Ekziston një fjalë e urtë e vjetër në biologji: struktura përcakton funksionin. Për të kuptuar funksionin e proteinave të panumërta që kryejnë punë jetike në një trup të shëndetshëm – ose keqfunksionojnë në një trup të sëmurë – shkencëtarët duhet së pari të përcaktojnë strukturën molekulare të tyre.
Por kjo nuk është e lehtë: molekulat e proteinave përbëhen nga zinxhirë të gjatë e të përdredhur deri në mijëra aminoacide, komponime kimike që mund të ndërveprojnë me njëri-tjetrin në shumë mënyra për të marrë një numër të madh të formave të mundshme tre-dimensionale. Zbulimi i strukturës së një proteine të vetme, ose zgjidhja e “problemit të palosjes së proteinave, mund të marrë vite eksperimentesh të vështira”.
Por në fillim të këtij viti, një program i Inteligjencës Artificiale i quajtur AlphaFold, zhvilluar nga kompania në pronësi të Google DeepMind, parashikoi strukturat 3-D të pothuajse çdo proteine të njohur. Bëhet fjalë për rreth 200 milionë gjithsej.
CEO i DeepMind, Demis Hassabis dhe shkencëtari i lartë i stafit të kërkimit, John Jumper, morën së bashku “Çmimin e Zbulimit” prej 3 milionë dollarësh të këtij viti në Shkencat e Jetës, e cila hap derën për aplikime që variojnë nga zgjerimi i të kuptuarit tonë të biologjisë molekulare bazë deri tek përshpejtimi i zhvillimeve në sektorin e barnave.
DeepMind zhvilloi AlphaFold-in menjëherë pasi programi tjetër i Inteligjencës Artificiale i saj AlphaGo, u bë lajm në 2016 duke mposhtur kampionin botëror Go Lee Sedol në lojë.
Por qëllimi ishte gjithmonë zhvillimi i AI që mund të trajtonte probleme të rëndësishme në shkencë, thotë Hassabis. DeepMind ka bërë që strukturat e proteinave nga pothuajse çdo specie për të cilat ekzistojnë sekuenca aminoacide të jenë disponueshme lirisht në një bazë të dhënash publike.
Scientific American foli me Hassabis për zhvillimin e AlphaFold, duke mësuar mbi disa prej aplikacioneve të tij potenciale dhe konsideratat etike të AI shumë të sofistikuar.
Pse vendosët të krijoni AlphaFold dhe si arritët në pikën ku ai tani mund të zbërthejë pothuajse çdo proteinë të njohur?
Ne e filluam projektin afërsisht një ditë pasi u kthyem nga ndeshja AlphaGo në Seul, ku mundëm Lee Sedol, kampionin e botës po flisja me Dave Silver, drejtuesin e projektit në AlphaGo, dhe po diskutonim “Cili është projekti tjetër i madh që duhet të bëjë DeepMind?”
Ndihesha sikur ishte koha për të trajtuar diçka vërtet të vështirë në shkencë, sepse sapo kishim zgjidhur pak a shumë kulmin e lojërave AI. Doja të aplikoja më në fund AI në domenet e botës reale. Ky ka qenë gjithmonë misioni i DeepMind: të zhvillojë algoritme për qëllime të përgjithshme që mund të zbatohen në përgjithësi në shumë e shumë probleme.
Ne filluam me lojëra sepse ishte vërtet efikase të zhvillonim projekte dhe të testonim gjërat në lojëra për arsye të ndryshme. Por në fund të fundit, ky nuk ishte kurrë qëllimi përfundimtar. Qëllimi përfundimtar ishte [zhvillimi] i gjërave si AlphaFold.
Ka qenë një projekt i madh – punë me vlerë rreth pesë ose gjashtë vjet përpara. Ne kishim një version të mëparshëm në konkursin CASP13, dhe ai ishte AlphaFold 1. Kjo ishte gjendja e artit, e dini, shumë më mirë se çdokush më parë dhe mendoj se një nga herët e para që mësimi i makinerisë ishte përdorur si komponenti kryesor i një sistemi për të provuar dhe zgjidhur këtë problem.
Unë kam punuar dhe duke menduar për AI të përgjithshme për të gjithë karrierën time, madje edhe në universitet. Prirem të shënoj probleme shkencore dhe mendoj se një ditë mund të jetë e përshtatshme për llojet e algoritmeve që ndërtojmë, dhe zbërthimi proteinave ishte gjithmonë aty për mua, që nga vitet 1990. Unë kam pasur shumë, shumë miq biologë që më flisnin për këtë gjatë gjithë kohës.
A mund të shpjegoni, në një nivel shumë të thjeshtë, se si funksionon AlphaFold?
Është një gjë mjaft e ndërlikuar. Dhe ne nuk dimë shumë gjëra me siguri. Është e qartë se AlphaFold 2 po mëson diçka të nënkuptuar në lidhje me strukturën e kimisë dhe fizikës. Ajo disi e di se cilat gjëra mund të jenë të besueshme. Është mësuar se duke parë strukturat reale të proteinave, ato që ne njohim. Por gjithashtu, një nga risitë që kishim ishte të bënim diçka të quajtur vetë-distilim, që është: të merrni një version të hershëm të AlphaFold 2 për të parashikuar shumë struktura – por edhe për të parashikuar nivelin e besimit në ato parashikime.
Një nga gjërat që ndërtuam ishte ky kuptim i këndeve të lidhjeve kimike dhe gjithashtu historisë evolucionare duke përdorur një proces të quajtur shtrirje me shumë sekuenca. Këto sjellin disa kufizime, të cilat ndihmojnë në ngushtimin e hapësirës së kërkimit të strukturave të mundshme proteinike. Hapësira e kërkimit është shumë e madhe për t’u bërë me forcë brutale. Por padyshim, fizika e botës reale e zgjidh këtë disi sepse proteinat palosen në nanosekonda ose milisekonda. Në mënyrë efektive, ne po përpiqemi ta ndryshojmë atë proces duke mësuar nga shembujt e prodhimit. Unë mendoj se AlphaFold ka kapur diçka mjaft të thellë në lidhje me fizikën dhe kiminë e molekulave.
Gjëja magjepsëse për AI në përgjithësi është se është një lloj kutie e zezë. Por në fund të fundit, duket sikur po mëson rregullat aktuale për botën natyrore.
Po, pothuajse po mëson për të në një kuptim intuitiv. Mendoj se do të kemi gjithnjë e më shumë studiues që do të shikojnë zonat e proteinave që AlphaFold nuk është i mirë për t’i parashikuar dhe duke pyetur: “A janë ata në të vërtetë të çrregullt në biologji kur proteina nuk ka një formë të qartë, kur nuk ndërvepron me diçka? Rreth 30 për qind e proteinave mendohet të jenë të çrregullta. /abcnews.al
