这2024年诺贝尔化学奖公认的黛米斯·哈萨比斯,约翰·詹珀和大卫·贝克用于使用机器学习解决生物学最大的挑战之一：预测蛋白质的 3D 形状并从头开始设计它们。
今年的奖项之所以脱颖而出，是因为它表彰了源自科技公司 DeepMind 的研究，DeepMind 是一家人工智能研究初创公司，被谷歌2014年。历届诺贝尔化学奖大多颁给了学术界的研究人员。
许多获奖者随后成立了初创公司，以进一步扩大和商业化他们的开创性工作？例如，CRISPR基因编辑技术和量子点？但这项研究从始至终都不是在商业领域进行的。
尽管诺贝尔物理奖和化学奖是分开颁发的，但 2024 年这些领域的获奖研究之间存在着令人着迷的联系。
物理学奖去找了两位计算机科学家WHO为机器学习奠定了基础，而化学奖得主则因利用机器学习来解决生物学最大的谜团之一：蛋白质如何折叠而获得奖励。
2024 年诺贝尔奖强调了这种类型的重要性人工智能以及当今的科学如何经常跨越传统界限，融合不同领域以取得突破性的成果。
蛋白质折叠的挑战
蛋白质是生命的分子机器。它们构成了我们身体的重要组成部分，包括肌肉、酶、激素、血液、头发和软骨。
（©Johan Jarnestad/瑞典皇家科学院）
了解蛋白质的结构至关重要，因为它们的形状决定了它们的功能。
早在1972年，克里斯蒂安·安芬森荣获诺贝尔奖在化学中用于显示蛋白质氨基酸结构单元的序列决定蛋白质的形状，进而影响其功能。如果蛋白质折叠不正确，它可能无法正常工作并可能导致疾病，例如阿尔茨海默氏症,囊性纤维化或者糖尿病。
蛋白质的整体形状取决于构成其的氨基酸中所有原子之间的微小相互作用、吸引力和排斥力。有的人想在一起，有的人不想在一起。基于数千种化学相互作用，蛋白质将自身扭曲并折叠成最终形状。
几十年来，生物学面临的最大挑战之一是仅根据氨基酸序列来预测蛋白质的形状。
尽管研究人员现在可以预测形状，但我们仍然不明白蛋白质如何在几微秒内操纵成其特定形状并最小化所有原子间相互作用的排斥力。
为了了解蛋白质的工作原理并防止错误折叠，科学家需要一种方法来预测蛋白质的折叠方式，但解决这个难题并非易事。
2003年，华盛顿大学生物化学家大卫·贝克写道罗塞塔，用于设计蛋白质的计算机程序。他用它证明了可以通过以下方式扭转蛋白质折叠问题：设计蛋白质形状然后预测创建它所需的氨基酸序列。
这是一个惊人的飞跃，但计算所选择的形状很简单，计算却很复杂。需要进行重大范式转变来常规设计具有所需结构的新型蛋白质。
机器学习的新时代
机器学习是人工智能的一种，计算机通过分析大量数据来学习解决问题。它已被应用于各个领域，从玩游戏和语音识别到自动驾驶汽车和科学研究。
机器学习背后的想法是利用数据中的隐藏模式来回答复杂的问题。
2010 年，Demis Hassabis 与他人共同创立了该公司，这种方法取得了巨大飞跃深度思维，一家旨在将神经科学与人工智能结合起来解决现实世界问题的公司。
哈萨比斯 (Hassabis)，4 岁时的国际象棋神童，很快成为头条新闻阿尔法零，一个自学下棋达到超人水平的人工智能。 2017年，AlphaZero彻底击败了世界顶级计算机国际象棋程序Stockfish-8。
人工智能能够从自己的游戏玩法中学习，而不是依赖预先编程的策略，这标志着人工智能世界的一个转折点。
不久之后，DeepMind 将类似的技术应用于围棋，这是一种以其巨大复杂性而闻名的古老棋盘游戏。 2016年，其人工智能项目阿尔法围棋在一场比赛中击败了世界顶尖选手之一李世石这场广受关注的比赛震惊了数百万人。
2016 年，Hassabis 将 DeepMind 的重点转向了一个新的挑战：蛋白质折叠问题。在领导下约翰·詹珀一位具有蛋白质科学背景的化学家，AlphaFold 项目开始了。
该团队使用了一个由实验确定的蛋白质结构的大型数据库来训练人工智能，使其能够学习蛋白质折叠的原理。
结果是阿尔法折叠2，一种人工智能，可以根据蛋白质的氨基酸序列以极高的准确性预测其 3D 结构。
这是一项重大的科学突破。此后 AlphaFold 预测了超过 2 亿种蛋白质的结构？基本上是迄今为止科学家已测序的所有蛋白质。这海量蛋白质结构数据库现已免费提供，加速了生物学、医学和药物开发的研究。
设计蛋白质来对抗疾病
了解蛋白质如何折叠和发挥作用对于设计新药至关重要。酶是一种蛋白质，在生化反应中充当催化剂，可以加速或调节这些过程。
治疗疾病，例如癌症或者糖尿病，研究人员经常针对疾病途径中涉及的特定酶。通过预测蛋白质的形状，科学家可以找出小分子在哪里？潜在的候选药物？可能会绑定到它，这是第一步设计新药。
2024年，DeepMind推出阿尔法折叠3，AlphaFold 程序的升级版本，不仅可以预测蛋白质形状，还可以识别小分子的潜在结合位点。这一进步使研究人员更容易设计出精确靶向正确蛋白质的药物。
谷歌收购 Deepmind据报道大约2014 年 5 亿美元。谷歌 DeepMind 现在已经开始了一项新的冒险，同构实验室，利用这些 AlphaFold3 预测与制药公司合作进行现实世界的药物开发。
就大卫·贝克而言，他继续为蛋白质科学做出重大贡献。他在华盛顿大学的团队开发了一种基于人工智能的方法，称为“全家出现幻觉”，他们用它从头开始设计全新的蛋白质。
幻觉是新模式？在这种情况下，蛋白质？这是合理的，这意味着它们非常适合人工智能训练数据中的模式。
这些新蛋白质包含一种发光酶，表明机器学习可以帮助创造新型合成蛋白质。这些人工智能工具提供了设计功能性酶和其他不可能自然进化的蛋白质的新方法。
人工智能将开启研究的新篇章
哈萨比斯、朱珀和贝克的诺贝尔奖成就表明，机器学习不仅仅是计算机科学家的工具？它现在是生物学和医学未来的重要组成部分。
通过解决生物学中最棘手的问题之一，2024 年获奖者为药物发现、个性化医疗，甚至我们对生命本身化学的理解开辟了新的可能性。
