机器学习破解了蛋白质折叠问题，并获得了2024年诺贝尔化学奖

无 내용 제공되지 않았습니다. 原文输出如下： The2024年诺贝尔化学奖被识别的德米斯·哈萨比斯, 约翰·贾姆珀以及大卫·贝克利用机器学习来应对生物学上一个最大的挑战：预测蛋白质的三维结构并从头设计它们。

今年的奖项因其表彰了一家科技公司所进行的研究而显得尤为突出：DeepMind，这家人工智能研究初创公司在被收购之前进行了这项研究。谷歌在2014年此前的大多数化学诺贝尔奖都颁发给了学术界的研究人员。许多获奖者后来创立了初创公司，以进一步拓展和商业化他们的开创性工作——例如，CRISPR基因编辑技术以及量子点—但这项研究从始至终都不是在商业领域进行的。

尽管物理学和化学的诺贝尔奖分别颁发，但在2024年获奖的研究之间存在一个迷人的联系。物理学奖��奖研究与化学奖获奖研究之间存在着令人着迷的关联。原文未给出完整句子，因此根据已有内容翻译如下：尽管物理学和化学的诺贝尔奖分别颁发，但在2024年获奖的研究之间存在一个迷人的联系。物理学奖去了两位计算机科学家那里奠定了机器学习基础的人，而化学奖得主则因利用机器学习解决生物学最大的谜题之一：蛋白质如何折叠而获奖。

2024年诺贝尔奖强调了这种人工智能的重要性，以及当今科学往往跨越传统界限，融合不同领域以取得突破性成果。

蛋白质折叠的挑战

蛋白质是生命的分子机器。它们构成了我们身体的很大一部分，包括肌肉、酶、激素、血液、头发和软骨。

理解蛋白质的结构是至关重要的，因为它们的形状决定了其功能。早在1972年，克里斯蒂安·安芬森获得了诺贝尔奖在化学中用于显示蛋白质氨基酸构成单元的序列决定蛋白质的形状，这反过来影响其功能。如果一个蛋白质折叠如果不正确的话，它可能无法正常工作，并可能导致诸如疾病之类的后果。阿尔茨海默病, 囊性纤维化或者糖尿病.

一个蛋白质的整体形状取决于构成它的氨基酸中所有原子之间的微小相互作用，包括吸引力和排斥力。有些部分想要结合在一起，而有些则不然。基于成千上万的这些化学相互作用，蛋白质会扭曲并折叠成最终的形状。

几十年来，生物学面临的最大挑战之一是仅根据氨基酸序列预测蛋白质的形状。尽管研究人员现在可以预测蛋白质的形状，但我们仍然不了解蛋白质如何在微秒内调整为特定形状并最小化所有相互原子之间的排斥力。

为了理解蛋白质的功能并防止错误折叠，科学家们需要一种预测蛋白质折叠方式的方法，但解决这个难题并非易事。

2003年，华盛顿大学生物化学家大卫·贝克尔写了罗塞塔号一个设计蛋白质的计算机程序。用它他证明了可以逆转蛋白质折叠问题的可能性由设计一个蛋白质结构然后进行预测创建它所需的氨基酸序列。

这是一个巨大的飞跃，但用于计算的结构选择很简单，而计算过程却很复杂。为了常规设计具有所需结构的新蛋白质，需要进行重大的范式转变。

机器学习的新时代

机器学习是一种人工智能类型，通过分析大量数据，计算机学会解决问题。它已经被应用于各个领域，从游戏玩耍和语音识别到自动驾驶车辆以及科学研究机器学习的背后理念是利用数据中的隐藏模式来回答复杂问题。

这种方法在2010年当德米斯·哈萨比斯共同创立时有了巨大的飞跃。深度思维公司一家旨在将神经科学与人工智能结合以解决现实世界问题的公司。

哈萨比斯在四岁时就作为一名国际象棋神童迅速引起了人们的关注。阿尔法零一个自学成才的国际象棋AI，达到了超人类水平。2017年，AlphaZero彻底击败了当时的世界顶级计算机国际象棋程序Stockfish-8。该AI能够从自己的游戏中学习，而不是依赖预编程策略，标志着人工智能领域的一个转折点。

不久之后，DeepMind将类似的技术应用于围棋，这是一种以极其复杂而著称的古老棋盘游戏。2016年，其人工智能程序阿尔法围棋击败了世界顶尖棋手李世石之一局令数百万人震惊的备受瞩目的比赛.

2016年，哈萨比斯将深度思维的研究重点转向了一个新的挑战：蛋白质折叠问题。在领导下的约翰·贾姆珀一位具有蛋白质科学背景的化学家开始了AlphaFold项目。团队使用了一个包含大量实验确定的蛋白质结构的大数据库来训练人工智能，这使它能够学习蛋白质折叠的原则。结果是AlphaFold2，一个可以从氨基酸序列精确预测蛋白质3D结构的人工智能。

这是一个重大的科学突破。AlphaFold自那以后预测了超过2亿种蛋白质的结构——基本上涵盖了迄今为止科学家们所测序的所有蛋白质。这海量蛋白质结构数据库现在可以免费获取，加速了生物学、医学和药物研发领域的研究。

设计蛋白质以对抗疾病

理解蛋白质如何折叠和功能对于设计新药物至关重要。酶，一种蛋白质，在生化反应中充当催化剂，可以加速或调节这些过程。为了治疗癌症或糖尿病等疾病，研究人员通常会针对参与疾病途径的特定酶进行研究。通过预测蛋白质的形状，科学家可以确定小分子——潜在的药物候选物——可能会与之结合的位置，这是设计新药的第一步。

2024年，DeepMind发布了AlphaFold3这是AlphaFold程序的升级版本，不仅可以预测蛋白质结构，还能识别小分子与之结合的潜在位点。这一进步使得研究人员更容易设计出精准靶向特定蛋白质的药物。

谷歌收购了Deepmind据称大约为2014年的五亿美元谷歌深度思维现在已经开始了一个新的项目，同构实验室与制药公司合作开展真实世界研究药物开发使用这些AlphaFold3预测结果。

戴维·贝克继续对作出重要贡献蛋白质科学。他所在的华盛顿大学团队开发了一种基于人工智能的方法，称为"家族范围内的幻觉，他们用它从零开始设计全新的蛋白质。幻觉是新的模式——在这种情况下，是指蛋白质——这些模式在逻辑上是合理的，意味着它们与AI训练数据中的模式相吻合。这些新蛋白质中包括一种发光的酶，这表明机器学习可以帮助创造出新型的人工合成蛋白质。这些人工智能工具提供了设计功能性酶和其他无法自然进化的蛋白质的新方法。

人工智能将开启研究的下一个篇章

哈萨比斯、贾姆佩尔和贝克的获奖成就表明了机器学习不仅仅是一个工具用于计算机科学家它现在是生物和医学未来的一个重要组成部分。

通过解决生物学中最难的问题，2024年获奖者在药物发现、个性化医疗甚至对我们自身生命化学的理解方面开启了新的可能性。

本文重新发布自对话在知识共享许可下。阅读详情条款原文章.