Next-Gen AI for Science (Рубрика #Science)

Интересный доклад Джона Джампера, нобелевского лауреата по химии, на AI Startup School Y Combinator. Интересно, что Джон получил нобелевскую премию вместе с Демисом Хассабисом, который сильно известнее, так как исполнял роль CEO Google DeepMind (я как-то рассказывал про его выступление о AI решафле в Google). Но вот про Джона я знал не очень много, а этот доклад дал чуть больше информации. Научный путь Джона начался с физики, но после разочарования в академической карьере он перешёл в вычислительную биологию, работая над применением машинного обучения для изучения белков.

Ниже представлены ключевые идеи
1. Революция в предсказании структуры белков
Главным достижением команды Джона стала разработка AlphaFold - системы искусственного интеллекта, которая решила 50-летнюю проблему предсказания трёхмерной структуры белков по их аминокислотной последовательности. На конкурсе CASP14 в 2020 году AlphaFold 2 продемонстрировал точность, сопоставимую с экспериментальными методами, достигнув показателя GDT-TS более 90 для большинства белков. Кстати, я уже говорио про сложность предсказания белков при обзоре книги "От оргазма до бессмертия. Записки драг-дизайнера"
2. Важность исследований в машинном обучении
Джон подчеркнул критическую роль научных исследований наряду с данными и вычислительными мощностями. Как он отметил в докладе, команда смогла показать, что AlphaFold 2, обученная на 1% доступных данных, была столь же точной, как предыдущая версия AlphaFold 1, обученная на полном наборе. Это демонстрирует, что новые идеи и исследования могут быть в 100 раз более ценными, чем простое увеличение объёма данных.
3. Компоненты успеха
По словам Джона, три ключевых компонента привели к прорыву:
- Данные: 200,000 известных структур белков из открытой базы данных PDB
- Вычислительные ресурсы: 128 TPU v3 ядер в течение двух недель для финальной модели
- Исследования: небольшая команда (около двух основных исследователей), разработавшая новые архитектурные решения
4. Открытость и доступность
Критически важным решением стало открытие исходного кода AlphaFold и создание базы данных с предсказаниями структур белков. К 2022 году база данных AlphaFold содержала более 200 миллионов предсказаний структур белков, охватывая практически все известные белки. Эта открытость привела к массовому принятию инструмента научным сообществом.
5. Влияние и применения
AlphaFold уже используется более чем 2 миллионами исследователей в 190 странах. Джон привёл пример специального выпуска журнала Science, посвящённого комплексу ядерных пор, где три из четырёх статей активно использовали AlphaFold, при этом команда DeepMind не участвовала в этих исследованиях напрямую. Пользователи нашли способы применения AlphaFold, которые команда не предвидела. Например, исследователь Йошитаки Мориваки через два дня после выпуска кода показал, как AlphaFold можно использовать для предсказания взаимодействий между белками, что стало лучшим методом предсказания белковых взаимодействий. Джон также рассказал о работе лаборатории MIT, которая использовала AlphaFold для реинжиниринга "молекулярного шприца" - белковой системы, способной доставлять целевые белки в конкретные клетки. Исследователи смогли модифицировать белок для таргетированной доставки лекарств в клетки мозга мыши.

Если подводить итоги, то видно, что такие работы ускоряют научный прогресс в целой области. AlphaFold демонстрирует, как ИИ может работать как усилитель для экспериментальных исследователей, заполняя пробелы в научных знаниях. Наиболее интригующим вопросом, по мнению Джампера, остаётся степень общности применения ИИ в науке. Будет ли это несколько узких областей с трансформационным воздействием или очень широкие системы? Он ожидает, что в конечном итоге будут созданы широкие системы, способные революционизировать науку в целом.

#AI #Science #Architecture #ML #Software #Engineering #Startup