Журнал WIRED побеседовал с Пушмитом Коли из DeepMind о недавнем прошлом и многообещающем будущем исследовательского проекта, удостоенного Нобелевской премии и навсегда изменившего биологию и химию. 
Аминокислоты «свернуты», образуя белок. Фотография: Кристоф Бургстедт/Getty Images Сохранить эту историю Сохранить эту историю
Система искусственного интеллекта AlphaFold, разработанная Google DeepMind , отметила свой пятилетний юбилей. В течение последних нескольких лет мы периодически сообщали о её успехах; в прошлом году она получила Нобелевскую премию по химии.
До дебюта AlphaFold в ноябре 2020 года компания DeepMind была известна прежде всего тем, что научила искусственный интеллект побеждать чемпионов-людей в древней игре Го . Затем она занялась чем-то более серьезным, направив свои алгоритмы глубокого обучения на решение одной из самых сложных задач современной науки: сворачивание белков . Результатом стала AlphaFold2, система, способная предсказывать трехмерную форму белков с атомной точностью.
Результатом работы стало создание базы данных, которая в настоящее время содержит более 200 миллионов предсказанных структур, по сути, всю известную вселенную белков, и используется почти 3,5 миллионами исследователей в 190 странах мира. Статья в журнале Nature, опубликованная в 2021 году и описывающая алгоритм, на сегодняшний день цитировалась 40 000 раз. В прошлом году появился AlphaFold 3, расширивший возможности искусственного интеллекта на ДНК, РНК и лекарства. Этот переход не лишен трудностей — таких как «структурные галлюцинации» в неупорядоченных областях белков, — но он знаменует собой шаг в будущее.
Чтобы понять, что ждет AlphaFold в ближайшие пять лет, WIRED побеседовал с Пушмитом Коли, вице-президентом по исследованиям в DeepMind и архитектором подразделения AI for Science.
WIRED: Доктор Коли, появление AlphaFold 2 пять лет назад было названо «моментом iPhone» для биологии. Расскажите о переходе от таких задач, как игра в го, к фундаментальной научной проблеме, такой как сворачивание белков, и какова была ваша роль в этом переходе?
Пушмит Коли: Наука с самого первого дня была в центре нашей миссии. Демис Хассабис основал Google DeepMind, исходя из идеи, что ИИ может стать лучшим инструментом, когда-либо изобретенным для ускорения научных открытий. Игры всегда были полигоном для испытаний и способом разработки методов, которые, как мы знали, в конечном итоге позволят решать реальные проблемы.
Моя работа заключалась в выявлении и решении научных проблем, в которых ИИ может оказать преобразующее воздействие, в определении ключевых компонентов, необходимых для достижения прогресса, и в объединении междисциплинарной команды для работы над этими масштабными задачами. AlphaGo доказала, что нейронные сети в сочетании с планированием и поиском могут справляться с невероятно сложными системами. Сворачивание белков обладало теми же характеристиками. Ключевое отличие заключалось в том, что решение этой задачи откроет путь к открытиям в биологии и медицине, которые действительно смогут улучшить жизнь людей.
Мы сосредотачиваемся на том, что я называю «проблемами корневого узла», — областях, решения которых, по общему мнению научного сообщества, приведут к кардинальным изменениям, но где традиционные подходы не позволят нам достичь цели в ближайшие пять-десять лет. Представьте это как дерево знаний — если вы решите эти корневые проблемы, вы откроете целые новые ветви исследований. Сворачивание белков, безусловно, было одной из таких областей.
Заглядывая в будущее, я вижу три ключевых направления для развития: создание более мощных моделей, способных к подлинному рассуждению и сотрудничеству с учеными, подобно партнеру по исследованиям; предоставление этих инструментов каждому ученому на планете; и решение еще более смелых задач, таких как создание первой точной симуляции целой человеческой клетки.
Давайте поговорим о галлюцинациях. Вы неоднократно подчеркивали важность архитектуры «на основе алгоритма», сочетающей креативную генеративную модель со строгим верификатором. Как эта философия развивалась от AlphaFold 2 к AlphaFold 3, особенно сейчас, когда вы используете диффузионные модели, которые по своей природе более «изобретательны» и склонны к галлюцинациям?
Основная философия не изменилась — мы по-прежнему сочетаем творческое генерирование с тщательной проверкой. Изменился лишь подход к применению этого принципа для решения более сложных задач.
В нашем подходе всегда первостепенное значение придавалось решению проблемы. Мы не ищем места для внедрения существующих методов; мы глубоко понимаем проблему, а затем создаем все необходимое для ее решения. Переход к диффузионным моделям в AlphaFold 3 произошел из-за требований науки: нам нужно было предсказывать, как взаимодействуют белки, ДНК, РНК и малые молекулы, а не только отдельные белковые структуры.
Вы правы, поднимая вопрос о галлюцинациях, связанных с тем, что диффузионные модели являются более генеративными. Именно здесь проверка становится еще более важной. Мы встроили показатели достоверности, которые сигнализируют о том, когда предсказания могут быть менее надежными, что особенно важно для белков с внутренней неупорядоченной структурой. Но что действительно подтверждает правильность подхода, так это то, что в течение пяти лет ученые снова и снова проверяли предсказания AlphaFold в своих лабораториях. Они доверяют ему, потому что он работает на практике.
Вы запускаете «ИИ-соисследователя» — агентную систему, построенную на основе Gemini 2.0, которая генерирует и обсуждает гипотезы. Это звучит как готовый научный метод. Двигаемся ли мы к будущему, где «главным исследователем» лаборатории будет ИИ, а люди — всего лишь техниками, проверяющими его эксперименты?
Я наблюдаю сдвиг в том, как ученые распределяют свое время. Ученые всегда играли двойную роль — сначала думали о том, какую проблему нужно решить, а затем выясняли, как ее решить. С помощью ИИ, который будет больше помогать в части «как», у ученых появится больше свободы, чтобы сосредоточиться на части «что», то есть на том, какие вопросы действительно стоит задавать. ИИ может ускорить поиск решений, иногда довольно автономно, но определение того, какие проблемы заслуживают внимания, по-прежнему остается в основе человеческой деятельности.
Система Co-scientist разработана с учетом такого партнерства. Это многоагентная система, созданная на основе Gemini 2.0, которая выступает в роли виртуального партнера: выявляет пробелы в исследованиях, выдвигает гипотезы и предлагает экспериментальные подходы. Недавно исследователи Имперского колледжа использовали ее при изучении того, как определенные вирусы захватывают бактерии, что открыло новые направления в борьбе с устойчивостью к противомикробным препаратам. Но ученые-люди разработали эксперименты для проверки и осознали значимость этого подхода для глобального здравоохранения.
Ключевым моментом является правильное понимание этих инструментов, как их сильных, так и слабых сторон. Именно это понимание позволяет ученым использовать их ответственно и эффективно.
Можете ли вы привести конкретный пример — возможно, из вашей работы по перепрофилированию лекарств или эволюции бактерий — когда агенты ИИ расходились во мнениях, и это разногласие привело к лучшему научному результату, чем работа человека в одиночку?
Принцип работы системы довольно интересен. У нас есть несколько моделей Gemini, выступающих в роли разных агентов, которые генерируют идеи, а затем обсуждают и критикуют гипотезы друг друга. Идея заключается в том, что этот внутренний обмен мнениями, исследование различных интерпретаций имеющихся данных, приводит к более совершенным и креативным исследовательским предложениям.
Например, исследователи из Имперского колледжа изучали, как некоторым «пиратским фагам» — этим удивительным вирусам, которые захватывают другие вирусы, — удается проникать в бактерии. Понимание этих механизмов может открыть совершенно новые способы борьбы с устойчивыми к лекарствам инфекциями, что, безусловно, является огромной глобальной проблемой здравоохранения.
Вклад Соученого в эту работу заключался в способности быстро анализировать опубликованные исследования, проводившиеся на протяжении десятилетий, и независимо прийти к гипотезе о механизмах переноса бактериальных генов, которая соответствовала тому, что команда Имперского колледжа разрабатывала и экспериментально проверяла в течение многих лет.
На самом деле мы видим, что система может значительно сократить этап выдвижения гипотез — быстро обрабатывая огромные объемы литературы, — в то время как исследователи-люди по-прежнему разрабатывают эксперименты и понимают, что на самом деле означают полученные результаты для пациентов.
Если заглянуть в будущее на следующие пять лет, то, помимо белков и материалов, какая «нерешенная проблема» не дает вам покоя по ночам, и в решении которой могут помочь эти инструменты?
Меня по-настоящему вдохновляет понимание того, как клетки функционируют как целостные системы, и расшифровка генома имеет для этого фундаментальное значение.
ДНК — это книга рецептов жизни, а белки — её ингредиенты. Если мы действительно поймём, что делает нас генетически разными и что происходит при изменении ДНК, мы откроем для себя невероятные новые возможности. Не только персонализированную медицину, но и, возможно, разработку новых ферментов для борьбы с изменением климата и другие области применения, выходящие далеко за рамки здравоохранения.
Тем не менее, моделирование целой клетки — одна из главных целей биологии, но до этого еще далеко. В качестве первого шага нам необходимо понять внутреннюю структуру клетки — ее ядро: точно, когда считывается каждая часть генетического кода, как производятся сигнальные молекулы, которые в конечном итоге приводят к сборке белков. После того, как мы изучим ядро, мы сможем двигаться изнутри наружу. Мы работаем в этом направлении, но на это потребуется еще несколько лет.
Если бы мы могли надежно моделировать клетки, мы могли бы преобразовать медицину и биологию. Мы могли бы тестировать лекарственные препараты с помощью компьютерных методов до их синтеза, понимать механизмы заболеваний на фундаментальном уровне и разрабатывать персонализированные методы лечения. Это и есть тот мост между биологическим моделированием и клинической реальностью, о котором вы спрашиваете — переход от компьютерных прогнозов к реальным методам лечения, которые помогают пациентам.
Источник: www.wired.com
