AI knuser 50 år gammelt biologisk hovedbrud

I næsten 50 år har forskere knoklet for at finde en løsning på det såkaldte proteinfoldningsproblem, som handler om at forudsige, hvordan proteiner fungerer ud fra deres struktur.

I november 2020 kunne AI-virksomheden Deepmind så melde om et gennembrud med udviklingen af en kunstig intelligens, AlphaFold, der endelig har knækket proteinfoldningsproblemet. I en udtalelse kalder professor og nobelprismodtager Venki Ramakrishnan løsningen for et forbløffende fremskridt.

"Det er sket årtier før, at mange folk indenfor feltet ville have forudsagt det. Det bliver spændende at se, hvor mange måder det grundlæggende kan ændre biologisk forskning," siger Venki Ramakrishnan.

50 år gammel udfordring

Den amerikanske biokemiker Christian Anfinsen lagde grundstenen til proteinfoldningsproblemet under sin takketale ved modtagelsen af Nobelprisen i kemi i 1972. Siden da har problemet stået som en af de helt store uløste videnskabelige udfordringer, som selv de bedste hjerner inden for den biologiske forskning ikke har kunnet knække.

Proteinfoldningsproblemet handler om at forudsige, hvordan proteiner folder sig sammen i unikke 3D-strukturer. Proteiner er opbygget af meget komplekse kæder af aminosyrer og udgør fundamentet for alt liv. Deres opførsel og virkemåde afhænger i høj grad af deres struktur, og forskerne har i årtier kæmpet for at kortlægge deres komplicerede opbygning med avancerede, dyre og tidskrævende laboratoriemetoder. En bedre forståelse for proteinernes virkemåde kan bl.a. give ny viden om sygdomme og gøre det muligt at udvikle nye og mere effektive lægemidler.

I teorien vil man kunne regne sig frem til proteinets 3D-struktur alene ved at kende dets aminosyresekvens i en dimension. Men der er så overvældende mange muligheder for, hvordan proteinstrukturen kan ende med at se ud, at det ikke er praktisk muligt for selv moderne supercomputere at gennemgå dem slavisk. Den amerikanske forsker Cyrus Levinthal anslog i 1969, at et protein kan antage omkring 10^300 forskellige foldninger.

Træner algoritmen op

I stedet for at gå slavisk igennem alle mulige kombinationer, er AlphaFold-algoritmen blevet trænet i sine forudsigelser med input fra en database på omkring 170.000 proteiner og deep learning-metoder, der gør algoritmen i stand til at lære. AlphaFold er endnu ikke perfekt, men i flere tilfælde var algoritmens forudsigelser ikke til at skelne fra dyre og besværlige, eksperimentelle metoder som f.eks. røntgenkrystallografi, der normalt anses som en af de bedste.

Deepmind har trukket overskrifter flere gange de seneste år - bl.a. ved at udvikle en AI-algoritme, der kan slå de allerbedste menneskelige spillere i brætspillet Go. Det var en opsigtsvækkende bedrift, fordi Go i modsætning til skak indeholder så mange mulige træk med brikkerne, at det heller ikke her er praktisk muligt for en computer at regne alle muligheder igennem for at finde frem til det mest optimale, næste træk i spillet.