The biggest problems in the world might be solved by tiny molecules unlocked using AI. Take your big idea online today with https://ve42.co/hostinger - code VE at checkout.
A huge thank you to John Jumper and Kathryn Tunyasuvunakool at Google Deepmind; and to David Baker and the Institute for Protein Design at the University of Washington for their invaluable expertise and explanations.
We’re incredibly grateful to Juanita Bagawan and Lucie Kerley at Google Deepmind, and Ian C. Haydon at the UW Institute for Protein Design for their assistance with some of the animation and imagery used in this video.
Special thanks to those at Google DeepMind Production Studios for their help interviewing John Jumper:
Director - Bernardo Resende
Director of Photography - Robert Messere
Senior Audio Technician - Perry Rogantin
Senior Production Coordinator - Sarah Ellen Morton
Studio Manager - Nicholas Duke
For more on this topic head over to our Patreon for the exclusive extended interview https://www.patreon.com/posts/patreon-with-cut-122274530?utm_medium=clipboard_copy&utm_source=copyLink&utm_campaign=postshare_creator&utm_content=join_link
▀▀▀
0:00 How to determine protein structures
3:50 Why are proteins so complicated?
5:34 The CASP Competition and Deep Mind
9:08 How does Alphafold work?
12:06 3 ways to get better AI
14:24 What is a Transformer in AI?
17:15 The Structure Module
18:35 Alphafold 2 wins the Nobel Prize
20:36 Designing New Proteins - RF Diffusion
22:58 The Future of AI
▀▀▀
Try Snatoms! A molecular modelling kit I invented where the atoms snap together.
https://ve42.co/SnatomsV
▀▀▀
References and Credits:
How AI Revolutionized Protein Science, but Didn’t End It. (Jun 2024) via Quanta Magazine - https://ve42.co/airev
Jumper, J., Evans, R., Pritzel, A. et al. (Jul 2021). Highly accurate protein structure prediction with AlphaFold. Nature - https://ve42.co/alphafoldtwo
Senior, A.W., Evans, R., Jumper, J. et al. (Jan 2020). Improved protein structure prediction using potentials from deep learning. Nature - https://ve42.co/alphafold
R Zwanzig, A Szabo, B Bagchi (Jan 1992). Levinthal's paradox. PMC, National Institute of Health - https://ve42.co/levparadox
Khatib, F., DiMaio, F., Foldit Contenders Group. et al. (Sept 2011). Crystal structure of a monomeric retroviral protease solved by protein folding game players. Nature - https://ve42.co/proteinfoldingsolved
DeepMind co-founder: Gaming inspired AI breakthrough. (Dec 2020) via BBC - https://ve42.co/aibreakthrough
3Blue1Brown. (Apr 2024). Transformers (how LLMs work) explained visually | DL5 via Youtube - https://ve42.co/transformers
AlphaFold impact stories. via Deepmind Blog - https://ve42.co/foldimpact
Quanta Magazine. (Oct 2024). How AI Cracked the Protein Folding Code and Won a Nobel Prize via Youtube - https://ve42.co/proteinfolding
Looking Glass Universe. (Apr 2024). how AlphaFold *actually* works via Youtube - https://ve42.co/foldworks
Google DeepMind. (Nov 2020). Alp
A huge thank you to John Jumper and Kathryn Tunyasuvunakool at Google Deepmind; and to David Baker and the Institute for Protein Design at the University of Washington for their invaluable expertise and explanations.
We’re incredibly grateful to Juanita Bagawan and Lucie Kerley at Google Deepmind, and Ian C. Haydon at the UW Institute for Protein Design for their assistance with some of the animation and imagery used in this video.
Special thanks to those at Google DeepMind Production Studios for their help interviewing John Jumper:
Director - Bernardo Resende
Director of Photography - Robert Messere
Senior Audio Technician - Perry Rogantin
Senior Production Coordinator - Sarah Ellen Morton
Studio Manager - Nicholas Duke
For more on this topic head over to our Patreon for the exclusive extended interview https://www.patreon.com/posts/patreon-with-cut-122274530?utm_medium=clipboard_copy&utm_source=copyLink&utm_campaign=postshare_creator&utm_content=join_link
▀▀▀
0:00 How to determine protein structures
3:50 Why are proteins so complicated?
5:34 The CASP Competition and Deep Mind
9:08 How does Alphafold work?
12:06 3 ways to get better AI
14:24 What is a Transformer in AI?
17:15 The Structure Module
18:35 Alphafold 2 wins the Nobel Prize
20:36 Designing New Proteins - RF Diffusion
22:58 The Future of AI
▀▀▀
Try Snatoms! A molecular modelling kit I invented where the atoms snap together.
https://ve42.co/SnatomsV
▀▀▀
References and Credits:
How AI Revolutionized Protein Science, but Didn’t End It. (Jun 2024) via Quanta Magazine - https://ve42.co/airev
Jumper, J., Evans, R., Pritzel, A. et al. (Jul 2021). Highly accurate protein structure prediction with AlphaFold. Nature - https://ve42.co/alphafoldtwo
Senior, A.W., Evans, R., Jumper, J. et al. (Jan 2020). Improved protein structure prediction using potentials from deep learning. Nature - https://ve42.co/alphafold
R Zwanzig, A Szabo, B Bagchi (Jan 1992). Levinthal's paradox. PMC, National Institute of Health - https://ve42.co/levparadox
Khatib, F., DiMaio, F., Foldit Contenders Group. et al. (Sept 2011). Crystal structure of a monomeric retroviral protease solved by protein folding game players. Nature - https://ve42.co/proteinfoldingsolved
DeepMind co-founder: Gaming inspired AI breakthrough. (Dec 2020) via BBC - https://ve42.co/aibreakthrough
3Blue1Brown. (Apr 2024). Transformers (how LLMs work) explained visually | DL5 via Youtube - https://ve42.co/transformers
AlphaFold impact stories. via Deepmind Blog - https://ve42.co/foldimpact
Quanta Magazine. (Oct 2024). How AI Cracked the Protein Folding Code and Won a Nobel Prize via Youtube - https://ve42.co/proteinfolding
Looking Glass Universe. (Apr 2024). how AlphaFold *actually* works via Youtube - https://ve42.co/foldworks
Google DeepMind. (Nov 2020). Alp
Kategorie
🗞
NewsTranskript
00:00Was, wenn alle weltweit größten Probleme,
00:03von Klimawandel bis zur Heilung von Krankheiten,
00:06bis zur Entfernung von Plastikwäsche,
00:08was, wenn sie alle die gleiche Lösung hätten?
00:11Eine Lösung, so klein, dass sie unbesehrbar wäre.
00:14Ich bin begeistert davon, dass dies möglich ist,
00:16dank einer recenten Breakthrough,
00:18die eines der größten Probleme des letzten Jahrhunderts
00:20aufgeführt hat,
00:21wie man die Struktur eines Proteins bestimmen kann.
00:24Es wurde mir als Äquivalent des Fermats-Lars-Theorem beschrieben,
00:27aber für Biologie.
00:28Über sechs Jahrzehnte haben Tausende von Biologen
00:31die Struktur von 150.000 Proteinen
00:33leidenschaftlich ausprobiert.
00:36Dann, in nur ein paar Jahren,
00:38hat ein Team von rund 15
00:40die Struktur von 200 Millionen bestimmt.
00:43Das ist fast jede Proteine, die in der Natur existiert.
00:46Wie haben sie es gemacht?
00:48Und warum hat dies das Potenzial,
00:50Probleme außerhalb der Biologie zu lösen?
00:54Eine Proteine beginnt einfach
00:56mit einem Strang von Aminoaciden.
00:58Jedes Aminoacid hat einen Karbonatom im Zentrum.
01:01Auf einer Seite ist ein Amin-Grupp
01:03und auf der anderen Seite ist ein Karboxyl-Grupp.
01:06Und das letzte, was sie verbunden ist,
01:08könnte einer von 20 verschiedenen Seitenchains sein.
01:11Und welcher entscheidet,
01:13welcher von den 20 verschiedenen Aminoaciden
01:15diese Molekül ist.
01:17Der Amin-Grupp eines Aminoacids
01:19kann mit dem Karboxyl-Grupp eines anderen reagieren,
01:21um eine Peptide-Bindung zu erzeugen.
01:23Also können eine Reihe von Aminoaciden
01:25eine Stränge erzeugen.
01:27Und das Drücken und Drücken
01:29zwischen unzähligen Molekülen,
01:31elektrostatischen Kräften,
01:33Hydrogenbindungen, Solvenz-Interaktionen
01:35können diese Stränge aufbauen
01:37und sich zusammenbinden.
01:39Dies entscheidet letztendlich die 3D-Struktur
01:41der Proteine.
01:43Und diese Form ist das,
01:45was wirklich an der Proteine zählt.
01:47Sie ist für einen bestimmten Zweck gebaut,
01:49und die Proteine haben das perfekte Bindungsgebiet,
01:51um Oxygen in deinem Blut zu tragen.
01:53Das sind Maschinen.
01:55Sie müssen in der richtigen Orientierung sein,
01:57um zusammenzuarbeiten,
01:59um zum Beispiel die Proteine in deinen Muskeln zu bewegen.
02:01Sie verändern ihre Form ein bisschen,
02:03um zu ziehen und sich zu konzentrieren.
02:05Aber es würde viel Zeit dauern,
02:07um die Struktur eines Proteins zu schaffen.
02:09Absolut. Also wie sollten Proteine aussehen?
02:11Das wurde nur mit
02:13experimentellen Techniken angefangen.
02:15Der erste Weg, wie eine Proteinstruktur
02:17ausgestattet wurde, war es,
02:19eine Kristalle aus dieser Proteine zu schaffen.
02:21Diese wurde dann mit X-Rays ausgestattet,
02:23um eine Diffraktion zu erzeugen.
02:25Und die Wissenschaftler haben dann
02:27nach hinten gearbeitet, um herauszufinden,
02:29welche Form von Molekülen
02:31eine solche Struktur erzeugen würde.
02:33Es hat britischer Biochemiker John Kendrew
02:3512 Jahre gedauert, um die erste Proteinstruktur zu schaffen.
02:37Sein Ziel war eine Protein,
02:39die Oxygen aufbaut, namens Myoglobin,
02:41eine wichtige Protein in unseren Herzen.
02:43Er hat zuerst ein Hörnchen ausprobiert,
02:45aber das hat ziemlich kleine Kristalle erzeugt,
02:47weil es nicht genug Myoglobin hatte.
02:49Er wusste,
02:51dass Dive-Mammalen viel Myoglobin
02:53in ihren Muskeln haben, weil sie das Beste sind,
02:55um Oxygen zu behalten,
02:57also hat er einen riesigen Stück
02:59Schweinefleisch aus Peru erzielt.
03:01Das hat Kendrew endlich genügend Kristalle
03:03zu schaffen, um eine X-Ray-Diffraktion zu erzeugen.
03:05Und als es herauskam, sah es wirklich seltsam aus.
03:07Die Leute erwarteten etwas Logisches,
03:09Mathematisches, Verständliches,
03:11und es sah fast, ich würde nicht sagen,
03:13schmutzig aussehen, aber intrikiert und komplex,
03:15wie wenn man einen Rocketmotor sieht,
03:17und alle Teile hängen ab.
03:19Diese Struktur,
03:21die in den Jahrhunderten
03:23der dritte genannt wurde,
03:25gewann Kendrew den Nobelpreis in Chemie im Jahr 1962.
03:27In den nächsten zwei Jahrzehnten
03:29wurden nur rund 100 mehr
03:31Strukturen entwickelt.
03:33Auch heute ist Proteinkristallisierung
03:35eine große Herausforderung.
03:37Ehrlich gesagt ist es nicht ungewöhnlich,
03:39dass nur ein paar Proteinstrukturen
03:41der gesamten Ph.D. von jemandem sein können.
03:43Manchmal nur ein, manchmal sogar
03:45nur einen Schritt nach vorne.
03:47Und es ist teuer.
03:49X-Ray-Kristallisierung kostet
03:51tens von tausenden Dollar pro Protein.
03:53Also suchten Wissenschaftler einen anderen Weg,
03:55um Proteinstrukturen zu entwickeln.
03:57Es kostet nur rund 100 Dollar,
03:59um eine Protein-Sequenz von Aminoaciden zu finden.
04:01Also, wenn man das benutzen könnte,
04:03um herauszufinden, wie die Proteine folgen,
04:05würde das viel Zeit, Anstrengung
04:07und Geld kosten.
04:09Es geht darum, wie ein Sulfur
04:11mit einem Nitrogen verbunden ist.
04:13Und wenn diese hier sind,
04:15dann könnte ich mir vorstellen,
04:17dass dieser hier folgt.
04:19Also, es sieht so aus,
04:21dass, wenn man eine gewisse
04:23basale molekuläre Dynamik hat,
04:25man herausfinden kann,
04:27wie eine Protein folgen wird.
04:29Eine der wenigen echten Voraussetzungen
04:31in der Biologie war eigentlich
04:33Linus Pauling, der die Geometrie
04:35der Proteinblöcke betrachtet
04:37Aber weiter als Helices und Schichten
04:39konnte der Biochemiker
04:41keine verlässlichen Formen herausfinden,
04:43die zu der letzten Struktur aller Proteine führen würden.
04:45Eine Grundlage dafür ist,
04:47dass Evolution keine Proteine
04:49von der Erde hergestellt hat.
04:51Es ist wie ein Programmierer,
04:53der nicht weiß, was er tut,
04:55und wenn es gut aussieht,
04:57fügt er einfach so hinzu.
04:59Und das ist, wie man mit diesen
05:01sowohl fantastischen Objekten
05:03als auch unglaublich komplexen und schwer zu beschreiben hat.
05:05Es ist wie ein menschlich gestaltetes
05:07Maschinengebäude.
05:09Um zu illustrieren,
05:11wie kompliziert dieser Prozess ist,
05:13hat der MIT-Biologe Cyrus Leventhal
05:15eine Rückmeldung der Envelope gemacht.
05:17Und er hat gezeigt,
05:19dass sogar eine kurze Protein-Strecke
05:21mit 35 Amino-Aziden
05:23in ein astronomisches Anzahl von Wegen folgen kann.
05:25Also, auch wenn ein Computer
05:27die Energieunstabilität
05:29von 30.000 Konfigurationen
05:31pro Nanosekunde überprüft,
05:33hat er die Möglichkeit,
05:35die richtige Struktur
05:37in jeder Welt zu finden.
05:39Um nicht aufzugeben,
05:41hat Professor John Moult
05:43von der Universität Maryland
05:45eine Wettbewerbs-Kompetition
05:47namens CASP in 1994 gestartet.
05:49Die Herausforderung war einfach,
05:51ein Computermodell zu entwickeln,
05:53das eine Amino-Aziden-Sequenz
05:55und seine Struktur auslösen kann.
05:57Die Modeller wüssten nicht
05:59die richtige Struktur vorhanden,
06:01ein perfekter Match
06:03würde einen Score von 100 erzielen,
06:05aber etwas über 90 war
06:07nah genug, dass die Struktur gelöst wurde.
06:09CASP-Kompetenten
06:11sammelten sich in einem alten,
06:13schwarzen Konferenzzentrum
06:15in Monterey, Kalifornien.
06:17Und wenn eine Vorstellung nicht sinnvoll war,
06:19wurden sie empfohlen, ihre Füße
06:21als freundliche Widerstände zu tappen.
06:23Es gab viel Fußtapfen.
06:25Im ersten Jahr konnten
06:27die Teams keine Score höher als 40 erreichen.
06:29Der frühere Vorgänger
06:31war ein Algorithmus namens Rosetta,
06:33entwickelt von Universität Washington
06:35Biologen David Baker.
06:37Eine seiner Innovationen war,
06:39die Komputation zu erhöhen,
06:41indem wir zusammen Prozesskraft
06:43von idlen Computern in Häusern, Schulen
06:45und Bibliotheken zusammenholten,
06:47die seine Software, namens Rosetta at Home,
06:49installiert haben.
06:51Als Teil davon gab es einen Bildschirm,
06:53der den Prozentsatz der Proteine
06:55zeigte. Und dann begannen wir,
06:57zu schreiben und zu sagen, dass sie den Bildschirm
06:59angeschaut haben und dachten, sie könnten
07:01besser als das Computer.
07:03Baker hatte also eine Idee.
07:05Er hat ein Videospiel geschaffen.
07:09Das Spiel, namens Foldit,
07:11hat eine Protein-Chain, die
07:13in verschiedenen Arrangementen
07:15umdrehen und drehen kann.
07:17Aber jetzt, anstatt der Computer die Bewegungen zu machen,
07:19können die Spielspieler, die Menschen, die Bewegungen machen.
07:21Innerhalb von drei Wochen haben mehr als 50.000
07:23Spieler versucht, einen Enzymen zu unterscheiden,
07:25der eine wichtige Rolle in HIV spielt.
07:27Die X-Ray-Kristallographie zeigte,
07:29dass das Ergebnis korrekt war.
07:31Die Spieler wurden sogar als Co-Authoren
07:33auf dem Forschungspapier bekannt.
07:35Ein Mann, der Foldit gespielt hat,
07:37war ein ehemaliger Kindesspieler,
07:39namens Demis Hassabis.
07:41Hassabis hatte recentlich eine
07:43AI-Firma, namens DeepMind, gegründet.
07:45Sein AI-Algorithmus AlphaGo
07:47wurde für den Sieg der Weltmeister
07:49Lee Sedol im Spiel von Go bekannt.
07:51Einer der Bewegungen von AlphaGo,
07:53Bewegung 37, schockierte
07:55Sedol zu seinem Kern.
07:57Aber Hassabis hat nie vergessen,
07:59seine Zeit als Foldit-Spieler zu verpassen.
08:01Natürlich war ich fasziniert von der
08:03Spieldesignperspektive her.
08:05Wäre es nicht toll, wenn wir die Intuition
08:07dieser Spieler, die nur
08:09amateurische Biologen waren, ausüben könnten?
08:11Nach dem Rückzug aus Korea
08:13hatten DeepMind-Forscher eine Woche lang
08:15eine Hackathon, in der sie versucht haben,
08:17AI zu trainieren, um Foldit zu spielen.
08:19Das war der Anfang von Hassabis'
08:21Ziel, AI zu nutzen, um Wissenschaften zu verbessern.
08:23Er hat ein neues Projekt
08:25genannt, AlphaFold, um
08:27das Protein-Folding-Problem zu lösen.
08:29Mittlerweile bei Casp,
08:31die Qualität der Prädiktionen von den
08:33besten Spielern, inkl. Rosetta, hat sich
08:35gestiegen. In der Tat
08:37ging die Leistung nach unten, nach
08:39Casp VIII.
08:41Die Prädiktionen waren nicht gut genug,
08:43selbst mit schnelleren Computern und einem
08:45wachsenden Anzahl an Strukturen in der Protein-Database,
08:47die man trainieren kann.
08:49AlphaFold wollte das ändern.
08:51Seine erste Iteration,
08:53AlphaFold 1, war ein
08:55Standard-off-the-shelf-Deep-Neural-Netzwerk,
08:57wie die, die damals für Computer-Vision
08:59genutzt wurden. Die Forscher
09:01trainierten AlphaFold auf vielen
09:03Proteinstrukturen aus der Protein-Database.
09:05Als Input nahm AlphaFold
09:07die Protein-Amino-Acid-Sequenz
09:09und ein wichtiges Set von Hinweise,
09:11die Evolution gegeben hat.
09:13Evolution wird durch
09:15Mutationen, Änderungen im genetischen
09:17Code, die im Gegenteil die
09:19Amino-Acide in einer bestimmten Protein-Sequenz
09:21ändern. Aber sobald Spezies
09:23wachsen, müssen Proteine die Form
09:25erhalten, die ihnen ihre spezifische Funktion
09:27ermöglichen. Zum Beispiel sieht
09:29Hämoglobin so aus in Menschen, Katzen,
09:31Pferden, und grundsätzlich in jedem Mammal.
09:33Evolution sagt, wenn es nicht zerbrochen ist,
09:35fixiere es nicht.
09:37Wir können also Sequenzen der selben Proteine
09:39über verschiedene Spezies in dieser
09:41Evolutionären Tafel vergleichen.
09:43Wo Sequenzen ähnlich sind, ist es wahrscheinlich,
09:45dass sie wichtig sind in der Proteinstruktur
09:47und Funktion. Aber auch dort, wo Sequenzen
09:49anders sind, ist es hilfreich,
09:51zu schauen, wo Mutationen in Paaren
09:53passieren, weil sie
09:55identifizieren können, welche Amino-Acide
09:57sich in der letzten Struktur naheinander befinden.
09:59Sagen wir, zwei Amino-Acide,
10:01ein positiv beschädigtes Lysin und
10:03ein negativ beschädigtes Glutamino-Acid,
10:05befinden sich in der
10:07folgenden Protein.
10:09Wenn eine Mutation Lysin zu
10:11einem negativ beschädigten Amino-Acid ändert,
10:13würde sie Glutamino-Acid
10:15und die ganze Protein destabilisieren.
10:17Deshalb muss eine weitere Mutation
10:19Glutamino-Acid mit einem
10:21positiv beschädigten Amino-Acid verwenden.
10:23Dies ist bekannt als Ko-Evolution.
10:25Diese Evolutionären Tafeln
10:27waren ein wichtiges Input für
10:29AlphaFold.
10:31Als Ausgangspunkt, anstatt
10:33direkt eine 3D-Struktur zu produzieren,
10:35hat AlphaFold eine einfache
10:372D-Paare-Repräsentation
10:39dieser Struktur vorgestellt. Die
10:41Glutamino-Acid-Sequenz ist horizontal und
10:43vertikal ausgestattet. Jedes Mal, wenn zwei
10:45Amino-Acids sich in der letzten Struktur
10:47naheinander befinden, ist die entsprechende
10:49Röhre-Kolumne-Intersektion brillig.
10:51Distanz-Amino-Acid-Paare
10:53sind dunkel.
10:55In Zusammenhang mit
10:57Distanzen kann die
10:59Paare-Repräsentation auch Informationen
11:01darüber geben, wie die Amino-Acid-Moleküle
11:03in der Struktur gedreht sind.
11:05AlphaFold 1 hat die Protein-Sequenz
11:07und ihre Evolutionären Tafeln in
11:09ihrer tiefen Neuronetze entwickelt,
11:11um die Paare-Repräsentation zu prägen.
11:13Nachdem es das hatte,
11:15folgte ein anderes Algorithmus die
11:17Amino-Acid-Sequenz aufgrund der
11:19Distanz- und Torsion-Bedingungen.
11:21Und das war die letzte Proteinstruktur-
11:23Prädiktion.
11:25Mit diesem Framework ist AlphaFold
11:27in CASP13 eingegangen und
11:29hat sofort die Hände umgedreht.
11:31Es war der klare Sieger
11:33nach vielen Änderungen.
11:35Aber es war nicht perfekt.
11:37Ein Score von 70 war nicht genug,
11:39um das CASP-Zugriff von 90 zu lösen.
11:41DeepMind musste zurück
11:43an die Schriftstelle,
11:45um bessere Ergebnisse zu erzielen.
11:47So hat Hasabis John Jumper
11:49für AlphaFold eingeladen.
11:51AlphaFold 2 war wirklich ein System,
11:53das unsere tiefen Lernungen designte.
11:55Die individuellen Blöcke, um gut zu lernen
11:57über Proteine zu lernen,
11:59hatten die geometrischen, physikalischen
12:01und evolutionären Konzepte, die nötig waren,
12:03und haben sie ins Mittelpunkt des Netzwerks
12:05eingeladen. Das war ein riesiger
12:07Akkurationsboost.
12:09Es gab drei wichtige Schritte,
12:11um mit der AI bessere Ergebnisse zu erzielen.
12:13Erstens, Maximum Compute Power.
12:15Hier war DeepMind schon
12:17besser positioniert als jeder
12:19in der Welt. Es hatte Zugriff
12:21auf die enorme Computerkraft von Google,
12:23inklusive ihrer Tensor-Processing-Unit.
12:25Zweitens, sie brauchten
12:27ein großes und diverses Dataset.
12:29Ist Data der größte Block?
12:31Und warum?
12:33AlphaFold 2
12:35hat genau das gleiche
12:37Daten mit viel, viel besserem
12:39Maschinen-Lernensystem als AlphaFold 1.
12:41Also überwertet jeder
12:43die Datenblockage, weil
12:45es weniger schwer wird
12:47mit besserem Maschinen-Lernensystem.
12:49Und das war das dritte wichtige Element.
12:51Bessere AI-Algorithmen.
12:53Die AI ist nicht nur gut
12:55beim Protein-Folding. Sie kann
12:57allmähliche Aufgaben machen, die niemand mag.
12:59Von E-Mails schreiben,
13:01zu Anrufen. Etwas, das ich hasse,
13:03ist es, eine Webseite zu bauen und zu behalten.
13:05Es ist so viel Arbeit,
13:07von der Optimierung der Webseite für verschiedene Plattformen,
13:09ein gutes Design zu finden, damit es professionell aussieht,
13:11bis zur ständigen Änderung
13:13mit neuen Informationen über
13:15das Geschäft, sobald es wächst.
13:17Darum haben wir mit Hostinger gepartnert,
13:19dem Sponsor dieses Videos.
13:21Hostinger macht es super einfach,
13:23eine Webseite für sich oder sein Geschäft zu bauen.
13:25Und mit ihren advanceren AI-Tools
13:27kannst du einfach beschreiben,
13:29wie deine persönliche Webseite aussehen soll.
13:31Und in nur ein paar Sekunden ist deine persönliche Webseite
13:33auf dem Weg.
13:35Hostinger ist ausgestaltet, um so einfach
13:37wie möglich für Anfänger und Profis zu sein,
13:39sodass alle Änderungen, die du brauchst,
13:41danach auch super einfach sind.
13:43Drück und drück einfach die Bilder oder Videos,
13:45die du willst, wo du sie willst,
13:47oder schreib einfach, was du sagen möchtest,
13:49oder lass die AI dir helfen,
13:51auch wenn das Schreiben nicht dein Ding ist.
13:53Und wenn du den menschlichen Einfluss noch willst,
13:55ist Hostinger immer mit 24-7-Support vorhanden,
13:57damit du keine Probleme hast.
13:59Aber wenn du fertig bist,
14:01in nur ein paar Klicken ist deine Webseite live.
14:03Es ist auch alles unglaublich günstig,
14:05mit einem Domain- und einem Geschäfts-E-Mail
14:07für gratis.
14:09Also, um heute deine große Idee online zu nehmen,
14:11besuche hostinger.com.de
14:13oder scanne diesen QR-Code hier.
14:15Und wenn du abonnierst,
14:17vergesse, VE-Code zu benutzen,
14:19um 10% von deinem Plan abzuholen.
14:21Ich möchte Hostinger bedanken,
14:23für das Sponsoren von diesem Teil des Videos,
14:25und ich wünsche dir alles Gute.
14:27Tschüss.
15:25Die Biologie-Tower hat zwei Tauern.
15:27Evolutionäre Informationen in der Biologie-Tower
15:29und Verbindungsbezeichnungen
15:31in der Geometrie-Tower.
15:33Geflüchtet war AlphaFold1s tiefe
15:35Neuronetzwerke, die mit einem Tauern
15:37und dem anderen vorgestellt haben.
15:39Stattdessen baut AlphaFold2s EVO-Former
15:41je einen Tauern separat.
15:43Es beginnt mit einigen ersten Gästen,
15:45evolutionären Tafeln, die von bekannten Daten-Sätzen
15:47wie vorher ausgenommen wurden,
15:49und die Verbindungsbezeichnungen,
15:51basierend auf ähnlichen bekannten Proteinen.
15:53Es gibt eine Brücke, die die beiden Tauern verbindet,
15:55die neu entdeckte biologische
15:57und geometrische Hinweise zurück- und heranbietet.
15:59In der Biologie-Tower
16:01wird auf einer Kolumne angepasst,
16:03dass Amino-Azide-Sequenzen
16:05behalten wurden,
16:07während eine Reihe
16:09Amino-Azide-Mutationen findet,
16:11die zusammengekommen sind.
16:13Wenn der EVO-Former in der Evolutionäre-Tafel
16:15zu nahe am Amino-Azide verbunden ist,
16:17bedeutet das, dass sie wichtig sind, um zu strukturieren,
16:19und er schickt diese Informationen zur Geometrie-Tower.
16:21Hier wird Aufmerksamkeit geäußert,
16:23um Abstände zwischen Amino-Aziden zu kalkulieren.
16:25Es gibt auch eine Sache,
16:27die Triangular-Aufmerksamkeit heißt,
16:29die eingeführt wurde,
16:31und die geht darum, dass Tripletten
16:33sich aneinander befassen lassen.
16:35Für jede Triplette von Amino-Aziden
16:37wird die Triangle-Gerechtigkeit geäußert.
16:39Die Summe der beiden Seiten muss größer sein
16:41als die dritte.
16:43Das beschränkt, wie weit diese drei
16:45Amino-Azide entfernt werden können.
16:47Diese Information wird verwendet,
16:49und das hilft dem Modell,
16:51ein selbstverständliches Bild
16:53der Struktur zu erzeugen.
16:55Wenn die Geometrie-Tower findet,
16:57dass es unmöglich ist,
16:59zwei Amino-Azide nahe einander zu befassen,
17:01dann sagt sie der ersten Tower,
17:03sie sollten ihre Beziehung
17:05in der Evolutionäre-Tafel ignorieren.
17:07Dieses Verhandeln der Informationen
17:09in der EVO-Formel geht 48 Mal,
17:11bis die Informationen in beiden Tauern
17:13gereinigt sind.
17:15Die geometrischen Fähigkeiten,
17:17z.B. das Struktur-Modell.
17:19Für jedes Amino-Azid
17:21wählen wir drei spezielle Atome
17:23und sagen, dass sie einen Rahmen definieren.
17:25Das Netz schlägt vor,
17:27dass alle Amino-Azide
17:29mit dem Ursprung beginnen,
17:31und es muss die richtige Translation
17:33und Rotation prägen, um diese Rahmen
17:35in der echten Struktur zu bewegen.
17:37Das ist es, was das Struktur-Modell macht.
17:39Aber das, was das Struktur-Modell
17:41auseinandersetzt, ist, was es nicht tut.
17:43Vorher hätte man gedacht,
17:45dass das eine Kette ist,
17:47und dass bestimmte Residenzen
17:49nebeneinander sitzen müssen.
17:51Wir sagen Alphafold nicht genau.
17:53Es ist eher so,
17:55als würden wir eine Tasche Amino-Azide geben,
17:57und es ist ermöglicht, sie separat zu positionieren.
17:59Manche Leute haben gedacht,
18:01dass das hilft,
18:03sich nicht in der Lage zu halten,
18:05wo die Dinge befestigt werden sollen.
18:07Man muss nicht immer über die Bedürfnisse
18:09einer Kette nachdenken.
18:11Das ist, warum live Alphafold-Folding-Videos
18:13etwas seltsames machen können.
18:19Das Struktur-Modell
18:21produziert ein 3D-Protein,
18:23aber es ist noch nicht fertig.
18:25Es wird mindestens drei Mal
18:27durch den Evo-Former recycelt,
18:29um ein deeperes Verständnis
18:31von dem Protein zu bekommen.
18:33Nur dann wird die letzte Vorstellung gemacht.
18:35Im Dezember 2020
18:37hat DeepMind mit Alphafold 2
18:39einen virtuellen Casp zurückgekehrt.
18:41Und diesmal haben sie es geschafft.
18:43Ich werde ein E-Mail lesen.
18:45Von John Malt.
18:47Deine Gruppe hat in Casp 14
18:49unglaublich gut ausgestattet,
18:51sowohl im Vergleich zu anderen Gruppen
18:53als auch in absoluter Modell-Akkurität.
18:55Herzlichen Glückwunsch an diese Arbeit.
18:57Für viele Proteine
18:59waren Alphafold 2-Vorstellungen
19:01von den eigentlichen Strukturen
19:03fast unverständlich.
19:05Und sie haben endlich
19:07einen Gold-Standard-Score von 90.
19:11Nachdem wir so lange
19:13an diesem Problem gearbeitet haben,
19:15nach vielen Stopps und Starts,
19:17ist das plötzlich eine Lösung.
19:19Wir haben das Problem gelöst.
19:21Das macht euch so aufgeregt
19:23über die Art, wie Wissenschaft funktioniert.
19:25Über sechs Jahrzehnte
19:27haben alle Wissenschaftler
19:29weltweit auf Proteine gearbeitet
19:31und fanden schmerzhaft
19:33ca. 150.000 Proteinstrukturen.
19:35Dann kam Alphafold
19:37in einer kurzen Zeit
19:39und entdeckte fast alle Proteine,
19:41die in der Natur bekannt sind.
19:43In nur ein paar Monaten
19:45hat Alphafold die Arbeit
19:47von Forschungsländern weltweit
19:49über mehrere Jahrzehnte erweitert.
19:51Es hat uns direkt geholfen,
19:53eine Vakzine für Malaria zu entwickeln.
19:55Es hat ermöglicht,
19:57Antibiotika-verschlechternde Enzyme
19:59zu zerbrechen, die viele
20:01lebenswerte Drogen wieder effektiv machen.
20:03Es hat uns sogar geholfen, zu verstehen,
20:05wie Protein-Mutationen zu verschiedenen Krankheiten führen,
20:07und Biologen, die wenig
20:09und gefährdete Speziesen studieren,
20:11hatten plötzlich Zugang zu Proteinen
20:13und ihrem Lebensmechanismus.
20:15Das Alphafold-Tubepapier
20:17wurde über 30.000 Mal besucht.
20:19Es hat wirklich
20:21einen Schritt in unsere
20:23Verständnis für das Leben gemacht.
20:25John Jumper und Demis Hassabis
20:27wurden eine Hälfte des 2024 Nobelpreises
20:29in Chemie für diesen Durchschnitt gewonnen.
20:31Die andere Hälfte ging an David Baker,
20:33aber nicht für die Vorstellung von Strukturen
20:35wie in der Probe von Rosetta.
20:37Sondern für das Design
20:39von komplett neuen Proteinen von Anfang an.
20:41Es war wirklich schwer,
20:43neue Proteine zu entwickeln,
20:45die Dinge machen.
20:47Das ist das Problem, das wir gelöst haben.
20:49Um das zu machen,
20:51benutzt er das gleiche Art
20:53von generativen AI,
20:55das Kunst macht,
20:57in Programmen wie DALI.
20:59Du kannst ein Bild von einem Känguru
21:01auf einem Rabbit schreiben,
21:03das zu einer bekannten Proteinstruktur geht.
21:05Dann muss das AI
21:07dieses Geräusch entfernen.
21:09Wenn man so trainiert ist,
21:11kann das AI Proteine
21:13für verschiedene Funktionen produzieren.
21:15Es bekommt einen randomen Geräusch,
21:17und das AI entdeckt eine neue Proteine,
21:19die das macht, was du gebeten hast.
21:21Dieses Werk hat große Bedeutungen.
21:23Stell dir vor,
21:25du wirst von einem venomösen Schlangen getötet.
21:27Wenn du Glück hast,
21:29hast du Zugriff auf Antivenom,
21:31ein genaues Schlangen,
21:33das dann in lebende Tiere eingeschüttet wird.
21:35Die Antibiotika der Tiere
21:37werden abgetauscht und gereinigt,
21:39und dann als Antivenom gegeben.
21:41Das Problem ist,
21:43oft haben Menschen allergische Reaktionen
21:45zu diesen Antibiotika von anderen Organismen.
21:47Aber deine Chancen von Überleben
21:49können viel besser sein,
21:51mit den neuesten synthetischen Proteinen,
21:53die in Bakers Lab entwickelt wurden.
21:55Sie haben Antibiotika für Menschen geschaffen,
21:57die die furchtbaren Schlangen-Venomen neutralisieren können.
21:59Die Antibiotika werden in großen Mengen
22:01und leicht transportiert,
22:03wo es benötigt wird.
22:05Mit diesen kleinen molekularen Maschinen
22:07sind die Möglichkeiten unendlich.
22:09Welche der Anwendungen
22:11bist du am meisten aufgeregt?
22:13Ich denke, dass die Vakzine
22:15wirklich stark sein werden.
22:17Wir haben viele Proteine,
22:19die in menschlichen klinischen Trialen
22:21für Känser sind.
22:23Wir arbeiten jetzt
22:25auf autoimmunische Krankheiten.
22:27Was diese Anwendung so effektiv macht,
22:29ist, wie schnell sie die Proteine
22:31kreieren und iterieren können.
22:33Es ist wirklich wahnsinnig.
22:35Für jemanden, der ein konventioneller
22:37Biochemist oder Proteinspezialist ist,
22:39können wir jetzt Designs auf dem Computer haben,
22:41die Aminoacid-Sequenz
22:43der Design-Proteine haben,
22:45und in nur ein paar Tagen
22:47können wir die Proteine rausnehmen.
22:49Wir haben einen Namen gegeben,
22:51Cowboy Biochemistry,
22:53weil man so schnell
22:55wie möglich die Proteine rausnehmen kann,
22:57und es funktioniert sehr gut.
22:59Was AI für Proteine macht,
23:01ist nur ein Hinweis darauf,
23:03was es in anderen Bereichen
23:05und auf größeren Ebenen tun kann.
23:07In Materials Science, zum Beispiel,
23:09hat DeepMinds' GNOME-Programm
23:112,2 Millionen neue Kristalle gefunden,
23:13inkl. über 400.000 stabilen Materialien,
23:15die zukünftige Technologien
23:17von Superkonduzenten bis zu Batterien schützen können.
23:19AI schafft transformative Schritte
23:21in der Wissenschaft,
23:23und das ist eines der grundlegenden Probleme,
23:25die den menschlichen Fortschritt blockieren.
23:27Wenn man an den ganzen Baum der Wissenschaft denkt,
23:29gibt es bestimmte Probleme,
23:31bei denen es keine Probleme gibt,
23:33wenn man sie löst,
23:35wenn man eine Lösung für sie entdeckt,
23:37dann löst es eine neue Branche
23:39oder einen Weg der Entdeckung.
23:41Und mit diesem,
23:43schiebt AI die Grenzen
23:45der menschlichen Wissenschaft
23:47zu einer Zeit, die wir noch nie gesehen haben.
23:49Speed-Ups von 2X sind nett.
23:51Man ändert, was man tut.
23:53Man macht grundsätzlich etwas anderes.
23:55Und man beginnt,
23:57die Wissenschaft um die Dinge umzubauen,
23:59die leicht geworden sind.
24:01Und darum freue ich mich.
24:03Diese Entdeckungen bezeichnen
24:05echte Schrittfunktion-Veränderungen
24:07in der Wissenschaft.
24:09Selbst wenn AI heute nicht weiter
24:11weitergeht, werden wir die Vorteile
24:13dieser Entdeckungen jahrzehntelang erleben.
24:15Und wenn AI weiterentwickelt wird,
24:17dann wird es Möglichkeiten eröffnen,
24:19die vorher nicht möglich waren.
24:21Ob das heilen
24:23aller Krankheiten,
24:25neue Materialien erzeugen
24:27oder das Umfeld zu einer prächtigen Stelle retten.
24:29Das klingt
24:31wie ein tolles Zukunftsfeld,
24:33solange die AI uns nicht übernimmt
24:35und uns alle zuerst zerstört.
24:49Untertitel der Amara.org-Community