«Я буду шокирован, если мы не увидим все большего влияния степени магистра права на науку», — говорит Джон Джампер.
В 2017 году, сразу после защиты докторской диссертации по теоретической химии, Джон Джампер услышал слухи о том, что Google DeepMind отказалась от разработки искусственного интеллекта, способного играть в игры с нечеловеческим мастерством, и начала секретный проект по предсказанию структур белков. Он подал заявку на вакансию.
Всего три года спустя Джампер отпраздновал ошеломительную победу, которую мало кто ожидал. Вместе с генеральным директором Демисом Хассабисом он руководил разработкой системы искусственного интеллекта AlphaFold 2, способной предсказывать структуру белков с точностью до атома, не уступая по точности кропотливым лабораторным методам, и делая это во много раз быстрее — выдавая результаты за часы, а не за месяцы.
AlphaFold 2 справился с грандиозной задачей 50-летней давности в области биологии. «Именно поэтому я и основал DeepMind», — сказал мне Хассабис несколько лет назад. «На самом деле, именно поэтому я всю свою карьеру работаю в области искусственного интеллекта». В 2024 году Джампер и Хассабис разделили Нобелевскую премию по химии.
На этой неделе исполнилось пять лет с тех пор, как дебют AlphaFold 2 застал учёных врасплох. Теперь, когда ажиотаж утих, какое влияние AlphaFold оказал на самом деле? Как учёные его используют? И что нас ждёт дальше? Я поговорил с Джампером (и ещё несколькими учёными), чтобы узнать это.
«Это были необыкновенные пять лет», — смеясь, говорит Джампер. «Трудно вспомнить время, когда я не знал огромного количества журналистов».
За AlphaFold 2 последовал AlphaFold Multimer, способный предсказывать структуры, содержащие более одного белка, а затем AlphaFold 3, самая быстрая на сегодняшний день версия. Google DeepMind также предоставила AlphaFold доступ к UniProt, обширной базе данных белков, которую используют и обновляют миллионы исследователей по всему миру. На сегодняшний день AlphaFold предсказал структуры около 200 миллионов белков — почти всех известных науке.
Несмотря на свой успех, Джампер по-прежнему сдержан в оценке достижений AlphaFold. «Это не значит, что мы уверены во всём, что там написано», — говорит он. «Это база данных прогнозов, и она сопровождается всеми оговорками, присущими прогнозам».
Трудная проблема
Белки — это биологические машины, обеспечивающие функционирование живых организмов. Они формируют мышцы, рога и перья; они переносят кислород по телу и передают сигналы между клетками; они активируют нейроны, переваривают пищу, поддерживают иммунную систему и многое другое. Но чтобы точно понять, что делает белок (и какую роль он может играть в различных заболеваниях или методах лечения), необходимо определить его структуру, а это непросто.
Белки состоят из цепочек аминокислот, которые под действием химических сил скручиваются в сложные узлы. Раскрученная цепочка мало что даёт в плане понимания того, какую структуру она образует. Теоретически большинство белков могут принимать астрономическое число возможных форм. Задача состоит в том, чтобы предсказать правильную.
Джампер и его команда создали AlphaFold 2, используя тип нейронной сети, называемый трансформером, — ту же технологию, которая лежит в основе крупных языковых моделей. Трансформеры очень хорошо реагируют на отдельные части сложной головоломки.
Но Джампер считает, что во многом успех был обусловлен созданием прототипа, который можно было быстро протестировать. «Мы получили систему, которая выдавала неверные ответы с невероятной скоростью», — говорит он. «Это позволило легко начать экспериментировать с новыми идеями».
Спросите ИИ, почему это важно для вас? БЕТА-ВЕРСИЯ. Вот почему эта история может быть важна для вас, по мнению ИИ. Это бета-версия функции, и ИИ галлюцинирует — это может быть странно . Отрасль, которая мне интересна, — это… Узнайте больше о том, как мы используем ИИ.
Они наполнили нейронную сеть максимально возможной информацией о структурах белков, например, информацией о том, как белки у разных видов приобрели схожие формы. И это сработало даже лучше, чем они ожидали. «Мы были уверены, что совершили прорыв», — говорит Джампер. «Мы были уверены, что это невероятный прорыв в области идей».
Чего он не предвидел, так это того, что исследователи скачают его программу и сразу же начнут использовать её для самых разных целей. Обычно реальный эффект достигается через несколько итераций, после того как все недочёты устранены, говорит он: «Я был поражён тем, насколько ответственно учёные использовали её с точки зрения интерпретации и применения на практике — ровно настолько, насколько, на мой взгляд, ей можно доверять, ни слишком много, ни слишком мало».
Какие проекты вам особенно запомнились?
Наука о медоносных пчелах
Джампер рассказывает об исследовательской группе, которая использует AlphaFold для изучения устойчивости к болезням у медоносных пчёл. «Они хотели изучить этот конкретный белок, изучая такие вещи, как разрушение колоний», — говорит он. «Я бы никогда не сказал: „Знаете, конечно, AlphaFold будет использоваться в науке о медоносных пчёлах“».
Он также приводит несколько примеров того, что он называет нестандартным использованием AlphaFold, «в том смысле, что не было гарантировано, что он будет работать», — когда способность предсказывать структуру белков открыла новые исследовательские методы. «Первым, очевидно, является прогресс в конструировании белков», — говорит он. «Дэвид Бейкер и другие полностью освоили эту технологию».
Бейкер, специалист по вычислительной биологии из Вашингтонского университета, стал одним из лауреатов Нобелевской премии по химии в прошлом году вместе с Джампером и Хассабисом за работу по созданию синтетических белков, способных выполнять определенные задачи, например, лечение болезней или расщепление пластика, лучше, чем природные белки.
Бейкер и его коллеги разработали собственный инструмент на основе AlphaFold под названием RoseTTAFold. Они также экспериментировали с AlphaFold Multimer, чтобы предсказать, какие из их разработок потенциальных синтетических белков окажутся работоспособными.
«По сути, если AlphaFold уверенно соглашается со структурой, которую вы пытались спроектировать, [тогда] вы её реализуете, а если AlphaFold говорит: „Я не знаю“, вы её не реализуете. Одно это уже было огромным улучшением». По словам Джампера, это может ускорить процесс проектирования в 10 раз.
Джампер выделяет ещё одно применение не по прямому назначению: превращение AlphaFold в своего рода поисковую систему. Он упоминает две отдельные исследовательские группы, которые пытались понять, как именно человеческие сперматозоиды взаимодействуют с яйцеклетками во время оплодотворения. Они знали один из участвующих в этом процессе белков, но не другой, говорит он: «И поэтому они взяли известный яичный белок и проанализировали все 2000 поверхностных белков человеческих сперматозоидов, и обнаружили один, который AlphaFold, как было совершенно точно, прикреплялся к яйцеклетке». Затем им удалось подтвердить это в лабораторных условиях.
«Мысль о том, что AlphaFold можно использовать для решения задач, которые раньше были невозможны, — никогда не придётся создавать 2000 структур в поисках одного ответа, — говорит он. — Я считаю, что подобные вещи действительно необычны».
Пять лет спустя
Когда вышел AlphaFold 2, я спросил нескольких первых пользователей, что они о нём думают. Отзывы были хорошими, но технология была слишком новой, чтобы точно сказать, какое долгосрочное влияние она может оказать. Я встретился с одним из них, чтобы услышать его мнение спустя пять лет.
Климент Верба — молекулярный биолог, руководитель лаборатории в Калифорнийском университете в Сан-Франциско. «Это невероятно полезная технология, в этом нет никаких сомнений», — говорит он мне. «Мы используем её каждый день, постоянно».
Но он далек от совершенства. Многие учёные используют AlphaFold для изучения патогенов или разработки лекарств. Это предполагает изучение взаимодействий между несколькими белками или между белками и ещё более мелкими молекулами в организме. Однако известно, что AlphaFold менее точен в прогнозировании взаимодействия нескольких белков или их взаимодействия с течением времени.
Верба говорит, что он и его коллеги используют AlphaFold достаточно давно, чтобы привыкнуть к его ограничениям. «Бывает, что получаешь прогноз, а потом приходится чесать голову», — говорит он. «Это правда или нет? Не совсем ясно — это что-то пограничное».
«Это примерно то же самое, что ChatGPT», — добавляет он. «Знаете, он будет морочить вам голову с такой же уверенностью, как если бы дал правдивый ответ».
Тем не менее, команда Вербы использует AlphaFold (и AlphaFold 2, и AlphaFold 3, поскольку, по его словам, у них разные сильные стороны) для проведения виртуальных версий своих экспериментов перед их проведением в лаборатории. Используя результаты AlphaFold, они могут сузить фокус эксперимента или решить, что его не стоит проводить.
По его словам, это действительно может сэкономить время: «По сути, это не заменило эксперименты, но значительно их дополнило».
Новая волна
AlphaFold был разработан для использования в самых разных целях. Сейчас многочисленные стартапы и университетские лаборатории, опираясь на его успех, разрабатывают новое поколение инструментов, более адаптированных для поиска новых лекарств. В этом году в результате сотрудничества исследователей Массачусетского технологического института и компании Recursion, занимающейся разработкой лекарств на основе искусственного интеллекта, была создана модель Boltz-2, которая предсказывает не только структуру белков, но и то, насколько хорошо потенциальные молекулы лекарств будут связываться со своей мишенью.
В прошлом месяце стартап Genesis Molecular AI выпустил ещё одну модель прогнозирования структуры под названием Pearl, которая, по заявлению компании, точнее AlphaFold 3 для некоторых запросов, важных для разработки лекарств. Pearl интерактивна, поэтому разработчики лекарств могут добавлять в модель любые дополнительные данные, которые у них есть, для корректировки прогнозов.
AlphaFold стал серьезным шагом вперед, но еще многое предстоит сделать, говорит Эван Файнберг, генеральный директор Genesis Molecular AI: «Мы по-прежнему занимаемся фундаментальными инновациями, просто теперь у нас лучшая отправная точка, чем раньше».
Genesis Molecular AI снижает погрешность с менее чем двух ангстремов (фактический отраслевой стандарт, установленный AlphaFold) до менее чем одного ангстрема (одной десятимиллионной миллиметра или ширины одного атома водорода).
«Небольшие ошибки могут иметь катастрофические последствия для прогнозирования того, насколько хорошо лекарство будет связываться с мишенью», — говорит Майкл ЛеВайн, вице-президент компании по моделированию и симуляции. Это связано с тем, что химические силы, взаимодействующие на расстоянии одного ангстрема, могут прекратить взаимодействие на расстоянии двух ангстрем. «Взаимодействие может перейти от „никогда не будут“ к „будут“», — говорит он.
Учитывая такую активность в этой области, как скоро можно ожидать появления на рынке новых типов лекарств? Джампер прагматичен. Предсказание структуры белка — лишь один из многих шагов, говорит он: «Это была не единственная проблема в биологии. Мы не были в шаге от открытия структуры белка, чтобы излечить хоть какую-то болезнь».
Подумайте об этом так, говорит он. Раньше определение структуры белка в лабораторных условиях могло стоить 100 000 долларов: «Если бы нам не хватало всего лишь ста тысяч долларов до открытия чего-либо, оно уже было бы сделано».
В то же время исследователи ищут способы сделать с помощью этой технологии все, что возможно: «Мы пытаемся выяснить, как сделать прогнозирование структуры еще большей частью проблемы, потому что у нас есть большой молот, которым можно по нему ударить».
Другими словами, они хотят превратить всё в гвозди? «Да, давайте превратим всё в гвозди», — говорит он. «Как нам сделать то, что мы сделали в миллион раз быстрее, более важной частью нашего процесса?»
Что дальше?
Следующий шаг Джампера? Он хочет объединить глубокие, но узкие возможности AlphaFold с широким охватом магистратуры права.
«У нас есть машины, способные читать научные данные. Они способны к научным рассуждениям», — говорит он. «И мы можем создавать потрясающие, сверхчеловеческие системы для прогнозирования структуры белков. Как заставить эти две технологии работать вместе?»
Это напоминает мне систему AlphaEvolve, которую разрабатывает другая команда Google DeepMind. AlphaEvolve использует LLM для генерации возможных решений задачи и вторую модель для их проверки, отсеивая ненужное. Исследователи уже использовали AlphaEvolve для нескольких практических открытий в области математики и информатики.
Это ли Джампер имеет в виду? «Я не буду много говорить о методах, но буду шокирован, если мы не увидим всё большего влияния степени магистра права на науку», — говорит он. «Думаю, это волнующий открытый вопрос, о котором я почти ничего не скажу. Конечно, это всё лишь домыслы».
Джамперу было 39 лет, когда он получил Нобелевскую премию. Что его ждёт дальше?
«Меня это беспокоит, — говорит он. — Кажется, я самый молодой лауреат по химии за 75 лет».
Он добавляет: «Я сейчас, примерно, на середине своей карьеры. Думаю, мой подход к этому заключается в том, чтобы стараться делать что-то поменьше, реализовывать небольшие идеи. Следующее, что я объявлю, не обязательно должно быть моей второй попыткой получить Нобелевскую премию. Думаю, в этом и заключается ловушка».
Источник: www.technologyreview.com
