Eine Person, die nach 1985 geboren wurde, erhielt in so jungem Alter den Nobelpreis und damit die höchste Auszeichnung. Worauf hat er sich verlassen?

Angesichts der jüngsten Veröffentlichung der Nobelpreise für 2024 diskutiert die wissenschaftliche Gemeinschaft mit beispielloser Begeisterung über dieses bedeutende Ereignis. Der beliebteste Gewinner ist nicht nur die Tatsache, dass der Preis zweimal an die KI ging, sondern auch der erste Preisträger in der Geschichte des Nobelpreises, der nach 1985 geboren wurde: der Chemiepreisträger John Jumper. Viele Menschen würden sich fragen: Wie konnte er in so jungem Alter den Nobelpreis gewinnen? Was genau erforscht dieses Genie, das ihm zu der höchsten Auszeichnung verholfen hat, von der alle wissenschaftlichen Forscher der Welt träumen? Werfen wir einen Blick darauf.

John Jumper, Nobelpreisträger, geboren nach 1985

„Ein Schlüssel, um die Geheimnisse des Universums und des Lebens zu entschlüsseln“

Am 9. Oktober Pekinger Zeit wurde der Nobelpreis für Chemie 2024 an drei Wissenschaftler verliehen, die herausragende Beiträge zum Entwurf und zur Vorhersage von Proteinstrukturen geleistet haben. Die Hälfte der Auszeichnungen ging an den amerikanischen Wissenschaftler David Baker in Anerkennung seiner Beiträge zum „computergestützten Proteindesign“. Die andere Hälfte wurde an zwei Wissenschaftler verliehen, die beim britischen Unternehmen für künstliche Intelligenz Google DeepMind arbeiten – Demis Hassabis und John M. Jumper (ersterer ist Mitbegründer und CEO von DeepMind, letzterer leitender Forschungswissenschaftler bei DeepMind) in Anerkennung ihrer „Beiträge zur Vorhersage von Proteinstrukturen“.

Das Nobelpreiskomitee kommentierte, dass die drei Wissenschaftler „den Code der erstaunlichen Struktur von Proteinen geknackt“ hätten, was der Menschheit große Vorteile bringen werde. Baker meisterte erfolgreich die „fast unmögliche Aufgabe“, ein völlig neues Protein zu entwickeln. während Hassabis und Jiangpo ein künstliches Intelligenzmodell namens AlphaFold2 entwickelten, das die komplexe Struktur von Proteinen vorhersagen kann.

Woher wissen wir also, wie wichtig diese Studien sind? Lassen Sie uns zunächst über die Rolle von Proteinen sprechen.

Protein ist ein sehr wichtiger Bestandteil von Lebewesen und die Grundlage allen Lebens.

Chemiker träumen schon lange davon, Proteine, die „chemischen Werkzeuge des Lebens“, vollständig zu verstehen und zu beherrschen. Doch dieser Traum lässt sich nur äußerst schwer verwirklichen. Denn Proteine ​​bestehen typischerweise aus 20 Aminosäuren, die wie Perlen verdreht und gefaltet sind und so eine einzigartige dreidimensionale Form bilden. Und die Form selbst bestimmt die Funktion des Proteins – manche können Muskeln, Hörner oder Federn bilden, während andere zu Hormonen oder Antikörpern werden. Viele Proteine ​​bilden Enzyme, die die chemischen Reaktionen des Lebens mit erstaunlicher Präzision steuern. Auch Proteine, die sich auf der Zelloberfläche befinden, sind wichtig. Sie fungieren als Kommunikationskanäle zwischen Zellen und ihrer Umgebung. Ihre Erforschung ist wie das Knacken des Codes des Lebens.

Seit den 1970er Jahren versuchen Wissenschaftler, die dreidimensionale Struktur eines Proteins anhand seiner Aminosäuresequenz vorherzusagen, doch dieses Ziel ist ebenso schwierig wie die Entschlüsselung der Geheimnisse des Universums. Traditionelle experimentelle Methoden (wie etwa Röntgenkristallographie, Kernspinresonanzspektroskopie und Kryoelektronenmikroskopie) können zwar hochauflösende Proteinstrukturdaten liefern, sind jedoch oft zeitaufwändig, teuer und technisch anspruchsvoll. Darüber hinaus sind diese Methoden nicht auf alle Proteine ​​(wie etwa Membranproteine) anwendbar, was ihre breite Anwendung einschränkt.

So wie plötzlich ein helles Licht im Nebel aufleuchtete, überraschten uns Hassabis und Jiangpo vor vier Jahren – sie brachten ein künstliches Intelligenzmodell namens AlphaFold2 auf den Markt. Dieses Modell entspricht genau der Beschreibung in der Bewertung des Nobelpreiskomitees: Es löst ein 50 Jahre altes Problem, kann mithilfe künstlicher Intelligenz die komplexen Strukturen von etwa 200 Millionen bekannten Proteinen vorhersagen und wurde bereits von mehr als 2 Millionen Menschen in 190 Ländern auf der ganzen Welt verwendet.

Einer der „Superhelden“, die dieses Meisterwerk geschaffen haben, Jiang Po, hat viel Aufmerksamkeit auf sich gezogen, weil er nicht nur der Hauptverantwortliche für das AlphaFold-Modell ist, sondern auch ein junger und talentierter Wissenschaftler. Er wurde 1985 in Little Rock, Arkansas, USA geboren. Interessanterweise war es Jiang Peis anfängliche unendliche Neugier auf das Universum, die ihn dazu brachte, Physik und Mathematik zu studieren. Als Teenager brachte er sich selbst das Computerprogrammieren bei und träumte davon, „ein Physiker zu werden, der ‚die Gesetze des Universums entdeckt‘.“ Doch als er begann, Supercomputer zur Simulation von Proteinen und ihrer Dynamik einzusetzen, entdeckte er, dass sich die physikalischen Erkenntnisse, die zur Erforschung des Universums genutzt werden, auch zur Lösung medizinischer Probleme im Zusammenhang mit der menschlichen Gesundheit nutzen ließen. Es war, als würde man einen magischen Schlüssel benutzen, der nicht nur die Tür zum Universum öffnete, sondern unerwartet auch eine weitere Tür zu den Geheimnissen des Lebens freigab.

Beginn einer neuen Ära der Zellbiologie mit künstlicher Intelligenz

Im Jahr 2017, nach seiner Promotion, erfuhr Jiang Po, dass Deep Thinking Forschungen zur Vorhersage von Proteinstrukturen durchführte. Nach der Bewerbung wurde er schnell zu einem wichtigen Mitglied des Teams. Zu diesem Zeitpunkt hatte das von Deep Thinking entwickelte AlphaFold noch keine weiteren Durchbrüche erzielt und Jiang Po schlug vor, das ursprüngliche Design durch neue Ideen zu verbessern. Bald wurde er zum AlphaFold-Projektleiter befördert und leitete gemeinsam mit Hassabis die Entwicklung von AlphaFold 2.

Unter der Leitung von Jiang Po hat ein junges Team die erste Version von AlphaFold erneut untersucht, auf dieser Grundlage umfassende Anpassungen und Verbesserungen vorgenommen und jedes Detail untersucht, um Perfektion zu erreichen. Sie führten beispielsweise räumliche dreidimensionale Strukturen und evolutionäre Konzepte ein; integrierte detaillierte Informationen zu vorhandenen Proteinstrukturen wie Atomradius und Bindungswinkel; verbesserte effektive Strategien des maschinellen Lernens, um aus begrenzten Daten ein Maximum an Informationen zu extrahieren; und insbesondere die Beschränkungen traditioneller Algorithmen aufgegeben und den Schwerpunkt eher auf räumliche Nähe als auf lineare Nachbarschaft gelegt.

Am 15. Juli 2021 wurde online in der Fachzeitschrift Nature ein Artikel veröffentlicht, der den Inhalt von AlphaFold2 detailliert beschreibt und in der wissenschaftlichen Gemeinschaft sofort für Aufsehen sorgte. Diese Errungenschaft wurde vom Fachmagazin Science zu den zehn größten wissenschaftlichen Durchbrüchen des Jahres 2021 gekürt. Auch in verschiedenen „Top Ten Scientific Advances“-Auswahlen weltweit wurde AlphaFold in diesem Jahr einstimmig an die Spitze der Liste gesetzt, was seit vielen Jahren selten vorkommt.

Im Jahr 2021 veröffentlichte DeepMind einen Artikel in Nature und stellte das AlphaFold 2-Modell als Open Source zur Verfügung.

AlphaFold2 verkörpert Jiangpos einzigartige Kreativität. Mithilfe von Deep-Learning-Modellen kann die dreidimensionale Struktur von Proteinen direkt aus Aminosäuresequenzen vorhergesagt werden, wodurch die Genauigkeit und Effizienz der Vorhersagen erheblich verbessert wird. Die durchschnittliche Genauigkeit der Vorhersageergebnisse erreichte 92,4 %, was fast mit den experimentellen Ergebnissen vergleichbar ist. Es ist erwähnenswert, dass Wissenschaftler früher normalerweise mehrere Jahre brauchten, um eine Proteinstruktur zu erhalten. Mit Hilfe der KI kann dasselbe Experiment jetzt in nur wenigen Minuten abgeschlossen werden! Es ist wirklich erstaunlich.

Damals sagten Wissenschaftler voraus, dass der 36-jährige Jiang Pei früher oder später den Nobelpreis erhalten würde, doch viele Menschen rechneten nicht damit, dass sich diese Vorhersage so bald bewahrheiten würde. Unerwartet gewann er den Preis für Chemie anstelle des Preises für Physiologie oder Medizin oder des Preises für Physik.

Im Mai dieses Jahres brachte DeepMind mit AlphaFold 3 ein Produkt der neuen Generation auf den Markt, das die Strukturen von Lebensmolekülen wie Proteinen, DNA, RNA und kleinen Molekülen, einschließlich Antikörper-Antigen-Interaktionen, mit höherer Genauigkeit vorhersagen kann, was zuvor nur schwer möglich war. Diese Fortschritte verleihen AlphaFold einen potenziell „dramatischen“ Einfluss auf die biomedizinische Forschung, beschleunigen möglicherweise die Entwicklung neuer Medikamente und Innovationen im Protein-Engineering und läuten eine neue Ära der Zellbiologie mit künstlicher Intelligenz ein.