ska kunna köra sina egna versioner av verktygen. En vecka senare meddelade DeepMind att de hade använt AlphaFold för att förutsäga strukturen hos nästan alla proteiner som tillverkats av människor, såväl som hela "proteomen" från 2 andra allmänt studerade organismer, såsom möss och bakterien Escherichia coli - mer än 20 365,000 strukturer totalt.

I år planerar DeepMind att släppa totalt mer än 100 miljoner strukturförutsägelser. Det är nästan hälften av alla kända proteiner - och hundratals gånger fler än antalet experimentellt bestämda proteiner i Protein Data Bank (PDB) strukturförvaret.