AlphaFold 2는 단백질 구조 예측을 뒤집고 과학의 역사를 바꿉니다.

옥스퍼드 대학의 매튜 히긴스 교수는 머리를 긁는 고전적인 질문인 단백질이 실제로 어떻게 생겼는지 고민하고 있습니다.

2005년부터 그의 연구실은 말라리아 관련 문제에 집중해 왔습니다.

전통적인 기술은 단백질 구조의 모호한 윤곽만 생성할 수 있었기 때문에 Higgins는 혼란스러웠습니다.

그런데 알파폴드2라는 새로운 인공지능 기술을 이용해 말라리아를 일으키는 기생충이 사용하는 핵심 단백질의 구조를 해독했다.

이 획기적인 발전은 현재 인간을 대상으로 테스트 중인 실험용 말라리아 백신을 개발하는 데 도움이 되었습니다.

말라리아는 매년 600만 명 이상의 목숨을 앗아가고 있으며, 이 백신이 이 질병과 싸우는 열쇠가 될 수 있습니다. AlphaFold가 없었다면 우리는 여전히 벽돌벽에 부딪혔을 것이라고 그는 말했습니다.

AlphaFold 2가 과학과 의학을 빠르게 전복시키고 있다는 것은 히긴스의 업적에서 쉽게 알 수 있습니다.

단 몇 년 만에 Alphabet의 인공 지능 스타트업 DeepMind는 바둑 게임에서 승리하는 것에서부터 생물학의 거대한 과제를 해결하는 것으로 성장했으며 현재 100만 명 이상의 연구원, 대학, 연구원은 물론 대기업의 연구원들이 사용하고 있습니다. 제약 회사.

DeepMind CEO Demis Hassabis는 작년 팟캐스트에서 "AlphaFold는 놀랍지만 시작에 불과합니다."라고 말했습니다.

승리부터 과학의 역사를 바꾸다

요즘은 거의 모든 약물의 주요 표적이 단백질이기 때문에, 질병 표현형에 구체적으로 개입하는 방법을 해결하려면 단백질의 구조를 이해하는 것이 핵심입니다.

알파폴드 이전에는 단백질의 구조를 찾는 것이 어려운 작업이었습니다.

전통적인 방법은 연구자들이 단백질을 결정화하여 단백질이 매우 저항하는 염 형태로 바꾸는 것입니다. 이것이 효과가 있다면, 그들은 각 결정에 엑스레이를 쏘고 전자가 어떻게 튕겨져 나와 이미지를 만드는지 관찰했습니다.

이 과정을 반복함으로써 과학자들은 단백질의 3차원 구조를 배울 수 있습니다.

Higgins는 박사 과정 학생이 새로운 구조를 발견하는 데 1~2년이 걸릴 수 있지만 결과가 모호하고 불확실한 경우가 많다고 말했습니다.

DeepMind CEO Demis Hassabis는 체스 신동이자 인공 지능 전도사입니다. 그는 특정 작업을 인간과 같거나 더 잘 수행할 수 있는 인공 지능 시스템을 구축한다는 목표로 2010년 DeepMind를 설립했습니다.

2016년 딥마인드의 인공지능 알파고(AlphaGo)가 바둑에서 세계적인 선수들을 물리쳤습니다.

Go에서 승리한 후, Hassabis와 DeepMind의 최고 과학자 David Silver는 이제 Go에서의 경쟁에서 벗어나 실제 문제를 해결해야 할 때라고 결정했습니다.

그래서 그들은 단백질 문제에 초점을 맞추기 시작했고, 생물학자 John Moult의 수십 년 간의 연구는 DeepMind가 생물학에 진출할 수 있는 길을 열었습니다.

1994년에 그는 CASP 단백질 구조 예측 대회(단백질 구조 예측의 비판적 평가)를 창설했습니다.

참가자에게는 약 100개의 알려지지 않은 단백질의 아미노산 서열이 할당됩니다. 이 단백질의 세 가지 구조는 결정되었지만 아직 공개되지 않았습니다.

팀에서는 이러한 알려지지 않은 구조를 해결하기 위해 수학적 모델을 개발하고 사용하는 데 몇 달이 소요됩니다. Moult는 예측의 정확성을 평가합니다. 100점 척도에서 90점보다 높은 점수는 구조 예측이 완벽에 가깝다는 것을 나타냅니다.

DeepMind는 2018년 CASP 컨퍼런스에서 처음으로 공개적인 시도를 했습니다. AlphaFold의 첫 번째 버전은 대회에서 우승하고 세계 표준을 깨뜨렸습니다. 대회에서 승자 예측 정확도는 일반적으로 약 40%인 반면 AlphaFold의 결과는 60%였습니다.

이 결과는 인상적이지만 AlphaFold의 예측에는 오류가 많고 아직 완벽하지 않습니다. 허사비스는 더 잘하고 싶어한다.

CASP 결과가 발표되기 몇 달 전, AlphaFold의 최고 과학자 중 한 명인 John Jumper는 팀과 함께 기술을 점진적으로 개선할 계획을 세웠습니다.

Hassabis는 아마도 "현재 모델로는 이 문제를 해결하기가 너무 어려운가요? 별도의 모델을 만들어야합니까?"라는 의미로 예기치 않게 중단했습니다.

그 대화 후 Jumper는 그것을 포기했습니다. AlphaFold의 첫 번째 버전, 처음부터 직접 시작했습니다. 점퍼는 "알파폴드2는 단백질에 대한 보다 생물학적, 물리학적 지식을 바탕으로 구축됐다"고 말했다.

2020년 말 CASP에서 알파폴드2는 단백질 구조를 정확하게 예측하는 답안지를 제출했다. 거의 90%에 달하며, 이는 다른 참가자들에 비해 훨씬 높은 수치입니다. 전문가들은 이것이 문제를 효과적으로 해결한다고 믿습니다.

"그 순간 나는 우리가 과학의 역사를 바꾸었다는 것을 알았습니다"라고 점퍼는 말했습니다.

생명 과학 분야의 폭발적인 성장

CASP 이후 몇 달 동안 DeepMind는 빠르게 움직였습니다.

팀은 2020년 크리스마스 즈음에 인체의 단백질이 20,000개 모두 나올 것으로 예측했습니다. 그 결과는 소프트웨어 코드와 함께 2021년 7월 네이처(Nature)의 중요한 논문에 게재되었으며, 이 논문은 하루에 약 15회, 8,800회 이상 인용되었습니다.

Hassabis는 AlphaFold 2를 무료로 출시하기로 한 결정은 인류의 이익을 극대화하기 위한 것이라고 말했습니다.

CNBC에 따르면 DeepMind는 Alphabet의 자회사로서 YouTube, Google 등 다른 Alphabet 기업에 소프트웨어와 서비스를 판매하여 수익을 창출합니다.

이후 허사비스는 약물 연구에 집중하기 위해 2021년 생명공학 스타트업 기업 아이소모픽 랩스(Isomorphic Labs)를 설립했다. 한편, 알파폴드2는 지난해 여름 2억 개의 단백질 구조 예측을 발표하는 등 순조롭게 운영되고 있다.

연구 속도가 빠르게 빨라지고 있습니다.

생의학 연구 디렉토리 PubMed의 데이터에 따르면 2020년에 AlphaFold를 언급한 논문은 4개에 불과했습니다. 이 숫자는 2021년에는 92개 기사, 2022년에는 546개 기사로 증가할 것입니다. 2023년에는 1,000편 이상의 논문이 나올 예정입니다.

약물 연구용 가속기

일부 생명공학 회사에서는 현재 AlphaFold 2를 사용하여 약품을 개발하고 있습니다.

“AlphaFold는 사람들에게 무엇이 가능한지 보여줌으로써 혁신의 물결을 촉발시켰습니다.”라고 AlphaFold를 사용하여 약물 개발을 돕는 보스톤 스타트업인 AI Proteins의 수석 과학자인 Chris Bahl이 말했습니다.

2019년 Raphael Townshend는 Stanford University에서 컴퓨터 공학 박사 학위를 취득하는 동시에 AlphaFold에서 DeepMind 인턴으로 일하고 있었습니다.

현재 그는 샌프란시스코에서 Atomic AI라는 스타트업을 운영하며 소위 "RNA의 알파폴드"를 개발하기를 희망하고 있습니다.

RNA는 우리 유전학(DNA)의 지침을 읽어 체내에서 단백질을 생성합니다.

그의 회사는 RNA 분자의 구조를 예측하고 이러한 연구를 약물 개발에 활용하기를 희망합니다. 다른 생명공학 회사들도 다른 AI 기술과 함께 AlphaFold를 사용하여 잠재적인 신약을 빠르고 저렴하게 발견하고 있습니다.

예를 들어, 스타트업 Insilico Medicine은 AlphaFold와 함께 자체 인공 지능 시스템을 사용하여 간암과 관련된 단백질을 차단할 수 있는 분자를 설계하고 있습니다. 분자 중 하나를 생성하고 실험실 테스트를 통해 그것이 작동하는지 확인했습니다. 회사는 1월에 연구 결과를 발표했습니다.

회사의 CEO인 Alex Zhavoronkov는 그의 팀이 약물 표적을 찾는 것부터 약물을 설계하고 실험실에서 테스트하는 데까지 약 50일, 100만 달러도 채 걸리지 않았다고 주장합니다. 기록.

Zhavoronkov는 사무실에 Hassabis의 사진을 두고 있습니다. "AlphaFold는 놀라운 발견이지만 약물을 시장에 성공적으로 출시하는 데 필요한 거대한 레고 퍼즐의 일부입니다." 이러한 인공지능 기술을 통해 신약 개발이 더욱 빠르고 쉬워지지만, 동물과 인간을 대상으로 실험하는 과정이 아직 수년이 걸리고 임상시험 비용 문제로 인해 인간 대상 연구에 진출할 계획은 없다. 수억 달러.

다음은 무엇입니까

생명공학에서 인공지능의 잠재력은 제한적입니다.

AlphaFold의 예측은 항상 완벽하지는 않습니다. 이 예측 모델은 알려지지 않은 작은 단백질 그룹을 해결하는 데 매우 정확하지만, 예측된 모든 구조가 정확하다는 것을 보장하지는 않습니다.

옥스퍼드대학교의 히긴스 교수는 인공지능의 예측을 재확인하기 위해 스스로 실험실 실험을 사용할 것이라고 밝혔는데, 알파폴드 예측에만 전적으로 의존하는 연구 논문은 실험적 검증이 부족하기 때문에 조심스럽습니다.

이러한 한계에도 불구하고 AlphaFold 2는 특히 2022년에 300만 달러의 혁신상을 수상한 이후 노벨상 논의를 촉발할 만큼 획기적인 발전이었습니다.

워싱턴대학교 컴퓨터과학과 페드로 도밍고스 교수는 알파폴드 팀의 연구는 단백질이 다른 단백질이나 작은 분자와 어떻게 상호작용하는지 등 더 깊은 연구를 하고 있다고 말했습니다.

이들의 연구는 앞으로 점점 더 어려워질 것이고, 다음 연구를 AI가 감당할 수 있을지도 불투명합니다. 그러나 Domingos는 DeepMind 팀이 매우 훌륭하다고 믿기 때문에 향후 개발에 대해 매우 낙관적입니다.

DeepMind는 유전학 분야에서 일부 연구를 수행하고 더욱 복잡한 단백질 상호 작용을 예측했지만, 그들이 다음에 표적으로 삼을 주요 생물학적 문제는 아직 미스터리로 남아 있고 공개되지 않았으므로 앞으로 다른 기관, 회사의 기술 적용도 "이해하기가 점점 더 어려워지고 있습니다."

DeepMind의 Jumper는 그의 AlphaFold 팀이 생물학 연구의 다음 큰 장애물을 해결하는 데 집중하고 있다고 말합니다. 그러나 그것은 비밀로 남아 있습니다.

"저는 이것이 어디로 갈지, 어떤 종류의 기술인지, 미래가 어떤 모습일지에 대한 이론을 가지고 있으며 공개하지 않겠습니다."

위 내용은 AlphaFold 2는 단백질 구조 예측을 뒤집고 과학의 역사를 바꿉니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!