Spelers applaudisseren, zeg woorden als Whoo, klap plastic messen op tafel en geniet van de leukste weekenden met kunstmatige intelligentie als hoofdact, dankzij AI ontketend in games.

BEDRADE VK de wetenschapsredacteur, Matt Reynolds, keek naar de impact van DeepMind op AI-mijlpalen:"Het heeft Go-kampioenen overtroffen, versloeg professionele StarCraft-spelers en richtte zijn aandacht op schaken en shogi."

Laat de games doorgaan, maar de serieuze dingen moeten serieus schitteren. In het kort, we kunnen bewonderen dat het ontketenen van AI voor wetenschappelijke ontdekkingen vooral springlevend is geworden dankzij onderzoek bij DeepMind.

Tech-watchers gaven deze week commentaar op onderzoekspapers die de sterke punten van AI aantonen. "Naarmate AI volwassener wordt als een veld (en geen videogames meer heeft om te veroveren), zullen waarschijnlijk meer van zijn prestaties er als volgt uitzien:solide verbeteringen in belangrijke onderzoeksdomeinen."

Een onderzoekspaper gepubliceerd in Natuur maakte direct nieuws als een paper over hoe AI kan worden gebruikt om eiwitvouwing te voorspellen. VentureBeat verwezen naar formidabele uitdagingen die dichter bij doelen komen.

Het artikel is "Verbeterde voorspelling van de eiwitstructuur met behulp van mogelijkheden van diep leren, " Het artikel is op 15 december online gepubliceerd in Natuur .

Het DeepMind-systeem heet AlphaFold. Reynolds had een interessante opmerking over AlphaFold en de dataset:"Het eiwitvouwveld is ook goed opgezet voor het trainen van kunstmatig intelligente agenten. Het heeft een grote dataset - de Protein Data Bank, een opslagplaats van de 3D-structuur en genetische samenstelling van 150, 000 eiwitten, dat werd gebruikt om DeepMind's eiwitstructuur-voorspellende systeem te trainen, genaamd AlphaFold."

De paper onderzocht de prestaties van DeepMind tot nu toe bij het gebruik van AI om eiwitvouwing te voorspellen. Het grote probleem met het vouwen van eiwitten is dat, als Kelsey Piper in Vox merkte op, het is een "cruciale kwestie voor het ontwikkelen van nieuwe medicijnen."

Drie van het DeepMind-team, Andreas Senior, John Jumper en Demis Hassabis, plaatste een blogbericht van 15 januari met uitleg over eiwitstructuren, de eiwitvouwuitdaging en wat ze wilden bereiken.

"Zoals aangetoond door de paradox van Levinthal, het zou langer duren dan de leeftijd van het bekende universum om willekeurig alle mogelijke configuraties van een typisch eiwit op te sommen voordat de echte 3D-structuur wordt bereikt, maar eiwitten vouwen zelf spontaan, binnen milliseconden. Voorspellen hoe deze ketens zich zullen vouwen tot de ingewikkelde 3D-structuur van een eiwit, is wat bekend staat als het 'eiwitvouwprobleem' - een uitdaging waar wetenschappers al tientallen jaren aan hebben gewerkt."

Het team toonde aan dat ze een neuraal netwerk konden trainen om nauwkeurige voorspellingen te doen "van de afstanden tussen paren residuen, die meer informatie over de structuur geven dan contactvoorspellingen."

Ze spraken over optimalisatie via "een eenvoudig algoritme voor gradiëntafdaling om structuren te genereren zonder complexe bemonsteringsprocedures."

Het grote probleem met het vet maken van eiwitten is dat, zei Pijper, het is een "cruciale kwestie voor het ontwikkelen van nieuwe medicijnen." Hoezo? En, waarom zijn "vormen" zo belangrijk? "De vorm die eiwitten aannemen, voorspelt met welke andere stoffen ze een wisselwerking zullen hebben, dus het begrijpen van eiwitvouwing is cruciaal voor het ontdekken van geneesmiddelen en kan zelfs worden gebruikt voor het ontwikkelen van nieuwe productieprocessen, ' zei Pijper.

De DeepMind-blog zei dat "de vorm van een eiwit zijn functie dicteert. Zodra de vorm van een eiwit wordt begrepen, zijn rol binnen de cel kan worden geraden, en wetenschappers kunnen medicijnen ontwikkelen die werken met de unieke vorm van het eiwit."

AlphaFold zou onderzoekers kunnen helpen om de functie - en storing - van eiwitten beter te begrijpen.

Een opmerkelijk citaat in VentureBeat van het hoofd van de UCL bioinformatica groep David Jones, die het DeepMind-team adviseerden over delen van het project:

"Experimentele technieken om eiwitstructuren te bepalen zijn tijdrovend en duur, er is dus een enorme vraag naar betere computeralgoritmen om de structuren van eiwitten rechtstreeks te berekenen uit de gensequenties die ze coderen, en het werk van DeepMind om AI toe te passen op dit al lang bestaande probleem in de moleculaire biologie is een duidelijke vooruitgang."

Welke soorten experimentele technieken waren tijdrovend en duur? De blog noemde cryo-elektronenmicroscopie, nucleaire magnetische resonantie en röntgenkristallografie, elk afhankelijk van vallen en opstaan, "wat jaren werk kan vergen, en kost tien- of honderdduizenden dollars per eiwitstructuur."

Kyle Wiggers binnen VentureBeat :"Met AlphaFold, Het onderzoeksteam van DeepMind concentreerde zich op het probleem van het vanaf het begin modelleren van doelvormen zonder gebruik te maken van opgeloste eiwitten als sjablonen."

Hoe de natuur eiwitvouwing definieert:"Eiwitvouwing is het proces waarbij eiwitten hun volwassen functionele (natieve) tertiaire structuur bereiken, en begint vaak co-translationeel. Eiwitvouwing vereist chaperonnes en omvat vaak stapsgewijze oprichting van reguliere secundaire en supersecundaire structuren, namelijk α-helices en β-sheets, die snel vouwen, gestabiliseerd door waterstofbruggen en disulfidebruggen, en dan tertiaire structuur."

Terug in juli, vóór de publicatie van de DeepMind-paper, Natuur had al opgemerkt dat "de race om een ​​van de grootste uitdagingen van de biologie te kraken - het voorspellen van de 3D-structuren van eiwitten uit hun aminozuursequenties - intenser wordt, dankzij nieuwe kunstmatige intelligentie (AI) benaderingen."

De DeepMind-blogpost zei dat ze code beschikbaar hadden gemaakt (GitHub), en bood de link, voor iedereen die meer wil weten of zijn resultaten wil repliceren.

In hun blogpost gaven ze aan waarom hun systeem ertoe doet:"Ons systeem, AlphaFold... bouwt voort op decennia van eerder onderzoek met behulp van grote genomische datasets om de eiwitstructuur te voorspellen. De 3D-modellen van eiwitten die AlphaFold genereert, zijn veel nauwkeuriger dan ooit tevoren."

Vooruit gaan, de blog verklaarde dat een hulpmiddel als AlphaFold onderzoekers van zeldzame ziekten kan helpen om de vorm van een eiwit van belang snel en economisch te voorspellen en hen uiteindelijk kan helpen bij te dragen aan een efficiënte ontdekking van geneesmiddelen, terwijl de kosten voor experimenten worden verlaagd.

Onderzoek naar zeldzame ziekten is niet het enige gebied dat kan profiteren van wat ze hebben bereikt. De blog sprak over vervuilende stoffen zoals plastic en olie; vooruitgang in biologisch afbreekbare enzymen mogelijk gemaakt door eiwitontwerp zou kunnen helpen afval af te breken op manieren die vriendelijker zijn voor ons milieu.

"In feite, onderzoekers zijn al begonnen met het ontwikkelen van bacteriën om eiwitten uit te scheiden die afval biologisch afbreekbaar maken, en gemakkelijker te verwerken, " volgens de blog.

© 2020 Wetenschap X Netwerk