Demis Hassabis, medgrundare och VD för Google DeepMind i London, tilldelades 2024 års Nobelpris i kemi för sin banbrytande utveckling av AlphaFold, ett AI-system som förutsäger proteiners tredimensionella strukturer utifrån deras aminosyrasekvenser.
Tillsammans med sina kollegor, forskarna John Jumper och David Baker, hedrades Hassabis för att ha löst ett av de mest komplexa problemen inom biokemi – en prestation som redan har omformat forskningslandskapet inom medicin, bioteknik och andra vetenskapsområden.
Men de utvecklade bara det neurala nätverket, det var ju sedan det neurala nätverket som löste det vetenskapliga problemet. Utan att nedvärdera dessa hyperintelligenta forskares bedrift, kan man ju därmed ändå kanske säga att nobelpriset egentligen gick till det neurala nätverket snarare än dess utvecklare.
Jag tror att de flesta eller nästan samtliga av framtidens nobelpris inom vetenskap (dvs inte freds- eller litteraturpriset) kommer att vara baserade på AI-stöd för att möjliggöra de vetenskapliga framstegen.
Men nu till årets nobelpris. Med reservation för att jag inte själv är forskare i kemi, så är detta tolkningen av varför AphaFold är viktigt och vad det gör.
Jag kan dock med säkerhet säga – baserad på min egna kunskap – att mina avslutningstankar kring fler AI-genererade nobelpris är något jag själv står för och förstår.
AlphaFold: En revolution inom proteinforskning
Proteiner är en av livets grundläggande byggstenar och utför en mängd biologiska funktioner i cellerna, allt från att bygga vävnader till att katalysera biokemiska reaktioner. Proteiners funktioner bestäms direkt av deras tredimensionella strukturer, som i sin tur styrs av deras aminosyrasekvenser.
Att förstå en proteins exakta struktur har länge varit en av de största utmaningarna inom molekylärbiologi, eftersom denna information avslöjar hur proteinet fungerar och hur det kan påverkas av läkemedel eller andra ämnen.
Att experimentellt bestämma en proteins struktur är tidskrävande, komplicerat och kostsamt. Traditionella metoder som röntgenkristallografi, kärnmagnetisk resonans (NMR) och kryo-elektronmikroskopi kräver år av laboratoriearbete och stora resurser.
Med AlphaFold har forskare nu tillgång till ett AI-system som förutser proteinstrukturer med exceptionell noggrannhet och på en bråkdel av den tid det tidigare tog. Detta gör AlphaFold till en oerhört värdefull resurs för forskare runt om i världen.
Hur AlphaFold fungerar
AlphaFold är baserat på avancerade djupinlärningstekniker och tränades på en omfattande mängd proteinstrukturer för att lära sig mönster mellan aminosyrasekvenser och deras tredimensionella strukturer.
När AlphaFold får en aminosyrasekvens använder det sin interna modell för att förutspå proteinets form med hög precision. Systemet utnyttjar ett nätverk av lager där varje lager bearbetar sekvenser och strukturell information, och för varje iteration förbättras modellens uppskattning av den slutliga formen.
Genom att använda denna process kan AlphaFold identifiera och förstå specifika vikningar och bindningar inom proteinet, vilket leder till en mer exakt förutsägelse av strukturen. Denna precision är särskilt viktig för forskare som vill utveckla läkemedel och terapeutiska behandlingar eftersom det ger insikter om exakt hur ett läkemedel kan binda till ett målprotein.
Hur AlphaFold används i forskningen idag
Sedan AlphaFold introducerades har tiotusentals forskare använt tekniken för att förutsäga proteinstrukturer. DeepMind har gjort AlphaFolds data tillgängliga genom en öppen databas som omfattar över 200 miljoner proteinstrukturer, vilket täcker nästan alla proteiner som är kända för forskningen idag.
Detta innebär att forskare nu har omedelbar tillgång till detaljerad information om proteiner utan att behöva genomföra långa experiment, vilket frigör resurser och påskyndar forskningen.
Forskare inom läkemedelsutveckling använder AlphaFold för att identifiera nya målproteiner och förstå hur olika molekyler kan påverka proteinstrukturen. Denna insikt är avgörande för att skapa läkemedel som kan binda till specifika områden på proteiner, vilket gör det möjligt att designa läkemedel med större precision och effektivitet.
Inom biotekniken kan forskare använda AlphaFold för att skapa modifierade proteiner för industriella och medicinska tillämpningar, såsom enzymer som kan bryta ner plast eller proteiner som kan hjälpa till i cellterapier.
Framtida implikationer och betydelsen av Nobelpriset
Att tilldela Nobelpriset till Hassabis och hans team understryker inte bara vikten av AlphaFold utan också den växande betydelsen av AI inom vetenskaplig forskning.
Genom att lösa proteinvikningsproblemet har AlphaFold öppnat dörrar för otaliga upptäckter som tidigare varit omöjliga eller oöverkomliga på grund av tid och kostnad. Prisets tilldelning sätter fokus på hur AI kan fungera som en partner till vetenskapen, där maskinens beräkningskraft och kapacitet att identifiera komplexa mönster ger forskare möjligheten att lösa tidigare olösliga problem.
Framöver kan AlphaFold bana väg för utvecklingen av mer avancerade AI-system inom biologi och medicin. Genom att kombinera AI med traditionell vetenskaplig forskning skapas nya möjligheter för att förstå, förutse och påverka biologiska system på ett sätt som tidigare varit otänkbart.
För läkemedelsutveckling innebär detta snabbare framsteg mot behandlingar för sjukdomar som cancer, Alzheimers och antibiotikaresistenta infektioner, eftersom AI kan ge forskare verktyg för att förutse hur läkemedel kommer att interagera med specifika målproteiner.
Sammanfattning
Demis Hassabis och hans team har med AlphaFold inte bara förändrat hur vi ser på proteinforskning utan också etablerat en ny standard för vad som är möjligt med AI inom vetenskapliga discipliner.
Genom att göra det möjligt att förutsäga proteinstrukturer snabbt och med hög precision, har AlphaFold redan påtagligt bidragit till forskningen inom läkemedelsutveckling, bioteknik och materialvetenskap.
Nobelpriset är en tydlig indikation på hur betydelsefullt AlphaFold är och den enorma potential som AI har för att lösa komplexa vetenskapliga utmaningar. Vi kommer att se många fler nobelpris för vetenskapliga framsteg som inte skett utan AI.
