Der Nobelpreis für Chemie 2024 wird gewürdigt Demis Hassabis, John Jumper Und David Baker für den Einsatz von maschinellem Lernen, um eine der größten Herausforderungen der Biologie zu bewältigen: die 3D-Form von Proteinen vorherzusagen und sie von Grund auf zu entwerfen.
Der diesjährige Preis zeichnete sich dadurch aus, dass er Forschung würdigte, die von einem Technologieunternehmen stammt: DeepMind, einem KI-Forschungs-Startup, das von übernommen wurde Google im Jahr 2014. Die meisten bisherigen Chemie-Nobelpreise gingen an akademische Forscher. Viele Preisträger gründeten anschließend Startup-Unternehmen, um ihre bahnbrechenden Arbeiten weiter auszubauen und zu kommerzialisieren – zum Beispiel CRISPR-Gen-Editierungstechnologie Und Quantenpunkte– aber die Forschung wurde von Anfang bis Ende nicht im kommerziellen Bereich durchgeführt.
Obwohl die Nobelpreise für Physik und Chemie getrennt vergeben werden, gibt es einen faszinierenden Zusammenhang zwischen der siegreichen Forschung in diesen Bereichen im Jahr 2024. Der Physikpreis ging an zwei Informatiker die den Grundstein für maschinelles Lernen legten, während die Preisträger der Chemie für ihren Einsatz maschinellen Lernens belohnt wurden, um eines der größten Rätsel der Biologie zu lösen: wie Proteine falten.
Die Nobelpreise 2024 unterstreichen sowohl die Bedeutung dieser Art von künstlicher Intelligenz als auch die Tatsache, dass die Wissenschaft heute oft traditionelle Grenzen überschreitet und verschiedene Bereiche miteinander verbindet, um bahnbrechende Ergebnisse zu erzielen.
Die Herausforderung der Proteinfaltung
Proteine sind die molekularen Maschinen des Lebens. Sie machen einen erheblichen Teil unseres Körpers aus, darunter Muskeln, Enzyme, Hormone, Blut, Haare und Knorpel.
Es ist wichtig, die Strukturen von Proteinen zu verstehen, da ihre Form ihre Funktionen bestimmt. Im Jahr 1972 Christian Anfinsen erhielt den Nobelpreis in der Chemie für den Nachweis der Reihenfolge der Aminosäurebausteine eines Proteins bestimmt die Form des Proteinswas wiederum seine Funktion beeinflusst. Wenn sich ein Protein falsch faltet, funktioniert es möglicherweise nicht richtig und kann zu Krankheiten wie z Alzheimer, Mukoviszidose oder Diabetes.
Die Gesamtform eines Proteins hängt von den winzigen Wechselwirkungen, den Anziehungskräften und Abstoßungen zwischen allen Atomen der Aminosäuren, aus denen es besteht, ab. Manche wollen zusammen sein, manche nicht. Das Protein verdreht und faltet sich auf der Grundlage vieler Tausend dieser chemischen Wechselwirkungen in seine endgültige Form.
Jahrzehntelang bestand eine der größten Herausforderungen der Biologie darin, die Form eines Proteins allein anhand seiner Aminosäuresequenz vorherzusagen. Obwohl Forscher jetzt die Form vorhersagen können, verstehen wir immer noch nicht, wie sich die Proteine in ihre spezifischen Formen manövrieren und die Abstoßungen aller interatomaren Wechselwirkungen in wenigen Mikrosekunden minimieren.
Um zu verstehen, wie Proteine funktionieren, und um Fehlfaltungen zu verhindern, brauchten Wissenschaftler eine Möglichkeit, die Faltung von Proteinen vorherzusagen, aber die Lösung dieses Rätsels war keine leichte Aufgabe.
Im Jahr 2003 wurde er Biochemiker an der University of Washington David Baker schrieb Rosettaein Computerprogramm zum Design von Proteinen. Damit zeigte er, dass es möglich war, das Problem der Proteinfaltung umzukehren Entwerfen einer Proteinform und anschließendes Vorhersagen die Aminosäuresequenz, die zur Herstellung benötigt wird.
Es war ein phänomenaler Sprung nach vorne, aber die für die Berechnung gewählte Form war einfach und die Berechnungen komplex. Um routinemäßig neue Proteine mit den gewünschten Strukturen zu entwerfen, war ein großer Paradigmenwechsel erforderlich.
Eine neue Ära des maschinellen Lernens
Maschinelles Lernen ist eine Form der KI, bei der Computer lernen, Probleme durch die Analyse großer Datenmengen zu lösen. Es wurde in verschiedenen Bereichen eingesetzt, von Spielen Und Spracherkennung Zu autonome Fahrzeuge Und wissenschaftliche Forschung. Die Idee hinter maschinellem Lernen besteht darin, verborgene Muster in Daten zu nutzen, um komplexe Fragen zu beantworten.
Dieser Ansatz machte 2010 einen großen Sprung, als Demis Hassabis Mitbegründer war DeepMindein Unternehmen, das sich zum Ziel gesetzt hat, Neurowissenschaften mit KI zu kombinieren, um reale Probleme zu lösen.
Hassabis, ein Schachwunderkind im Alter von 4 Jahren, machte schnell Schlagzeilen mit AlphaZeroeine KI, die sich selbst beigebracht hat, Schach auf übermenschlichem Niveau zu spielen. Im Jahr 2017 schlug AlphaZero das weltbeste Computerschachprogramm Stockfish-8 deutlich. Die Fähigkeit der KI, aus ihrem eigenen Gameplay zu lernen, anstatt sich auf vorprogrammierte Strategien zu verlassen, markierte einen Wendepunkt in der KI-Welt.
Bald darauf wandte DeepMind ähnliche Techniken auf Go an, ein altes Brettspiel, das für seine immense Komplexität bekannt ist. Im Jahr 2016 sein KI-Programm AlphaGo besiegte einen der weltbesten Spieler, Lee Sedol, in einem viel gesehenes Spiel, das Millionen in Erstaunen versetzte.
Im Jahr 2016 verlagerte Hassabis den Fokus von DeepMind auf eine neue Herausforderung: das Problem der Proteinfaltung. Unter der Leitung von John Jumpereinem Chemiker mit einem Hintergrund in der Proteinwissenschaft, startete das AlphaFold-Projekt. Das Team nutzte eine große Datenbank experimentell ermittelter Proteinstrukturen, um die KI zu trainieren und so die Prinzipien der Proteinfaltung zu erlernen. Das Ergebnis war AlphaFold2, eine KI, die die 3D-Struktur von Proteinen anhand ihrer Aminosäuresequenzen mit bemerkenswerter Genauigkeit vorhersagen konnte.
Dies war ein bedeutender wissenschaftlicher Durchbruch. AlphaFold hat seitdem die Strukturen von über 200 Millionen Proteinen vorhergesagt – im Wesentlichen alle Proteine, die Wissenschaftler bisher sequenziert haben. Das umfangreiche Datenbank mit Proteinstrukturen ist jetzt frei verfügbar und beschleunigt die Forschung in Biologie, Medizin und Arzneimittelentwicklung.
Designerproteine zur Bekämpfung von Krankheiten
Das Verständnis der Faltung und Funktion von Proteinen ist für die Entwicklung neuer Medikamente von entscheidender Bedeutung. Enzymeeine Art Protein, wirken als Katalysatoren bei biochemischen Reaktionen und können diese Prozesse beschleunigen oder regulieren. Um Krankheiten wie Krebs oder Diabetes zu behandeln, zielen Forscher häufig auf bestimmte Enzyme ab, die an Krankheitswegen beteiligt sind. Durch die Vorhersage der Form eines Proteins können Wissenschaftler herausfinden, wo kleine Moleküle – potenzielle Medikamentenkandidaten – daran binden könnten. Dies ist der erste Schritt bei der Entwicklung neuer Medikamente.
Im Jahr 2024 wurde DeepMind eingeführt AlphaFold3eine aktualisierte Version des AlphaFold-Programms, das nicht nur Proteinformen vorhersagt, sondern auch potenzielle Bindungsstellen für kleine Moleküle identifiziert. Dieser Fortschritt erleichtert es Forschern, Medikamente zu entwickeln, die genau auf die richtigen Proteine abzielen.
Google hat Deepmind gekauft für angeblich um Eine halbe Milliarde Dollar im Jahr 2014. Google DeepMind hat jetzt ein neues Unternehmen gestartet: Isomorphe Laboreum mithilfe dieser AlphaFold3-Vorhersagen mit Pharmaunternehmen an der realen Arzneimittelentwicklung zusammenzuarbeiten.
David Baker hat seinerseits weiterhin bedeutende Beiträge zur Proteinwissenschaft geleistet. Sein Team an der University of Washington entwickelte eine KI-basierte Methode namens „familienweite Halluzination„, mit dem sie von Grund auf völlig neue Proteine entwickelten. Halluzinationen sind neue Muster – in diesem Fall Proteine –, die plausibel sind, das heißt, sie passen gut zu Mustern in den Trainingsdaten der KI. Zu diesen neuen Proteinen gehörte ein Licht emittierendes Protein Enzym, was zeigt, dass maschinelles Lernen dabei helfen kann, neuartige synthetische Proteine zu entwickeln. Diese KI-Tools bieten neue Möglichkeiten zur Entwicklung funktioneller Enzyme und anderer Proteine, die sich auf natürliche Weise nie hätten entwickeln können.
KI wird das nächste Kapitel der Forschung ermöglichen
Die mit dem Nobelpreis ausgezeichneten Leistungen von Hassabis, Jumper und Baker zeigen, dass maschinelles Lernen nicht nur ein Werkzeug für Informatiker ist, sondern mittlerweile ein wesentlicher Bestandteil der Zukunft von Biologie und Medizin.
Durch die Bewältigung eines der schwierigsten Probleme der Biologie haben die Gewinner des Preises 2024 neue Möglichkeiten in der Arzneimittelforschung, der personalisierten Medizin und sogar unserem Verständnis der Chemie des Lebens selbst eröffnet.
Dieser Artikel wurde erneut veröffentlicht von Das Gespräch unter einer Creative Commons-Lizenz. Lesen Sie die Originalartikel.