Ochrona zdrowia

Naukowcy zajmujący się białkami i sztuczna inteligencja w bezpośredniej rywalizacji

Alex McFarland
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyAI wąsko pokonało ludzkich naukowców zajmujących się białkami w przewidywaniu sekwencji…
Zobacz więcej
  • AI wąsko pokonało ludzkich naukowców zajmujących się białkami w przewidywaniu sekwencji samoorganizacji.
  • Ludzcy eksperci faworyzowali pewne aminokwasy, co prowadziło do błędnych przewidywań, w przeciwieństwie do AI.
  • Uczenie maszynowe jest potężnym narzędziem do przezwyciężania ludzkich uprzedzeń w projektowaniu białek.

Zespół naukowców zajmujących się białkami z Rutgers University stanął do konfrontacji z programem komputerowym.

Spoiler: sztuczna inteligencja wygrała. Ale tylko nieznacznie.

Konfrontacja człowieka z AI

Naukowcy postanowili przeprowadzić eksperyment, w którym człowiek z głębokim zrozumieniem projektowania białek i samoorganizacji będzie konkurował z programem komputerowym o zdolnościach predykcyjnych. Na liście potencjalnych naukowców znalazł się Vikas Nanda, badacz z Centrum Zaawansowanej Biotechnologii i Medycyny (CABM) na Rutgers.

Eksperyment miał na celu sprawdzenie, czy człowiek czy AI będą lepsi w przewidywaniu, które sekwencje białek będą najskuteczniej łączyć się ze sobą.

Wyniki zostały opublikowane w Nature Chemistry.

Nanda, badacze z Argonne National Laboratory w Illinois i inni koledzy z całych Stanów Zjednoczonych stwierdzili, że bitwa była “wyrównana, ale rozstrzygająca”. Konkurencja położyła Nandę i kilku jego kolegów przeciwko programowi AI, który wygrał niewielką przewagą.

Naukowcy szukają większej wiedzy na temat samoorganizacji białek, wierząc, że dzięki lepszemu zrozumieniu tego zjawiska będą mogli zaprojektować nowe i innowacyjne produkty do zastosowań medycznych i przemysłowych. Jednym z tych produktów może być sztuczna tkanka ludzka do ran, a innym katalizatory nowych produktów chemicznych.

Nanda jest profesorem w Departamencie Biochemii i Biologii Molekularnej w Rutgers Robert Wood Johnson Medical School.

“Pomimo naszego obszernego doświadczenia, AI radził sobie równie dobrze lub lepiej w kilku zestawach danych, pokazując ogromny potencjał uczenia maszynowego w pokonywaniu ludzkich uprzedzeń”, powiedział Nanda.

Projektowanie białek i samoorganizacja

Białka składają się z dużych ilości aminokwasów połączonych ze sobą, a łańcuchy te zwijają się w trójwymiarowe cząsteczki o złożonych kształtach. Kształt każdego białka i aminokwasy w nim zawarte determinują jego zachowanie. Badacze tacy jak Nanda zajmują się “projektowaniem białek”, co oznacza, że tworzą sekwencje, które dają nowe białka. Zespół niedawno zaprojektował syntetyczne białko, które może szybko wykryć VX, niebezpieczny środek paralityczno-drgawkowy. To nowe odkrycie może mieć duże implikacje dla nowych biosensorów i metod leczenia.

Białka organizują się samorzutnie z innymi białkami, tworząc nadstruktury, które są ważne w biologii. W niektórych przypadkach wydaje się, że białka podążają za projektem, takim jak w przypadku, gdy organizują się samorzutnie w ochronną powłokę wirusa. Innym razem organizują się samorzutnie, tworząc struktury biologiczne związane z pewnymi chorobami.

“Zrozumienie samoorganizacji białek jest podstawą do osiągnięcia postępów w wielu dziedzinach, w tym medycynie i przemyśle”, powiedział Nanda.

Nanda i pięciu innych kolegów otrzymało listę białek i poproszono ich o przewidzenie, które z nich są najbardziej prawdopodobne do samoorganizacji. Przewidywania te zostały porównane z przewidywaniami programu komputerowego.

Ludzie używali reguł opartych na obserwacjach zachowania białek w eksperymentach, w tym wzorców ładunków elektrycznych i stopnia awersji do wody. Wybrali 11 białek, które przewidywali, że zorganizują się samorzutnie, podczas gdy AI wybrał 9 białek.

Eksperyment pokazał, że ludzie dokonali 6 poprawnych przewidywań na 11 białek, podczas gdy program komputerowy wybrał 9.

Eksperyment wykazał również, że ludzie “preferowali” pewne aminokwasy nad innymi, co prowadziło do błędnych wyborów. AI poprawnie wybrał niektóre białka o cechach, które nie sprawiały, że były one oczywiste.

“Pracujemy nad uzyskaniem podstawowego zrozumienia chemicznej natury interakcji, które prowadzą do samoorganizacji, więc obawiałem się, że używanie tych programów uniemożliwi uzyskanie ważnych spostrzeżeń”, powiedział Nanda. “Ale to, co zaczynam naprawdę rozumieć, to to, że uczenie maszynowe jest po prostu kolejnym narzędziem, jak każde inne”.

Alex prowadzi operacje informacyjne zasilane AI w Unite.AI, łącząc dziennikarstwo, badania i automatyzację, aby wspierać terminowe i skalowalne relacjonowanie sztucznej inteligencji. Jego praca pomaga zapewnić, że nowe osiągnięcia w dziedzinie AI są prezentowane efektywnie, przy zachowaniu standardów redakcyjnych publikacji.