نوبل شیمی ۲۰۲۴ به دانشمندان هوش مصنوعی دیپ مایند گوگل اهدا شد

جان جامپر و دمیس هاسابیس، دانشمندان دیپ‌مایند گوگل به پاس ساخت آلفافولد، ابزار هوش مصنوعی انقلابی برای پیش‌بینی ساختارهای پروتئینی، جایزه نوبل شیمی ۲۰۲۴ را به‌دست آورده‌اند. همچنین دیوید بیکر از دانشگاه واشنگتن در سیاتل به پاس مطالعاتش در زمینه‌ی طراحی پروتئین محاسباتی که در سال‌های اخیر به‌لطف هوش مصنوعی تقویت شده، به‌عنوان برنده‌ی سوم انتخاب شده است. این سه دانشمند، جایزه‌ای یک میلیون دلاری را به‌طور مشترک دریافت می‌کنند.

تاثیر آلفافولد که چند سال پیش معرفی شد، چشمگیر بود. این ابزار به‌طور دقیق ساختارهای پروتئینی را پیش‌بینی می‌کند و آزمایش‌هایی را ممکن ساخته است که انجامشان یک دهه پیش دور از تصور بود.

هاینر لینکه، رئیس کمیته نوبل که در دانشگاه لوند سوئد در زمینه‌ی علوم نانو مطالعه می‌کند، در جریان اعلام جایزه گفت: «مدت‌ها توانایی پیش‌بینی ساختار سه‌بعدی پروتئین‌ها از روی توالی آمینواسیدهای آن‌ها یک رویا بود. ده‌ها سال این کار غیرممکن تصور می‌شد.»

دیپ‌مایند در سال ۲۰۱۸ آلفافولد را معرفی کرد. در آن زمان، این ابزار در مسابقه دوسالانه‌ای در زمینه‌ی پیش‌بینی ساختار پروتئین (CASP) برنده شد. در این رقابت، بسیاری از پیش‌بینی‌های آلفافولد ۲ به قدری دقیق بودند که تمایز آن‌ها از ساختارهای پروتئینی مشخص‌شده به روش تجربی، امکان‌پذیر نبود.

هاسابیس، هم‌بنیان‌گذار و مدیرعامل دیپ‌مایند و جامپر رئیس تیم آلفافولد رهبری توسعه‌ی آلفافولد ۲ را برعهده داشتند. این شبکه عصبی برای پیش‌بینی ساختارهای پروتئینی، ساختارهای مشابهی را از پایگاه‌هایی شامل صدها هزار ساختار پروتئینی مشخص‌شده با آزمایش‌های تجربی و میلیون‌ها توالی از پروتئین‌های مرتبط (که دارای اطلاعاتی درمورد شکل آن‌ها است) ترکیب می‌کند.

در سال ۲۰۲۱، دیپ‌مایند کد زیربنایی آلفافولد ۲ را به همراه داده‌های موردنیاز برای آموزش مدل به صورت رایگان در دسترس عموم قرار داد. پایگاه داده آلفافولد که با همکاری مؤسسه بیوانفورماتیک آزمایشگاه زیست‌شناسی مولکولی اروپا در هینکستون، بریتانیا ایجاد شد، اکنون شامل ساختار تقریبا کل پروتئین‌ها از تمام موجوداتی است که در پایگاه‌های داده ژنتیکی وجود دارند و درمجموع به حدود ۲۱۴ میلیون پیش‌بینی می‌رسد.

امسال، شرکت دیپ‌مایند از نسخه سوم آلفافولد رونمایی کرد که می‌تواند مولکول‌هایی دیگری همچون داروها را که با پروتئین ‌ها تعامل دارند، مدل‌سازی کند. انقلابی که جامپر، هاسابیس و همکارانشان آغاز کردند، هنوز در روزهای اولیه‌ی خود به‌سر می‌برد و ممکن است تا سال‌ها تاثیر کامل این دستاورد روی علم مشخص نباشد.

گروهی از پژوهشگران از ابزار هوش مصنوعی گوگل در کنار داده‌های تجربی برای نقشه‌برداری از مجتمع منفذ هسته‌ای استفاده کردند که یکی از بزرگ‌ترین ماشین‌آلات سلولی ما است و مولکول‌ها را به داخل و خارج از هسته منتقل می‌کند.

سال گذشته، دو تیم کل پایگاه داده آلفافولد را کاوش کردند و با کشف ناشناخته‌ترین گوشه‌های جهان پروتئین، توانستند خانواده‌های جدیدی از پروتئین‌ها و تاخوردگی‌ها و اتصالات شگفت‌آور را در ماشین‌آلات حیات شناسایی کنند.

بسیاری از  پژوهشگران امیدوارند آلفافولد و سایر ابزارهای هوش مصنوعی که از این پیشرفت الهام گرفته است، پزشکی را متحول سازد، اما هنوز مشخص نیست که آیا آلفافولد واقعا می‌تواند فرایندهای پرهزینه و چند مرحله‌ای ابداع داروهای جدید و بی‌خطر را ساده‌تر کند یا خیر.

دانشمندانی که روی واکسن‌های جدید کار می‌کنند، آلفافولد را بسیار مفید و در مواردی تحول‌آفرین می‌دانند. اما آلفافولد هنوز مکمل مطالعات تجربی و سایر روش‌های نقشه‌برداری و تنظیم ساختار پروتئین‌های ویروسی برای استفاده در واکسن‌ها است.

بیش از یک دهه پیش از آنکه دیپ‌مایند کار روی آلفافولد را آغاز کند، دیوید بیکر، بیوفیزیکدان محاسباتی در  دانشگاه واشنگتن در سیاتل به همراه همکارانش ابزارهای نرم‌افزاری را برای مدل‌سازی ساختارهای پروتئینی با استفاده از اصول فیزیکی توسعه دادند. این ابزار که روزتا نام گرفت، در طراحی پروتئین‌های جدید موفقیت‌هایی به دست آورد. تیم بیکر از روزتا برای پیش‌بینی ساختار پروتئین‌ها و همچنین طراحی پروتئین‌های جدید نظیر آنزیم‌ها و نانوذرات پروتئینی خودسازمان‌دهنده استفاده کردند.

وقتی خبر ساخت آلفافولد ۲ اعلام شد (اما هنوز منتشر نشده بود)، بیکر و تیمش نرم‌افزار را مطالعه کردند و برخی از قابلیت‌های آن را به نسخه قبلی مبتنی بر هوش مصنوعی روزتا اضافه کردند.

اولین نسخه شبکه روزتا آلفافولد (RoseTTAFold) تقریبا به خوبی آلفافولد ۲ عمل کرد. از سال ۲۰۲۱ هر دو شبکه به‌طور مستمر توسط توسعه‌دهندگان و دانشمندان دیگر برای مقابله با چالش‌های جدید مانند پیش‌بینی ساختار کمپلکس‌های متشکل از پروتئین‌های مختلف بهبود پیدا کردند.

در سال‌های اخیر، تیم بیکر در زمینه‌ی کاربرد یادگیری ماشین در زمینه‌ی ساخت پروتئین‌های جدیدی که قبلا در طبیعت دیده نشده، فعالیت زیادی داشته است. به‌گفته‌ی دانشمندان، گرچه ابزارهای محاسبانی نظیر آلفافولد جایگزین مطالعات تجربی نیستند، می‌توانند به مطالعات سرعت بدهند.