Az első háromdimenziós fehérjestruktúrát 1957-ben alkotta meg John Kendrew, az Oxfordi Egyetem kutatója, aki öt évvel később a Nobel-díjat is megkapta a hemoglobin atomi szerkezetének bemutatásáért. Az angol biokémikus - ahogy sokan utána - még az úgynevezett röntgenkrisztallográfia módszerével vizsgálta a fehérjéket, amit később felváltott a krio-elektronmikroszkópos vizsgálat. Egy dolog viszont nem változott: a fehérjék szerkezetét ezekkel a módszerekkel csak borzasztóan lassan és rendkívüli költségek árán lehet megalkotni, így nem csoda, hogy az első felfedezés óta eltelt 65 évben mindössze 141 ezer fehérjeszerkezet került be az ilyen struktúrákat számontartó Protein Data Bankba.

Ezen a területen hozott hatalmas áttörést a DeepMind által kifejlesztett AlphaFold mesterséges intelligencia, amelynek adatbázisa már tavaly júliusban, vagyis a hivatalos elindításakor mintegy 350 ezer fehérje struktúráját tartalmazta. A már korábban lemodellezett, mintegy százezer fehérjeszerkezet alapján betanított neurális hálózat a gépi tanulás segítségével képes megjósolni a még nem ismert struktúrájú fehérjék térbeli szerkezetét, ezt pedig olyan hatékonysággal teszi, hogy mostanra gyakorlatilag az összes ismert fehérje, vagyis mintegy 200 millió molekula alakját sikerült megjósolnia. Mivel az AlphaFold nem elemzi a fehérjéket, hanem csupán a betanult minták alapján "tippel" azok szerkezetére, ezért természetesen a hiba lehetősége nem kizárt, de az eddigi tapasztalatok alapján az MI ezzel együtt is akkora előrelépést hozott a területen, amire még néhány évvel ezelőtt sem számított senki.

Hogy megértsük, miért akkora dolog az AlphaFold adatbázisa, ahhoz tőszavakban ismernünk kell a fehérjék működését. Ezek az aminosavak láncolatából felépülő makromolekulák számos alakot tudnak felvenni, ami meghatározza a funkciójukat is, ahhoz viszont, hogy a kutatók számára hozzáférhetőek legyenek, muszáj tudniuk, hogyan néznek ki. A fehérjék tudnak csavarodni, hajlani, akár összefonódni is, így ha a kutatók olyan molekulát akarnak előállítani, ami képes kapcsolódni egy adott fehérjéhez, az első és legfontosabb információ, amire szükségük van, hogy hogyan épül fel. Ez a kutatást végző cégeknek korábban akár százezer dolláros nagyságrendű kiadásokat is okozhatott, a DeepMind mesterséges intelligenciája ugyanakkor olyannyira lecsökkentette a költségeket, hogy az általa felépített adatbázis minden kutató számára szabadon elérhető.

Ennek már az elmúlt egy évben is számtalan esetben vették hasznát, hiszen tavaly óta mintegy ezer olyan tudományos publikáció született, amely felhasználta az AlphaFold felfedezéseit. A kutatók többek között már Malária-vakcina fejlesztéséhez, egyszer használatos műanyagokat semlegesítő enzimek felfedezéséhez, a Parkinson-kór és az evolúció kutatásához is használják a mesterséges intelligencia felfedezéseit, amely a Portsmouthi Egyetem egyik kutatója szerint legalább egy évvel gyorsította fel a kutatásaikat.

(Cnet, Borítókép: CHRISTOPH BURGSTEDT/SCIENCE PHOTO LIBRARY/Getty Images)

A Deep Mind megfejtette a fehérjék szerkezetének titkát, és ez forradalmasíthatja a biológiát A Google DeepMind által kifejlesztett mesterségesintelligencia-hálózat nekiveselkedett a biológia egyik legnagyobb kihívásának és sikerrel járt. Az AlphaFoldnak elnevezett szoftver az esetek kétharmadában pontosan megjósolta a megadott aminosav szekvenciákból keletkező fehérjék alakzatát, ami egyben a funkciójukat is elárulja.