DeepMind حل مسئله “چالش بزرگ” تاشو پروتئین با AlphaFold AI

دمیس حسابیس ، مدیرعامل Alphabet ، گروه تحقیقاتی Google DeepMind ، در اجلاس Google Future of Go در چین در تاریخ 23 مه 2017.

لندن – DeepMind متعلق به حروف الفبا قطعه ای از نرم افزار هوش مصنوعی را توسعه داده است که می تواند ساختاری را که پروتئین ها طی چند روز در آن شکافته می شوند را با دقت پیش بینی کند و یک “چالش بزرگ” 50 ساله را حل کند که می تواند زمینه را برای درک بهتر فراهم کند. بیماری ها و کشف دارو

هر سلول زنده هزاران پروتئین مختلف درون خود دارد که آن را زنده و زنده نگه می دارد. پیش بینی شکلی که پروتئین در آن شکسته می شود از اهمیت زیادی برخوردار است زیرا عملکرد آنها را تعیین می کند و تقریباً همه بیماری ها از جمله سرطان و زوال عقل به نحوه عملکرد پروتئین ها مربوط می شوند.

پروفسور دام جانت تورنتون از انستیتوی بیوانفورماتیک اروپا در تماس تلفنی با خبرنگاران گفت: “پروتئین ها زیباترین و زیبا ترین سازه ها هستند و توانایی پیش بینی دقیقاً چگونگی جمع شدن آنها بسیار بسیار چالش برانگیز است و افراد زیادی را به خود مشغول کرده است.”

سیستم هوش مصنوعی “AlphaFold” آزمایشگاه تحقیقاتی انگلیس DeepMind در مسابقه ای برگزار شد که توسط گروهی به نام CASP (ارزیابی انتقادی برای پیش بینی ساختار) سازمان یافته بود. این یک سازمان آزمایش جامعه است که مأموریت دارد تسریع در حل یک مسئله باشد: نحوه محاسبه ساختار سه بعدی مولکول های پروتئین.

CASP ، که 25 سال است پیشرفت در این زمینه را رصد می کند ، ارسال های مسابقه را با “استاندارد طلای آزمایشی” مقایسه می کند. روز دوشنبه ، آن گفت که سیستم AlphaFold DeepMind به دقت بی نظیری در پیش بینی ساختار پروتئین دست یافته است.

پروفسور جان مولت ، رئیس صندلی CASP ، قبل از اعلامیه در یک تماس مطبوعاتی گفت: “DeepMind جلوتر رفته است.” “یک چالش بزرگ 50 ساله در علوم کامپیوتر تا حد زیادی حل شده است.”

مولت اضافه کرد که “در طراحی مواد مخدر” و در زمینه تازه شکل گیری طراحی پروتئین “تأثیرات عمده ای وجود دارد.”

با حدود 1000 پرسنل و بدون درآمد ، DeepMind به یک شرکت گران قیمت برای پشتیبانی Alphabet (والدین گوگل) تبدیل شده است. با این حال ، به عنوان یکی از رهبران در مسابقات جهانی AI به همراه افرادی مانند Facebook AI Research ، Microsoft و OpenAI ظاهر شده است.

این موفقیت توسط مدیر عامل Google ، سوندار پیچای در توییتر مورد استقبال قرار گرفت.

بنیانگذار و مدیر اجرایی DeepMind ، دمیس حسابیس در این فراخوان گفت: “چشم انداز نهایی DeepMind همیشه ساخت هوش مصنوعی عمومی بوده و سپس استفاده از آن برای کمک به ما در درک بهتر جهان پیرامون با تسریع بسیار زیاد سرعت کشف علمی. ”

شرکتی که گوگل در سال 2014 به مبلغ 600 میلیون دلار خریداری کرده است ، بیشتر به دلیل ایجاد سیستم های AI شناخته شده است که می تواند بازی هایی مانند Space Invaders و بازی رومیزی باستانی چینی Go را انجام دهد. با این حال ، همیشه گفته است که می خواهد بیشتر تأثیر علمی داشته باشد.

حسابیس گفت: “بازی ها زمینه اثبات خوبی برای توسعه و آزمایش موثر الگوریتم های کلی است که روزی امیدوار بودیم مانند مشکلات علمی بتوانیم آنها را به حوزه های دنیای واقعی منتقل کنیم.” “ما احساس می کنیم AlphaFold اولین نکته اثبات کننده برای این پایان نامه است. این الگوریتم ها اکنون به اندازه کافی بالغ و کاملاً قدرتمند شده اند تا در مسائل علمی واقعاً چالش برانگیز قابل استفاده باشند.”

DeepMind همچنین در سال 2018 وارد یک مسابقه تاشو پروتئین CASP شد. اگرچه نتایج آن زمان چشمگیر بود ، اما جان جامپر ، پیشرو آلفافولد در DeepMind ، گفت که تیم می داند راهی برای تولید چیزی با “ارتباط بیولوژیکی بسیار قوی یا رقابت با آزمایش” وجود دارد “

با این وجود رقابت امسال قایقرانی ساده نبود و جامپر گفت که DeepMind سه ماه بدون هیچ پیشرفتی ادامه داد. “ما آنجا می نشستیم و نگران بودیم آیا داده ها را تمام كرده ایم؟” او گفت.

حتی با نزدیک شدن به مهلت مسابقه ، جامپر و تیمش هنوز نگران این بودند که اشتباه کنند. وی گفت: “همیشه خطایی وارد سیستم های یادگیری ماشین می شود.”

اما به نظر می رسد تلاش آنها نتیجه داده است. وی گفت: “ما واقعاً تصور می كنیم كه سیستمی ساخته ایم كه اطلاعات صحیح و قابل اجرا را برای زیست شناسان آزمایشی فراهم می كند.” “دلیل ساختاری شما این است که چیزی در مورد جهان طبیعی درک کنید و سپس حتی س questionsالات بیشتری بپرسید. ما فکر می کنیم سیستمی ساخته ایم که واقعاً به مردم در انجام این کار کمک خواهد کرد.”

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>