В 2017 году Джон Джампер, только что защитивший докторскую по теоретической химии, узнал о слухах, что Google DeepMind отказывается от создания ИИ для игр на сверхчеловеческом уровне и запускает тайный проект по прогнозированию структур белков. Он подал заявку на работу.
Через три года Джампер отметил неожиданную победу. Вместе с генеральным директором Демисом Хассабисом он возглавил разработку системы ИИ под названием AlphaFold 2, которая определяла структуры белков с точностью до ширины атома, на уровне лабораторных методов, но в разы быстрее — результаты за часы вместо месяцев.
AlphaFold 2 решила задачу, над которой биологи бились полвека. Несколько лет назад Хассабис сказал, что именно это стало причиной основания DeepMind и всей его карьеры в ИИ. В 2024 году Джампер и Хассабис получили Нобелевскую премию по химии.
Пять лет назад на этой неделе AlphaFold 2 поразила ученых. Теперь, когда ажиотаж утих, какой след оставила система? Как ее применяют исследователи? Что впереди? Джампер поделился мыслями, как и несколько других ученых.
Эти пять лет прошли бурно, вспоминает Джампер со смехом: трудно представить время, когда он не общался с толпами журналистов.
За AlphaFold 2 последовали AlphaFold Multimer для структур с несколькими белками и AlphaFold 3 — самая быстрая версия. Google DeepMind применила систему к базе UniProt, которой пользуются миллионы ученых по всему миру. Теперь она предсказала структуры около 200 миллионов белков — почти всех известных науке.
Несмотря на успех, Джампер скромен насчет достижений. Это база предсказаний с оговорками, подчеркивает он. Не значит, что все в ней абсолютно точно.
Сложная задача
Белки — это биологические механизмы, от которых зависит работа живых организмов. Они формируют мышцы, рога, перья; переносят кислород, передают сигналы между клетками; активируют нейроны, переваривают пищу, поддерживают иммунитет — и многое другое. Чтобы понять, что делает белок и как он связан с болезнями или лечением, нужно разобраться в его структуре — а это непросто.
Белки состоят из цепочек аминокислот, которые химические силы сворачивают в запутанные узлы. Прямая цепочка мало говорит о конечной форме. Теоретически белок может принимать огромное число вариантов. Нужно угадать правильный.
Джампер и команда создали AlphaFold 2 на базе трансформера — типа нейросети, как в больших языковых моделях. Такие сети отлично фокусируются на частях большой картины.
Но ключ к успеху — в быстром прототипе для тестов. Мы получили модель, которая выдавала неверные ответы молниеносно, вспоминает Джампер. Это позволило смело экспериментировать с идеями.
Они загрузили в сеть максимум данных о структурах белков, включая сходства форм у белков разных видов в эволюции. Результат превзошел ожидания. Мы знали: это прорыв в подходах, уверен Джампер.
Неожиданным стало, как быстро ученые скачали софт и применили его в разных областях. Обычно реальный эффект дает версия после доработок, отмечает он. Меня удивило, как ответственно с этим обошлись: интерпретировали адекватно, доверяли ровно настолько, насколько можно, без перегибов.
Какие проекты особенно запомнились?
Наука о пчелах
Джампер упоминает группу, изучающую устойчивость медоносных пчел к болезням с помощью AlphaFold. Они разбирались в белке, связанном с гибелью колоний. Никогда бы не подумал, что AlphaFold пригодится для пчелиной науки, признает он.
Он также приводит примеры нестандартного применения — где предсказание структур открыло новые методы исследований, хотя гарантий успеха не было. Во-первых, прогресс в конструировании белков. Дэвид Бейкер и коллеги активно используют эту технологию.
Бейкер, биолог-компьютерщик из Вашингтонского университета, в прошлом году взял Нобелевку по химии вместе с Джампером и Хассабисом за создание искусственных белков. Такие белки лучше натуральных справляются с задачами вроде лечения болезней или разложения пластика.
Команда Бейкера сделала свой инструмент на базе AlphaFold — RoseTTAFold. Но они также тестировали AlphaFold Multimer, чтобы проверить, сработает ли дизайн синтетического белка. Если AlphaFold уверена в структуре, которую вы проектировали, то синтезируют; если сомневается — нет. Это ускорило процесс в 10 раз, говорит Джампер.
Еще один нестандартный подход: превратить AlphaFold в поисковик. Две группы изучали, как сперматозоиды человека соединяются с яйцеклеткой при оплодотворении. Один белок знали, второй — нет. Они прогнали известный белок яйцеклетки против 2000 поверхностных белков спермы и нашли кандидат, который AlphaFold уверенно сочла подходящим. Лабораторные тесты подтвердили.
Идея использовать AlphaFold для того, что раньше было невозможно — просчитать 2000 структур в поисках одной, — поражает, подчеркивает Джампер. Такие применения действительно впечатляют.
Через пять лет
При выходе AlphaFold 2 автор опросил первых пользователей. Отзывы были положительными, но технология казалась слишком свежей, чтобы судить о долгосрочном эффекте. Один из них, молекулярный биолог Клим Вэрба из Университета Калифорнии в Сан-Франциско, поделился обновленными мыслями.
Это крайне полезный инструмент, без сомнений, говорит Вэрба. Мы применяем его ежедневно.
Но идеала нет. Многие используют AlphaFold для патогенов или разработки лекарств, где важны взаимодействия нескольких белков или белков с мелкими молекулами. Система слабее предсказывает такие случаи или динамику со временем.
Вэрба и коллеги привыкли к ограничениям после долгого использования. Бывает, предсказание вызывает вопросы: реально ли это или нет? Граница размыта.
Похоже на ChatGPT, добавляет он: уверенно выдает и правду, и чушь с одинаковой убежденностью.
Тем не менее команда Вэрбы запускает виртуальные эксперименты в AlphaFold — версиях 2 и 3, у каждой свои плюсы. По результатам сужают фокус реальных тестов или отказываются от идей.
Это экономит время, отмечает он: не заменяет опыты, но сильно их дополняет.
Новая волна
AlphaFold создавали универсальной. Теперь стартапы и университетские лаборатории развивают ее идеи в специализированные инструменты для поиска лекарств. В этом году исследователи MIT и компания Recursion по ИИ для фармы выпустили Boltz-2. Модель не только строит структуры белков, но и оценивает, насколько потенциальные молекулы лекарств свяжутся с целью.
В прошлом месяце стартап Genesis Molecular AI представил модель предсказания структур Pearl. По словам фирмы, она точнее AlphaFold 3 для ключевых запросов в разработке препаратов. Pearl интерактивна: разработчики могут подкинуть дополнительные данные для корректировки предсказаний.
AlphaFold дала мощный толчок, но работы хватает, считает Эван Файнберг, глава Genesis Molecular AI: мы продолжаем инновации, но с лучшей базой.
Компания стремится снизить погрешность ниже двух ангстрем — стандарта от AlphaFold — до одного ангстрема, ширины водородного атома, или 10-миллионной доли миллиметра.
Мелкие неточности критичны для оценки связывания лекарства, объясняет Майкл Левин, вице-президент по моделированию в фирме. Химические силы действуют на одном ангстреме, но на двух — уже нет. Это меняет от "не сработает" к "сработает".
С таким оживлением в области, когда ждать новых лекарств на рынке? Джампер реалист: предсказание структур — лишь один этап из многих. Биология полна проблем, и одна структура не лечит болезни.
Представьте: раньше структура в лаборатории стоила 100 тысяч долларов. Если бы все сводилось к таким деньгам, задача уже была бы решена, говорит он.
В то же время ученые стараются выжать максимум из технологии, добавляет Джампер: мы ищем, как сделать предсказание структур еще большим куском пазла, ведь у нас отличный инструмент для этого.
Иными словами, превращаем все в гвозди для нашего молотка? Да, именно так, соглашается он. Как интегрировать то, что ускорили в миллион раз, глубже в процесс?
Что дальше?
Следующий шаг Джампера — объединить узкую глубину AlphaFold с широким охватом больших языковых моделей.
У нас есть машины, читающие науку и рассуждающие научно, говорит он. Плюс сверхъестественные системы для белков. Как их соединить?
Это напоминает систему AlphaEvolve от другой команды Google DeepMind. Она генерирует идеи через языковую модель и проверяет их другой, отсеивая худшее. Ученые уже нашли с ее помощью открытия в математике и информатике.
Это то, о чем думает Джампер? Не буду углубляться в методы, но удивлюсь, если языковые модели не повлияют на науку сильнее, отвечает он. Это волнующий вопрос, о котором я почти ничего не скажу. Конечно, все спекуляции.
Джамперу было 39, когда он получил Нобелевку. Что ждет его дальше?
Это беспокоит, признает он. Кажется, я самый молодой лауреат по химии за 75 лет.
Я примерно на середине карьеры. Мой план — браться за малые идеи, тянуть их потихоньку. Следующий анонс не должен быть второй попыткой на Нобеля. Это ловушка.