Как это работает
У изучения структуры белка длинная история. Еще в 1961 году было доказано, что трехмерная форма белка, о которой мы говорили выше, определяется только аминокислотной последовательностью, а не процессом синтеза на рибосоме (и здесь мы снова отсылаем читателя к статье о Нобелевке по медицине и физиологии). В 1969 году впервые удалось химически синтезировать полностью функциональный белок – в пробирке, без участия рибосомы. Из этого чисто логически вытекает вывод: если известна составляющая белок аминокислотная последовательность (это как раз относительно несложная задача), то можно предсказать и трехмерную структуру белка.
От принципа до реализации прошло полстолетия.
Сначала в авангарде были физики, которые взялись изучать белки как физические объекты и попытались создать алгоритм определения структуры, используя минимальное количество параметров. Их оказалось порядка 50 тысяч, но рабочий алгоритм так и не был создан: параметры оказались не вполне точны, а вариантов возможных структур белковой цепи с заданными аминокислотами – триллионы. Задача оптимизации – понять, какая из этих триллионов структур будет иметь наименьшую энергию, значит, будет более устойчивой, значит, будет существовать на деле, – физикам не поддалась.
Однако в 2010-х годах за дело взялись нейросети, о которых Настоящее Время подробно писало вчера, рассказывая о Нобелевской премии по физике. Белки кажутся идеальной для них задачей – сила нейросети как раз в том, что она готова "съесть" практически любое количество данных и "играть" с гигантским числом параметров. В итоге в 2018 году компания DeepMind представила программу AlphaFold по предсказанию трехмерной структуры белка. И в 2020 году путем тренировок AlphaFold2 добилась успеха в предсказаниях структуры белков с точностью от 88 до 90%, почти как в экспериментах РСА – только без каких-либо экспериментов и быстро. AlphaFold – это 21 миллион подгоночных параметров и еще миллиарды бит информации в банках белковых данных, где она может искать похожие фрагменты в уже расшифрованных белках. Очень много по сравнению с пятьюдесятью тысячами, но нейросети все равно – и в этом ее прелесть.
Как же понять, успешна ли модель? Это тоже удалось сделать весьма "ненаучным", нефизическим методом. Создатели модели смогли с ее помощью корректно предсказать структуру практически всех 200 миллионов белков, которые идентифицировали исследователи на момент ее создания. С момента их прорыва AlphaFold2 использовали более двух миллионов человек из 190 стран.
Теперь любой желающий может установить программу на компьютер и начать предсказывать трехмерные структуры белка – или найти структуру любого известного белка в базе данных AlphaFold.
Зачем это нужно?
Зная трехмерную структуру белка, мы можем узнать и о его функции. Например, расшифровка структуры так называемого шиповидного (спайк) белка коронавируса, которым он цепляется за клетки хозяина, сделала возможной борьбу с вирусом, помогла искать вакцины и лекарства. И это верно для любых вакцин и лекарств: понимать мишень, на которую они должны быть направлены, – это половина успеха.
Здесь стоит отдельно поговорить о третьем лауреате – Дэвиде Бейкере. Нейросети – это работа Хассабиса и Джампера, а Бейкер – специалист по созданию новых белков, не существующих в природе, но с нужными нам свойствами. В 2003 году ему удалось создать первый такой белок, и с тех пор его исследовательская группа возглавляет это направление, разрабатывая белковые фармацевтические препараты, вакцины, наноматериалы и даже крошечные детекторы. Уже сейчас белки с заданными свойствами вышли за пределы биологии и медицины даже в рыночных продуктах: их добавляют в порошки, чтоб они лучше стирали, их едят вместо сахара, ими заменяют катализаторы, включающие вредные для среды металлы, например. Исследователи теперь могут лучше понять устойчивость к антибиотикам и создать модели ферментов, которые могут разлагать пластик. Но работа Бейкера и его последователей тоже совершила кардинальный рывок благодаря AlphaFold2 – чем больше ты знаешь существующих белков, понимаешь их структуру и функцию, тем больше у тебя шансов создать полезный новый.
Нобелевка Google – больше не шутка
В профессиональных кругах революционная роль AlphaFold – общее место, белковая наука благодаря ей переживает совершенный взрыв. Но Нобелевка казалась невозможной по техническим, бюрократическим причинам – не давать же ее гуглу! 2024 год подвинул традиционную академическую науку с трона главного производителя передового научного знания: Google получил сразу три Нобелевки.
Джеффри Хинтон, уволившийся из компании в 2023-м, стал лауреатом по физике, а Хассабис и Джампер из того же Google получили премии по химии, не являясь дипломированными химиками или даже биохимиками, как Бейкер. И тем не менее это премия по химии. Установление структуры вещества – это химическая задача, и над ней традиционно работали химики (автор этой статьи – выпускница химического факультета МГУ, защитившая кандидатскую диссертацию по РСА комплексных соединений).
В итоге после объявления лауреатов соцсети многих ученых полны негодованием о том, какое отношение имеет машинное обучение к физике или химии и почему премии вообще получают люди "других профессий". Их оппоненты считают, что такие критики просто сами теряют связь с современной наукой – и это заставляет их нервничать.
Другие истории:
Я живу без желудка. Мне пришлось заново учиться есть. Но самым сложным оказалось принять свое новое тело
Я обеднела после 2022 года. Я покупала брендовые сумки и летала за границу на выходные. Теперь мне хватает только на самое необходимое
Тайна семьи: 6 странных смертей за 14 лет вынудили брата и сестру провести собственное расследование
Пьяный военный — это теперь едва ли не худший пассажир, судя по рассказам проводников
В моей квартире живет 21 кот. Я трачу на них больше 100 тысяч в месяц