KI: DeepMind mengklaim telah memecahkan masalah pelipatan protein

Di Go, para ahli DeepMind telah berhasil – setidaknya dengan interpretasi mereka sendiri yang tak tertandingi – karena mereka telah berhasil menciptakan kembali intuisi manusia. Masalah dengan lipatan protein, di sisi lain, tidak bertindak seperti masalah di mana perasaan membantu dalam bentuk apa pun. Namun yang terjadi justru sebaliknya, jelas Hassabis. Di video game “Lipat” , di mana Anda harus melipat kembali protein ke dalam struktur 3-D yang benar, ia mengklaim telah mengamati bagaimana pemain yang baik mengembangkan firasat dari waktu ke waktu yang membantu mereka memecahkan masalah. “Mereka telah belajar menemukan pola dalam struktur protein terlipat,” kata Hassabis.

Mencari model – ini adalah tugas yang hampir ditakdirkan oleh AI. Pada 2016, tahun kesuksesan Go, timnya mulai mengerjakan pelipatan protein. DeepMind telah membentuk sistem pembelajaran mesin dengan urutan tiga dimensi dan struktur 100.000 protein yang dikenal. Masalah dengan cepat ternyata sulit untuk diselesaikan, Jumper melaporkan. Dua tahun lalu di CASP13, DeepMind juga merupakan salah satu tim terkemuka, tetapi hasilnya jauh dari kenyataan biologis. Kali ini, tim telah bergabung dengan ahli biologi, fisikawan, dan ilmuwan komputer dalam tim interdisipliner – dan itu sudah menunjukkan bahwa kecerdasan buatan tidak hanya tentang mengumpulkan data dalam satu pot dan meninggalkan sistem. Mencari model dengan bebas.

“Dalam beberapa minggu, kami akan menguraikan proteome manusia”(Demis Hassabis)

Persaingan menggunakan apa yang disebut “uji jarak keseluruhan” (GDT), metrik yang mengukur kesamaan dua struktur protein – misalnya satu diprediksi (dimodelkan) dan satu ditentukan secara eksperimental. Metrik berkisar dari 0 hingga 100. Sistem AlphaFold baru telah mencapai nilai median 92,4 GDT dari 100 struktur. Kesalahan sistem rata-rata adalah sekitar 1,6 angstrom – kira-kira lebar atom. Menurut Moult, nilai sekitar 90 GDT secara informal dianggap kompetitif dibandingkan dengan metode laboratorium konvensional.

Kompleks protein masih menjadi masalah

Sistem DeepMind didasarkan, antara lain, pada pendekatan berdasarkan perhatian: dalam pembelajaran mendalam, perhatian secara kasar menggambarkan mekanisme yang mirip dengan otak manusia: kita dapat memilih dari banyak Informasi dalam waktu singkat yaitu karena keputusan saat ini sangat relevan, dan hal-hal yang tidak penting sebaiknya tidak dipertimbangkan. Menurut Jumper, perangkat lunak DeepMind melakukan hal yang serupa: “Kami memiliki banyak sekali informasi mengenai pelipatan protein, fisika, geometri, pengaruh asam amino satu sama lain.” Jalan menuju solusi seperti menyusun teka-teki: “Pulau-pulau lokal muncul di mana koneksi jelas, dan pada akhirnya Anda mengisi celah tersebut.”

Moult, pendiri CASP, menegaskan bahwa protein di mana AlphaFold berada lebih jauh dari larutan eksperimental, antara lain, di mana molekul tetangganya memengaruhi bentuk lipatan. “Ketika protein membentuk kompleks, ada hampir lebih banyak interaksi antara subunit daripada di protein itu sendiri, yang membentuk salah satu subunit ini.” Tentu saja, ini hampir tidak dapat diprediksi oleh sistem pembelajaran mesin yang tidak mengenal lingkungan. “Ini masalah dengan metode.” Namun demikian, pembelajaran mendalam mungkin merupakan cara masa depan untuk menguraikan pelipatan protein: kali ini, lebih dari setengah tim yang dikirim menggunakan pembelajaran mendalam.

Para ahli terkesan dengan hasilnya, pertama Janet Thornton dari European Institute of Bioinformatics (EMBL-EBI), yang telah mempelajari masalah pelipatan protein selama 50 tahun, “sejak masalah itu ada,” katanya. Kompetisi CASP menawarkan tes yang sangat bagus untuk memeriksa kualitas prediksi yang dihasilkan komputer. “Saya tidak berpikir masalah ini akan terpecahkan dalam hidup saya,” aku pelopor bioinformatika struktural, tetapi sekarang dia berharap: “Ini adalah langkah maju yang besar.”