כשבינה מלאכותית פתרה את תעלומת החלבונים
בדצמבר 2020, בעיצומה של מגפת הקורונה, התכנסו מדענים מרחבי העולם לכנס וירטואלי שהפך לרגע מפנה בהיסטוריה המדעית. ג'ון ג'אמפר מ'גוגל דיפ-מיינד' הציג מערכת בינה מלאכותית בשם אלפא-פולד 2 שהצליחה לפתור אחת הבעיות המדעיות הקשות ביותר, חיזוי מבנה תלת־ממדי של חלבונים. בדיוק של מעל 90%. פי 5 טוב יותר מהמתחרה הקרוב ביותר.
מוחמד אלקוראישי, ביולוג מערכות מאוניברסיטת קולומביה, מספר: "הייתי בהלם. הרבה אנשים היו בהכחשה". ג'ון מולט, מארגן הכנס, הכריז שאלפא-פולד 2 "פתר במידה רבה" את בעיית קיפול החלבונים ושינה לתמיד את מדע החלבונים. אבל זו רק דוגמה אחת. בשנים האחרונות, בינה מלאכותית הפכה לכלי מפתח במעבדות מחקר ברחבי העולם, ומאיצה גילויים בקצב חסר תקדים.
השינוי לא קרה בן לילה. במשך עשרות שנים, מדענים התמודדו עם בעיית קיפול החלבונים, איך לקבוע את המבנה והצורה של חלבון על סמך רצף חומצות האמינו שלו. חלבונים הם מולקולות המגיעות במאות מיליוני צורות שונות, וכל אחד מבצע תפקיד ביולוגי מסוים. התפקיד מוגדר בדרך כלל על ידי הצורה או המבנה התלת־ממדי של החלבון. בשנות החמישים, הביוכימאי כריסטיאן אנפינסן ביצע ניסויים שהצביעו על כך שרצף חומצות האמינו מכיל קוד פנימי המורה לו כיצד להתקפל לחלבון.
העבודה המסורתית הייתה מייגעת להפליא. בשנות ה-70, ג'נט תורנטון, ביופיזיקאית באוניברסיטת אוקספורד, קיבלה כל כמה חודשים חבילה בדואר המכילה סרט מגנטי עם נתונים על מבני חלבונים חדשים. הסרט הראשון הכיל רק 20 מבנים. כל חלבון ייצג שנים של עבודה, לעתים קרובות, תלמיד דוקטורט היה מבלה 4 שנים או יותר בגיבוש חלבון בודד. תורנטון קובעת בנחרצות: "זה היה תהליך מייסר. מדהים שזה בכלל הושלם".
בתחילת שנות ה-90, ג'ון מולט וקולגה שלו קשיסטוף פידליס הקימו ניסוי מדעי קהילתי בשם CASP. הרעיון היה פשוט: המארגנים יפרסמו רשימה של רצפי חומצות אמינו לחלבונים שמבניהם נפתרו לאחרונה אך התוצאות טרם פורסמו. קבוצות חישוביות ברחבי העולם ינסו לחזות את מבנה החלבון בכל שיטה שירצו. כל שנתיים, מדענים התכנסו במרכז הכנסים אסילומר ליד מונטריי, קליפורניה. מולט עודד את המשתתפים לרקוע ברגליהם על רצפות העץ אם הם לא אהבו את מה ששמעו. "היה, בהתחלה, די הרבה רקיעה", הוא זוכר.
למידה עמוקה פוגשת ביולוגיה מולקולרית
ב-2016 קרא דיוויד ג'ונס, פרופסור לביואינפורמטיקה מאוניברסיטת קולג' לונדון, מאמר על אלגוריתם של גוגל דיפמיינד שניצח אלוף אנושי במשחק הלוח העתיק גו. ג'ונס היה נדהם. "דברים קורים", הוא אמר לעצמו, "אני באמת צריך להיכנס ללמידה העמוקה הזו". למידה עמוקה היא סוג של בינה מלאכותית בהשראה רופפת של המוח האנושי, רשתות נוירונים אלקטרוניות שמעבדות מידע על פני שכבות מרובות כדי לייצר תוצאה מסוימת.
בתחילת שנות ה-2000 למדו מדעני מחשב כיצד לבנות רשתות נוירונים טוב יותר. הרשתות הועמקו ל-20, 50, 100 ואז אלפי שכבות. מייקל ליטמן, פרופסור למדעי המחשב באוניברסיטת בראון, מסביר: "כדי להבדיל את זה מהדרך שעשינו זאת בשנות ה-90, אנשים התחילו לקרוא לזה למידה עמוקה". ג'ינבו שו, פרופסור במכון הטכנולוגי של טויוטה בשיקגו, הכיר בפוטנציאל של שימוש בלמידה עמוקה לתקיפת בעיית קיפול החלבונים. ב-2016 הוא פרסם עבודה שהייתה "די משפיעה" לתחום, לדברי מולט.
ב-2017 הגיע ג'ון ג'אמפר למשרדי דיפמיינד בלונדון. כנער, ג'אמפר לימד את עצמו כיצד לתכנת מחשבים. היה לו גם כישרון לפיזיקה. במהלך הדוקטורט שלו בכימיה תיאורטית באוניברסיטת שיקגו, הוא התחיל לחשוב על בעיית קיפול החלבונים. הוא חשד שהבעיה צריכה להיות ניתנת לפתרון עם נתוני האימון הזמינים בבנק הנתונים של חלבונים, עד 2012 הוא הכיל יותר מ-76 אלף מבני חלבונים. "האמנתי שהנתונים מספיקים", אמר ג'אמפר. מה שהיה חסר זה רעיונות.
בעזרתו של ג'ונס כיועץ, הצוות כבר היה עמוק בפיתוח של אלפאפולד. "זה היה זמן מהנה מאוד שבו פשוט זרקנו רעיונות על הקיר", אמר ג'ונס. לאימון האלגוריתם, צוות דיפמיינד השתמש ביותר מ-140 אלף מבנים מבנק הנתונים של חלבונים. עד אביב 2018, אלפאפולד היה מוכן להצטרף ל-CASP ולהתחרות מול מדעני חלבונים אמיתיים. הניצחון שלהם לא היה עצום, הם היו טובים פי 2.5 בחיזוי מבני חלבונים בהשוואה לצוות הטוב הבא, אבל הניצחון שלהם עשה רושם.
הניצחון היה אמור להמריץ את צוות דיפמיינד, אבל הם ידעו שהם לא קרובים לפתרון בעיית קיפול החלבונים. דמיס חסאביס אסף אותם כמה חודשים קודם לכן. "האם אנחנו הולכים לרדוף אחרי הפתרון של זה או לא?" ג'אמפר זוכר אותו אומר. הם החליטו לחזור ללוח השרטוט. תחת הנהגתו של ג'אמפר, אלפאפולד נבנה מחדש. דיפמיינד תכננה סוג חדש של ארכיטקטורת טרנספורמר, סוג של למידה עמוקה ש"הניע בעצם כל פריצת דרך בלמידת מכונה שקרתה בחמש השנים האחרונות", אמר רפאל טאונשנד, שהתמחה ב-דיפמיינד ב-2019.
כשהם התחילו לעבוד על אלפאפולד 2, האלגוריתם שלהם היה "נורא, אבל לא נורא כמו שציפינו", אמר ג'אמפר. ככל שהם שיפרו אותו, הם הבחינו בעליות עצומות ביעילות ובדיוק של התחזיות שלהם. "זה היה ממש מפחיד", אמר ג'אמפר. בקיץ 2020 קיבל מולט אימייל מבודק CASP: "תסתכל על זה, זה די מרשים". מצורף לאימייל היה מבנה חלבון שנפתר על ידי גוגל דיפמיינד. מולט אכן התרשם, אך חשב שזה מקרה חד-פעמי. אז הוא קיבל אימייל נוסף, ועוד אחד. "זה מוזר", הוא זוכר שחשב. היו שלושה, ארבעה, שלל שלם של חיזויי חלבונים כמעט מושלמים וכולם מדיפמיינד.
מפרס נובל ליישומים מציאותיים: המהפכה נמשכת
בודקי CASP מדרגים כל הגשה על ידי השוואת מבנה החלבון החזוי למבנה הניסויי המוכן שלו. ציון מושלם, שבו המודל והמציאות תואמים אטום לאטום, הוא 100. מולט תמיד האמין שכל דבר מעל 90 יצביע על כך שאלגוריתם פתר למעשה את מבנה החלבון. רוב המבנים של אלפאפולד פגעו או עברו את ציון ה-90.
ההצלחה של אלפאפולד 2 עוררה שאלות עמוקות על טבע המדע עצמו. בעוד שרוב הביולוגים מסכימים שבעיית חיזוי המבנה נפתרה, בעיית קיפול החלבונים לא. אלפאפולד 2 יכול לזהות דפוסים באיך רצף חומצות אמינו נתון עשוי להתקפל בהתבסס על הניתוח שלו של מאות אלפי מבני חלבונים. הוא לא יכול לספר למדענים שום דבר על תהליך קיפול החלבונים עצמו.
ההשפעה המעשית של אלפאפולד עצומה. יחד עם המכון האירופי לביואינפורמטיקה, גוגל דיפמיינד שיתפה את התחזיות עבור 200 מיליון חלבונים במאגר נתונים חינמי שבו השתמשו מיליוני חוקרים ברחבי העולם. למעלה מ-3 מיליון חוקרים מלמעלה מ-190 מדינות משתמשים כיום ב-אלפאפולד, כולל חוקרים רבים ממדינות בעלות הכנסה נמוכה ובינונית דמוקרטיזציה של המחקר המדעי ברמה עולמית.
אלפאפולד משמש כיום למגוון רחב של מחקרים פורצי דרך: עצירת מלריה, טיפול במחלת פרקינסון מוקדמת, מאבק באוסטאופורוזיס, הבנת חלבונים פגומים הקשורים לסרטן ואוטיזם, חשיפת חלבון מפתח מאחורי מחלות לב, קידום גילוי תרופות וטיפולים טובים יותר, והאצת המרוץ נגד עמידות לאנטיביוטיקה. בתחום הסביבה והחקלאות: ניהול זיהום פלסטיק, הנדסת גידולים עמידים יותר לאקלים מתחמם, ותמיכה באספקת מזון עולמית.
ההישג המדעי של אלפאפולד זכה להכרה הגבוהה ביותר האפשרית כאשר דמיס חסאביס וג'ון ג'אמפר זכו יחד בפרס נובל בכימיה באוקטובר 2024, לצד דייוויד בייקר על עבודתו בעיצוב חישובי של חלבונים. הכרה זו מדגישה את המהפכה שהביאה הבינה המלאכותית למחקר המדעי.
תגובות
היו הראשונים להגיב!