Umělá inteligence společnosti DeepMind už před rokem rozluštila záhadu, kterou lidští vědci nedokázali vyřešit celé desítky let. Odhalila strukturu proteinů, tedy stavebních kamenů života. Teď se díky tomuto objevu podařilo shromáždit databázi téměř všech struktur lidských bílkovin. Celá byla teď zpřístupněna on-line všem vědcům světa zdarma.
Umělá inteligence vyřešila za rok záhadu zamotaných proteinů. Lidským vědcům to nešlo desítky let
Klíčem k pochopení našich základních biologických mechanismů je jejich architektura. Řetězce aminokyselin, z nichž se skládají bílkoviny, se stáčí, kroutí a podivně šmodrchají a vytvářejí tak ty nejpodivnější a na první pohled velmi chaotické trojrozměrné tvary.
Právě tyto propracované formy vysvětlují různé funkce bílkovin; od enzymů, které jsou klíčové pro metabolismus, až po protilátky, které bojují proti infekčním útokům.
Popsat tyto struktury, jež jsou zásadní pro pochopení prakticky celé oblasti biologie, se ukázalo jako nesmírně náročné. Přestože se s tímto výzkumem začalo už v polovině 50. let minulého století, podařilo se rozluštit a popsat strukturu pouze zlomku lidských bílkovin. Každá z nich je totiž složená z tisíců až milionů atomů a celá struktura je natolik titěrná, zamotaná a křehká, že laboratorní výzkum je sisyfovská práce.
Jenže společnost DeepMind před rokem na tento problém nasadila svou specializovanou umělou inteligence AlphaFold založenou na principu neuronové sítě – tedy jakéhosi strojového učení, které napodobuje některé funkce lidského mozku. Ta během krátkého času lidské vědce předběhla a dokázala předpovědět strukturu téměř dvaceti tisíc proteinů, které se u člověka objevují.
Vědci pak výsledky umělé inteligence otestovali: srovnali její předpovědi s podobou těch proteinů, které dokázali za sedmdesát let popsat lidé. Ukázalo se, že stroj dovedl v 95 procentech případů předpovědět tvar bílkoviny velmi spolehlivě.
K čemu to je?
Společnost DeepMind, která patří majiteli Googlu, firmě Alphabet, na tomto přelomovém výzkum spolupracovala s Evropským bioinformatickým institutem (EMBL-EBI) při Evropské laboratoři molekulární biologie. Doufá, že vytvoření veřejně přístupné databáze proteinů pomůže výzkumníkům z celého světa analyzovat fungování života v atomárním měřítku. Mohli by totiž zjistit, jak fungují doposud neodhalené příčiny některých nemocí, mohlo by to ale vést i k zatím jen těžko představitelnému pokroku v rámci medicíny šité na tělo.
Využití ale sahá daleko za hranice medicíny. Protože jsou tyto struktury součástí všeho živého, daly by se výsledky výzkumu použít i v zemědělství při vývoji výživnějších nebo odolnějších plodin či dokonce v energetice a ekologii – už dlouho se zkoumají enzymy, které by dokázaly rozložit plasty.
Podle vyjádření DeepMindu se během posledních měsíců řada takových projektů rozběhla, na výsledky ale bude třeba ještě počkat. Deník Guardian uvedl, že některé z nich se týkají i výzkumů viru SARS-CoV-2, který způsobuje nemoc covid-19.
„Aplikace jsou vlastně omezeny pouze naší představivostí – na základní úrovni ale databáze AlphaFold zvýší naše porozumění fungování proteinů a jejich roli v základních životních procesech,“ uvedla generální ředitelka EMBL Edith Heardová. „Toto porozumění znamená, že budeme lépe vybaveni k odhalování molekulárních mechanismů života a urychlíme naše úsilí o ochranu a léčbu lidského zdraví i zdraví naší planety. Zpřístupnění tohoto nástroje urychlí sílu výzkumných objevů a inovací pro vědce na celém světě,“ dodala.
Schopnost AlphaFold předpovídat strukturu proteinů se závratnou přesností byla loni představena na „proteinové olympiádě“, která se koná každé dva roky. Účastníci dostali sekvence aminokyselin pro přibližně sto proteinů a měli za úkol je vypočítat. AlphaFold nejenže zastínil výkon jiných počítačových programů, ale dosáhl přesnosti podobné pracným laboratorním metodám.
„Málem jsem spadl ze židle nadšením a úžasem, že se podařilo vyřešit tento dlouholetý problém, jak se skládají proteiny,“ řekl profesor Ewan Birney, ředitel EMBL-EBI, poté, co byly výsledky vloni v listopadu poprvé prezentovány.
