Ilustracja: Niklas Elmehed, The Nobel Prize

Eksperci i ekspertki Centrum Informacyjnego Tygodnia Noblowskiego Centrum Współpracy i Dialogu Uniwersytetu Warszawskiego (CWiD UW) skomentowali decyzję Kapituły:

– Muszę przyznać, że dla nikogo z nas ta Nagroda nie była zaskoczeniem. We wtorek zostało nagrodzone uczenie maszynowe, a tegoroczna Nagroda Nobla w dziedzinie chemii dotyczy zastosowania metod do poznania, odkrywania, zrozumienia i projektowania struktur białek. Jest to metoda, która wykorzystuje uczenie maszynowe, ale jej zasady i działanie zostały umożliwione dzięki ponad stuleciu stosowania metod doświadczalnych wykorzystanych do poznania struktur białek. Najpierw, przez krystalografię rentgenowską, następnie przez kriogeniczną mikroskopię elektronową, dzięki czemu w bazie danych zostało zdeponowane ponad 100 tys. struktur białek. Tak więc wieloletnia doświadczalna praca naukowców została wykorzystana do tego, by umożliwić to, co było od dawna marzeniem wszystkich badaczy zajmujących się biologią strukturalną – mianowicie nauczenie algorytmów tego, by przewidywały miliony najróżniejszych białek i ich struktury, a także projektowały nowe, jeszcze nieznane naturze.  Metody, za które została przyznana Nagroda Nobla, nie potrafią wyjaśnić, jak białka się zwijają. To jest proces dynamiczny, odbywający się w otoczeniu innych białek i kwasów nukleinowych. Natomiast można sobie wyobrazić, jak teraz wygląda zastosowanie sztucznej inteligencji do generowania obrazów. W bardzo prosty sposób można wygenerować fake obrazki i to dokładnie robi deep mind – halucynuje struktury białek w postaci skończonej. Narzędzie, które umie teraz przewidywać struktury białek, to jest coś bardzo cennego. Dzięki niemu możemy w przyszłości z dużo większą pewnością od razu projektować leki czy próbować porównywać skuteczność przeciwciał, mając modele strukturalne białek danego wirusa – mówi dr Maria Górna z Zakładu Chemii Teoretycznej i Strukturalnej, Wydziału Chemii UW.

– Białka są biopolimerami złożonymi z cegiełek budulcowych, które nazywamy aminokwasami. Problem przewidywania struktury trójwymiarowej białek polega na tym, że cegiełki te mogą wzajemnie się obracać. Takie izomery nazywamy izomerami konformacyjnymi. Takich potencjalnych struktur jest bardzo dużo i ta liczba rośnie bardzo szybko wraz z liczbą aminokwasów wbudowanych w łańcuch polipeptydowy. Dotychczas, aby przewidywać strukturę trójwymiarową takiego łańcucha, należało białko wyizolować, oczyścić, wykrystalizować i przeprowadzić badania strukturalne takimi metodami, o jakich wspominała dr Maria Górna. Dodam do tego spektroskopię magnetycznego rezonansu jądrowego NMR – to takie trzy podstawowe techniki. Komputer nie liczy tego od początku, nie przewiduje tej struktury, nie posiadając danych wejściowych, tylko najpierw analizuje bogatą bibliotekę danych, które wcześniej zgromadzono i wypełnia luki. Oczywiście tych białek w naturze jest dużo więcej niż 100 tys., niemniej potrzebujemy bardzo dobrych danych wyjściowych, żeby takie algorytmy rozwijać. Natomiast działają one świetnie. Są organizowane specjalne konkursy, które tego typu algorytmy jak AlphaFold mogą sprawdzać w praktyce. Mamy już trzecią edycję tego programu AlphaFold i bije ona na głowę konkurencyjne metody – dodaje dr hab. Paweł W. Majewski, prof. ucz. z Zakładu Chemii Teoretycznej i Strukturalnej, Wydziału Chemii UW.

– Białka są to makrocząsteczki, które odgrywają fundamentalną rolę w funkcjonowaniu naszego organizmu. Są zaangażowane w niemal wszystkie procesy życiowe. Są enzymami, czyli takimi katalizatorami, które przyspieszają reakcje chemiczne zachodzące w naszym organizmie. Bez nich organizm nie byłby w stanie prawidłowo funkcjonować. Pełnią dosłownie wszystkie funkcje w organizmie człowieka. Liczba różnych białek w organizmie człowieka wynosi 10-12 tys., w zależności od definicji pojedynczego białka. Lata badań strukturalnych nad białkami umożliwiły zbudowanie bazy wiedzy i jest to pewien hołd dla sztucznej inteligencji, która znakomicie radzi sobie w tym konkretnym przypadku. Dzięki tym postępom jesteśmy w stanie projektować nowe białko o nowych funkcjach. Być może takie, które działają poza organizmami, ale w przyszłości z pewnością też będziemy mogli konstruować białka, które funkcjonują w organizmach w oparciu o nową, poprawioną funkcję. Dzięki temu, że znamy struktury białek, możemy je poznawać znacznie szybciej, znacznie prościej, łatwiej nam też projektować nowe czynniki terapeutyczne, nowe leki, które bardziej skutecznie będą oddziaływać z celami terapeutycznymi, jakimi są białka. Znaczenie tego odkrycia jest naprawdę olbrzymie w kontekście inżynierii nowych białek, ale również całych układów, jak np. sztucznych organizmów, które funkcjonują w oparciu o sztuczne białka i mają szczególne cechy. Są też zastosowania, które już obecnie mają miejsce, czyli projektowanie nowych leków. Hołd dla sztucznej inteligencji, złożony przez Komitet Noblowski, w tym konkretnym przypadku jest jak najbardziej zasłużony. To doskonały przykład sytuacji, w której dysponujemy ogromną ilością danych o wysokiej jakości, które można ze sobą porównywać. Dzięki niezwykłej wydajności obliczeń można przewidzieć struktury białek, zarówno tych, które już znaliśmy i możemy zweryfikować, jak i tych, których jeszcze nie znaliśmy, a poznaliśmy dopiero później metodami eksperymentalnymi. To doskonały przykład, że sztuczna inteligencja może nam pomóc. Natomiast moim zdaniem nieprawdą jest, że sztuczna inteligencja bez wystraczającego dostępu do wartościowych danych może stworzyć nową jakość. Być może w przyszłości to będzie możliwe, ale musimy posługiwać się tym narzędziem bardzo krytycznie – uważa prof. dr hab. Jacek Jemielity z Centrum Nowych Technologii UW.

– Ważnym aspektem tego odkrycia jest zaoferowanie pewnej „instrukcji obsługi” procesu zwijania białek. Dotychczasowa sytuacja przypominała układanie klocków, gdzie, choć mniej więcej wiemy, w jakiej kolejności je połączyć, dysponowaliśmy jedynie fragmentami instrukcji. Natomiast teraz dostaliśmy niemal pełną instrukcję. I nie dotyczy to tylko tych białek, które istnieją, tych sekwencji, które znamy z natury, ale również takich sekwencji, które możemy sobie wyobrazić jako syntetyczne i próbować na tej bazie budować układy, które będą miały specyficzne zastosowania. Warto podkreślić pozabiologiczne zastosowania. Przykładowo, w chemii panuje dość mocny trend polegający na znalezieniu pewnego rodzaju substancji naśladujących działanie enzymów, które mamy np. w organizmie i wykorzystanie ich np. w alternatywnych źródłach energii jako efektywnych cząsteczek umożliwiających pozyskiwanie tej energii. I teraz dostajemy narzędzie, które potencjalnie daje nam możliwość zaprojektowania takiego enzymu w pełni syntetycznego, który będzie charakteryzował się dużo większą trwałością niż enzymy pozyskiwane z żywych organizmów. Uważam, że jest to otwarcie na wielu tak naprawdę polach badawczych. Chciałbym podkreślić, że dzisiejsza Nagroda jest ukłonem w stronę rzeszy naukowców, którzy przez lata pracowali nad rozwiązywaniem struktur białek. Bez pracy u podstaw i eksperymentalnych danych pozwalających ustalić ściśle te struktury w tej chwili rozwiązanie struktur dla milionów białek byłoby prawdopodobnie mało realne – podsumowuje prof. dr hab. Sławomir Sęk z Zakładu Chemii Nieorganicznej i Analitycznej, Wydziału Chemii UW.

Fot. CWiD UW