ТЕХНОЛОГИИ
AlphaFold и будущее взаимодействия человека и ИИ: пример дополнения, а не замены
Шесть лет спустя после выпуска AlphaFold2 структурные биологи по-прежнему публикуют одинаковое количество статей. Новое исследование показывает, как ИИ на самом деле трансформирует специализированные области: через дополнение и расширение, а не замену.
Патрик Т ·
В 2020 году Google DeepMind представила AlphaFold2, ИИ-модель, которая решала одну из самых фундаментальных задач биологии: определение трехмерной структуры белка только по его аминокислотной последовательности. Прорыв был ошеломляющим. AlphaFold2 стала первой ИИ-системой, достигшей точности лабораторных экспериментов, чего исследователи не могли добиться десятилетиями. В последующие годы модель предсказала структуры более чем 200 миллионов различных белков — увеличение в 1 500 раз по сравнению с белками, охарактеризованными традиционными лабораторными методами за десятилетия работы. В 2024 году ведущие разработчики модели получили Нобелевскую премию по химии.
Однако шесть лет спустя после выхода AlphaFold2 произошло нечто неожиданное. Количество статей в журналах, использующих традиционные, трудоемкие экспериментальные методы определения структуры белка, не уменьшилось. Структурные биологи по-прежнему публикуют такое же количество статей, как и до появления AlphaFold2. Они по-прежнему публикуются в лучших научных журналах. Во многом они продолжают делать то, что делали раньше.
Этот очевидный парадокс предлагает важный урок о том, как искусственный интеллект действительно трансформирует специализированные области. Это происходит не через полное замещение человеческой экспертизы, а через дополнение и расширение человеческих возможностей. Новое исследование, проведённое исследователями Школы управления Келлога при Университете Нортвестерн в сотрудничестве с Университетом Калифорнии в Беркли, представляет первый тщательный анализ того, как AlphaFold2 фактически изменил область структурной биологии. Результаты ставят под сомнение как утопические, так и дистопические представления о влиянии ИИ на специализированную работу.
Эффект прожектора
Традиционный подход к определению структуры белка чрезвычайно дорог и трудоемок. Используя экспериментальные методы, такие как рентгеновская кристаллография или криоэлектронная микроскопия, ученые могут определить структуру белка, но этот процесс занимает годы и стоит примерно 100 000 долларов за один решенный белок. В результате в 2020 году структура была определена менее чем для 0,1 процента известных белков. Огромное большинство белков оставались структурно неохарактеризованными, что ограничивало биологические исследования и разработку лекарств.
AlphaFold2 изменил это почти мгновенно. Google DeepMind запустил свой алгоритм на всех известных белках и опубликовал результаты в интернете. Вдруг у исследователей появился доступ к предсказанным структурам для 200 миллионов белков. Тем не менее реакция структурных биологов не была такой, какой ожидали многие наблюдатели. Вместо того чтобы отказаться от экспериментальных методов и полностью полагаться на предсказания ИИ, исследователи начали использовать AlphaFold2 для дополнения своей экспериментальной работы.
В одном ярком примере ученые, изучающие размножение у данио-рерио, выявили ключевой белок, но не имели знаний, чтобы определить его структуру экспериментально. До появления AlphaFold2 им бы пришлось ждать и надеяться, что другая лаборатория решит эту проблему. Вместо этого они использовали предсказание AlphaFold2 в качестве отправной точки, провели целенаправленные эксперименты, чтобы подтвердить и уточнить предсказание, и опубликовали свои результаты в журнале Cell, одном из ведущих биологических журналов.
Часто бывает много дополнительных наблюдений. ИИ не совершенен. Иногда встречаются варианты белка или части структуры, которые ИИ-инструментам труднее предсказать. Сочетание информации из экспериментов и ИИ даёт нам больше уверенности в том, что у нас правильная структура белка, что может быть важно для дальнейших исследований.
Райан Хилл, доцент стратегии, Школа менеджмента Келлогг