„Pokud jsem viděl dál, bylo to tím, že jsem stál na ramenou obrů.“

Isaac Newton (volně přeloženo)

V minulém díle jsme skončili u toho, jak AlphaFold 2 v prosinci 2020 konečně překonal hranici skóre 90 na soutěži CASP. A jak jedním rázem odhalil přes 200 milionů struktur bílkovin, tedy prakticky každou, o které věda ví, že v přírodě existuje. V posledním díle série se podíváme, co se s touhle sbírkou vlastně dělo dál – od Nobelovy ceny po vakcíny, umělé protijedy a materiály budoucnosti.

Šest desetiletí práce, jeden zlomový okamžik

Práce popisující AlphaFold 2 byla citována přes 30 tisíckrát a posunula výzkumné laboratoře po celém světě o několik desetiletí dopředu. Přímo pomohla vyvinout vakcínu proti malárii, umožnila rozklíčovat enzymy zodpovědné za antibiotickou rezistenci (a tím znovu zprovoznit léky, které díky ní přestávaly fungovat), a pomohla pochopit, jak mutace bílkovin vedou k nemocem od schizofrenie po rakovinu. Témata, kterým se dosud věnovaly malé a nedostatečně zmapované druhy, se najednou otevřela biologům, kteří měli poprvé přístup k bílkovinám a jejich mechanismům.

V roce 2024 dostali John Jumper a Demis Hassabis polovinu Nobelovy ceny za chemii „za predikci proteinových struktur“. Podle oficiálního odůvodnění Nobelova výboru šlo o naplnění padesát let starého snu, tedy predikovat komplexní strukturu bílkoviny jen z její sekvence aminokyselin. Druhou polovinu ceny dostal David Baker. Ale ne za predikci struktur pomocí Rosetty, nýbrž „za výpočetní design proteinů“, tedy navrhování zcela nových bílkovin od nuly. Podle Nobelova výboru přitom šlo o dvě odlišné, ale příbuzné cesty ke stejnému cíli: zatímco Hassabis a Jumper naučili AI číst v bílkovinách, které už příroda vytvořila, Baker přišel na to, jak vytvářet úplně nové.

Nové bílkoviny na objednávku

Baker k tomu používá podobný typ generativní AI, jaký umí vykreslit obrázek klokana jedoucího na králíkovi, jen ho aplikuje na bílkoviny. Jeho technika, zvaná RFdiffusion, se trénuje tak, že se do známé proteinové struktury přidá náhodný šum a AI se musí naučit ho odstranit. Jakmile je takhle natrénovaná, dá se jí zadat, ať vytvoří bílkovinu pro konkrétní funkci. Dostane náhodný šum jako vstup a sama „vymyslí“ novou bílkovinu, která dělá přesně to, co jste chtěli.

Tahle práce má obrovské praktické dopady. Představte si, že vás uštkne jedovatý had. Pokud máte štěstí, dostanete protijed připravený tak, že se jed nadojí přímo z hada, vstříkne se do živého zvířete a z něj se pak extrahují a přečistí protilátky, které vám nakonec podají. Problém je, že lidé mají na protilátky z jiných organismů často alergie. S nejnovějšími syntetickými bílkovinami z Bakerovy laboratoře jsou ale šance na přežití mnohem lepší. Vznikly tak lidsky kompatibilní proteiny, které dokážou neutralizovat smrtelný hadí jed. Tenhle protijed by šlo vyrábět ve velkém a snadno ho transportovat přesně tam, kde je potřeba.

Baker sám je nejvíc nadšený z vakcín. Jeho laboratoř má několik bílkovin v klinických testech proti rakovině a pracuje na autoimunitních onemocněních. Zajímají je i problémy jako zachytávání skleníkových plynů: navrhují enzymy schopné fixovat metan nebo rozkládat plast. Co dělá tenhle přístup tak účinným, je rychlost, s jakou se dají bílkoviny navrhovat a vylepšovat. Konvenční biochemik by na to potřeboval roky; tady stačí navrhnout design na počítači, získat sekvenci aminokyselin a během pár dní mít hotovou bílkovinu. Baker tomu přezdívá „kovbojská biochemie“ – prostě do toho jdete co nejrychleji, a překvapivě to funguje.

Co to znamená pro vědu obecně

„S velkou mocí přichází velká odpovědnost.“

Spider-Man

To, co udělala AI pro bílkoviny, je jen náznak toho, co dokáže i jinde, ve větším měřítku. V materiálových vědách našel třeba program GNoME od DeepMindu 2,2 milionu nových krystalů. To zahrnovalo i více jak 400 tisíc stabilních materiálů, které by mohly pohánět budoucí technologie od supravodičů po baterie. Umělá inteligence tímhle způsobem vytváří transformativní skoky ve vědě tím, že pomáhá rozlousknout fundamentální problémy, které dlouho blokovaly lidský pokrok.

Pokud si představíte celý strom poznání, existují určité kořenové problémy. Jakmile je odemknete jako skill tree v počítačovém RPG, otevřou vám celou novou větev objevů. Zrychlení o dvě stě procent je fajn. Zrychlení o sto tisíc procent mění, čím se vůbec zabýváte. Najednou stavíte a přestavujete celou novou vědu, protože jednotlivé kroky se staly strašně snadnými.

Tyhle objevy představují skutečnou skokovou změnu ve vědě, a to i kdyby se umělá inteligence od teď už nikam dál nevyvíjela. Jen z těchhle průlomů budeme těžit ještě desítky let. Vzhledem k tomu, kam a jak rychle pokročila a pokračuje, otevírá to možnosti, které jsme donedávna považovali za nemožné – ať už jde o léčbu nemocí, nové materiály, nebo obnovu životního prostředí. Zní to jako slibná budoucnost. Otázka jen je, jestli nás cestou nepředběhne něco úplně jiného.

Co zůstává po skončení série?

„But I ask you what we all want to know
Where are we going from here?“

Blackmore´s Night

Za tři díly jsme prošli celý příběh AlphaFold od Kendrewova velrybího masa a videohry Foldit, přes Evoformer a trojúhelníkovou pozornost, až po Nobelovu cenu a laboratoře generující bílkoviny. Společný jmenovatel celé série je možná tenhle: nejtěžší vědecké problémy se často nevyřeší jedním geniálním nápadem, ale postupným hromaděním desítek dílčích kroků – šedesát let rentgenové krystalografie, soutěž, videohra, a nakonec architektura inspirovaná úplně jiným oborem. A když se to konečně sejde, výsledek dokáže přepsat, co je ve vědě vůbec možné. Doslova přes noc.

Součást série: AlphaFold

Tohle je 3. a poslední díl třídílné série o AlphaFold. Celá série:

• Díl 1/3 – Problém, který se zdál nemožný
• Díl 2/3 – Jak AlphaFold vlastně přemýšlí
• Díl 3/3 – Co to teď umí rozbít (tady jste)

Zdroje: YouTube, TheNobelPrize, ChemistryWorld

Článek AlphaFold, díl 3/3: Co to teď umí rozbít se nejdříve objevil na Seek And Think.