AlphaFold 2 renverse la prédiction de la structure des protéines et change l'histoire de la science

Matthew Higgins, professeur à l'Université d'Oxford, est aux prises avec une question classique : à quoi ressemblent réellement les protéines ?

Depuis 2005, son laboratoire se concentre sur les problématiques liées au paludisme.

Les techniques traditionnelles ne pouvaient produire que de vagues contours des structures protéiques, ce qui a dérouté Higgins.

Cependant, en utilisant une nouvelle technologie d'intelligence artificielle appelée AlphaFold 2, il a déchiffré la structure d'une protéine clé utilisée par le parasite responsable du paludisme.

Cette percée l'a aidé à développer un vaccin expérimental contre le paludisme qui est actuellement testé chez l'homme.

Le paludisme tue plus de 6 millions de personnes chaque année, et ces vaccins pourraient être la clé pour lutter contre la maladie. Sans AlphaFold, a-t-il déclaré, nous pourrions encore nous heurter à un mur de briques.

Il est facile de voir, d’après les réalisations de Higgins, qu’AlphaFold 2 bouleverse rapidement la science et la médecine.

En quelques années seulement, DeepMind, la startup d'intelligence artificielle d'Alphabet, est passée du stade de victoire de jeux de Go à la résolution des grands défis de la biologie, et est désormais utilisée par plus d'un million de chercheurs, d'universités et de chercheurs, ainsi que par des chercheurs de grandes sociétés pharmaceutiques. entreprises.

Le PDG de DeepMind, Demis Hassabis, a déclaré dans un podcast l'année dernière : "AlphaFold est surprenant, mais ce n'est que le début."

De la victoire de Go au changement de l'histoire de la science

De nos jours, les protéines sont les principales cibles de presque tous les médicaments. Comprendre la structure des protéines est donc la clé pour déterminer comment intervenir de manière spécifique dans les phénotypes de maladies.

Avant AlphaFold, trouver la structure d'une protéine était une tâche difficile.

La méthode traditionnelle consiste pour les chercheurs à cristalliser la protéine et à la transformer en une forme de sel à laquelle la protéine est très résistante. Si cela fonctionnait, ils bombardaient chaque cristal avec des rayons X et observaient comment les électrons rebondissaient dessus pour créer l'image.

En répétant ce processus, les scientifiques peuvent apprendre la structure 3D d'une protéine.

Higgins a déclaré qu'il faudrait peut-être un an ou deux à un doctorant pour découvrir une nouvelle structure, mais les résultats sont souvent vagues et incertains.

Demis Hassabis, PDG de DeepMind, est un prodige des échecs et un évangéliste de l'intelligence artificielle. Il a fondé DeepMind en 2010 dans le but de créer des systèmes d’intelligence artificielle capables d’effectuer certaines tâches aussi bien, voire mieux, que les humains.

En 2016, AlphaGo, le système d'intelligence artificielle de DeepMind, a vaincu des joueurs de classe mondiale dans le jeu de Go.

Après sa victoire au Go, Hassabis et David Silver, un scientifique de haut niveau chez DeepMind, ont décidé qu'il était temps de s'éloigner de la compétition de Go et de se concentrer sur la résolution de problèmes du monde réel.

Ils ont donc commencé à se concentrer sur les problèmes liés aux protéines, et les décennies de travail du biologiste John Moult ont ouvert la voie à DeepMind pour entrer en biologie.

En 1994, il fonde le concours CASP Protein Structure Prediction (Critical Assessment of Protein Structure Prediction).

Les participants se verront attribuer les séquences d'acides aminés d'environ 100 protéines inconnues. Les trois structures de ces protéines ont été déterminées mais n'ont pas été publiées.

Les équipes auront plusieurs mois pour développer et utiliser des modèles mathématiques pour résoudre ces structures inconnues. Moult évalue l’exactitude de leurs prédictions. Sur une échelle de 100, un score supérieur à 90 indique que la prédiction de la structure est proche de la perfection.

DeepMind a fait sa première tentative publique lors de la conférence CASP en 2018. La première version d'AlphaFold a remporté des concours et a battu les standards mondiaux. Dans les compétitions, la précision des prédictions des gagnants est généralement d'environ 40 %, tandis que le résultat d'AlphaFold était de 60 %.

Bien que ce résultat soit impressionnant, les prédictions d'AlphaFold comportent de nombreuses erreurs et ne sont pas encore parfaites. Hassabis veut faire mieux.

Quelques mois avant la publication des résultats du CASP, John Jumper, l'un des meilleurs scientifiques derrière AlphaFold, planifiait avec son équipe d'apporter des améliorations progressives à la technologie.

Hassabis les a arrêtés de manière inattendue, signifiant probablement "Est-il trop difficile de résoudre ce problème avec le modèle actuel ? Dois-je créer un modèle séparé ?"

Après cette conversation, Jumper a abandonné la première version d'AlphaFold, directement à partir de zéro. Jumper a déclaré : "AlphaFold 2 est construit sur la base de davantage de connaissances biologiques et physiques sur les protéines."

Au CASP fin 2020, AlphaFold 2 a remis la feuille de réponses, avec une précision dans la prédiction de la structure des protéines. Près de 90 %, bien plus que les autres concurrents. Les experts estiment que cela résout efficacement le problème.

"À ce moment-là, je savais que nous avions changé l'histoire de la science", a déclaré Jumper.

Croissance explosive dans les sciences de la vie

Dans les mois qui ont suivi le CASP, DeepMind a évolué rapidement.

L'équipe a prédit la totalité des 20 000 protéines présentes dans le corps humain vers Noël 2020. Les résultats ont été publiés en juillet 2021, avec le code du logiciel, dans un article fondateur de Nature, cité plus de 8 800 fois, soit environ 15 fois par jour.

Hassabis a déclaré que la décision de publier AlphaFold 2 gratuitement vise à maximiser le bénéfice de l'humanité.

Selon CNBC, DeepMind, en tant que filiale d'Alphabet, gagne de l'argent en vendant des logiciels et des services à d'autres sociétés d'Alphabet, telles que YouTube et Google.

Ensuite, Hassabis a créé la startup de biotechnologie Isomorphic Labs en 2021 pour se concentrer sur la recherche de médicaments. Pendant ce temps, AlphaFold 2 fonctionne sans problème, publiant l’été dernier 200 millions de prédictions sur la structure des protéines.

Le rythme de la recherche s'accélère rapidement.

Selon les données de l'annuaire de recherche biomédicale PubMed, seuls 4 articles référençaient AlphaFold en 2020. Ce nombre passera à 92 articles en 2021 et 546 articles en 2022. Il y aura plus de 1 000 articles en 2023.

Accélérateur pour la recherche sur les médicaments

Certaines sociétés de biotechnologie utilisent désormais AlphaFold 2 pour développer des médicaments.

« AlphaFold a déclenché une vague d'innovation en montrant aux gens ce qui était possible », a déclaré Chris Bahl, scientifique en chef chez AI Proteins, une startup de Boston qui utilise également AlphaFold pour aider à développer des médicaments.

En 2019, Raphael Townshend travaillait chez AlphaFold en tant que stagiaire DeepMind tout en complétant son doctorat en informatique à l'Université de Stanford.

Maintenant, il dirige une startup appelée Atomic AI à San Francisco, dans l'espoir de développer ce qu'il appelle « l'AlphaFold de l'ARN ».

L'ARN lit les instructions de notre génétique (ADN) pour créer des protéines dans le corps.

Son entreprise souhaite prédire la structure des molécules d'ARN et espère utiliser ces études pour développer des médicaments. D’autres sociétés de biotechnologie utilisent également AlphaFold en conjonction avec d’autres technologies d’IA pour découvrir rapidement et à moindre coût de nouveaux médicaments potentiels.

Par exemple, la startup Insilico Medicine utilise son propre système d'intelligence artificielle avec AlphaFold pour concevoir des molécules capables de bloquer les protéines associées au cancer du foie. Il a créé l’une des molécules et utilisé des tests en laboratoire pour confirmer son efficacité. La société a publié l'étude en janvier.

Le PDG de la société, Alex Zhavoronkov, affirme qu'il n'a fallu à son équipe qu'environ 50 jours et moins d'un million de dollars pour passer de la recherche de la cible du médicament à la conception du médicament et à son test en laboratoire, ce qui, selon lui, est le médicament. enregistrer.

Zhavoronkov a une photo de Hassabis dans son bureau, "AlphaFold est une merveilleuse découverte, mais il fait partie d'un puzzle Lego géant dont vous avez besoin pour réussir à commercialiser un médicament

Cependant." , bien que cette technologie d'intelligence artificielle rende le développement de médicaments plus rapide et plus facile, la société ne prévoit pas de faire progresser ses médicaments jusqu'aux études sur l'homme en raison du coût des essais cliniques, car le processus de tests sur les animaux et les humains est encore Cela prendra de nombreuses années et des centaines de millions de dollars.

Quelle est la prochaine étape

Le potentiel de l’intelligence artificielle en biotechnologie est limité.

Les prédictions d'AlphaFold ne sont pas toujours parfaites, ce modèle de prédiction est très précis pour résoudre un petit groupe de protéines inconnues, mais cela ne garantit pas que toutes les structures prédites sont correctes.

Higgins de l'Université d'Oxford a déclaré qu'il utiliserait lui-même des expériences en laboratoire pour revérifier les prédictions de l'intelligence artificielle, il se méfie donc des articles de recherche qui s'appuient entièrement sur les prédictions d'AlphaFold car ils manquent de vérification expérimentale.

Malgré ces limites, AlphaFold 2 constitue une avancée majeure qui a même suscité des discussions sur un prix Nobel, surtout après avoir remporté le Breakthrough Prize de 3 millions de dollars en 2022.

Pedro Domingos, professeur d'informatique à l'Université de Washington, a déclaré que les recherches de l'équipe AlphaFold sont plus approfondies, comme la manière dont les protéines interagissent avec d'autres protéines ou de petites molécules. De telles questions sont très significatives.

Leurs recherches deviendront de plus en plus difficiles à l'avenir, et il n'est pas clair si l'IA sera capable de gérer les prochaines recherches. Mais Domingos estime que l'équipe de DeepMind est très bonne et est donc très optimiste quant à son développement futur.

DeepMind a effectué des recherches en génétique et prédit des interactions protéiques plus complexes, mais le problème biologique majeur qu'ils cibleront ensuite reste mystérieux et n'a pas été révélé, donc d'autres institutions à l'avenir, l'application de sa technologie par l'entreprise sera également être « de plus en plus difficile à saisir ».

DeepMind's Jumper affirme que son équipe AlphaFold se concentre sur la suppression du prochain grand obstacle de la recherche biologique. Mais cela reste un secret.

"J'ai mes théories sur la direction que cela pourrait prendre, de quel type de technologie il s'agit et à quoi pourrait ressembler l'avenir, et je ne les révélerai pas

."

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!