2021: AlphaFolds strukturer publiceras i Nature

Den 15 juli 2021 publicerade DeepMind och medarbetare en banbrytande artikel i tidskriften Nature med titeln "Highly accurate protein structure prediction with AlphaFold". Artikeln beskrev hur ett djupinlärningssystem kunde förutsäga ett proteins tredimensionella form utifrån dess aminosyrasekvens, med en noggrannhet som konkurrerade med års mödosamt laboratoriearbete med röntgenkristallografi eller kryoelektronmikroskopi.

Problemet som AlphaFold tog sig an, ofta kallat "proteinvecknings-problemet", hade plågat biologer i ett halvt sekel. Proteiner är uppbyggda av kedjor av aminosyror, men det är den hopvikta 3D-strukturen som avgör hur de fungerar i kroppen. Att känna till denna struktur är avgörande för att förstå sjukdomar och utveckla nya läkemedel, men att bestämma den experimentellt kunde ta månader eller till och med år per protein.

AlphaFolds förmågor demonstrerades först offentligt i tävlingen CASP14 i december 2020, där systemet överträffade konkurrerande metoder med bred marginal. Nature-artikeln i juli 2021, publicerad tillsammans med en kompletterande artikel i samma nummer, gav forskarvärlden de fullständiga tekniska detaljerna och åtföljdes, avgörande nog, av lanseringen av en öppen databas med förutsagda strukturer, utvecklad tillsammans med European Bioinformatics Institute. Forskare världen över kunde nu slå upp förutsagda strukturer för proteiner de studerade istället för att vänta i åratal på experimentella data.

• Databasen har sedan dess vuxit till att omfatta över 200 miljoner proteiner, i praktiken merparten av alla kända proteiner inom vetenskapen.
• Arbetet har använts i forskning om antibiotikaresistens, malariavaccin, plastnedbrytande enzymer och mycket mer.
• År 2024 delade Demis Hassabis och John Jumper på Nobelpriset i kemi för denna insats, tillsammans med David Baker för relaterat arbete inom proteindesign.

AlphaFold nämns ofta som ett av de tydligaste exemplen på att AI kan skapa genuint vetenskapligt värde bortom text och bilder. Det visar hur maskininlärning, tränad på stora kurerade dataset, kan komprimera decennier av specialiserat experimentellt arbete till några sekunders beräkning. I takt med att AI-verktyg alltmer används inom kemi, materialvetenskap och medicin är den 15 juli 2021 en bra påminnelse om att några av teknikens mest bestående bidrag kanske sker tyst i laboratorier snarare än i rubriker.