Algorytmy AI poprawnie przewidziały strukturę wariantu koronawirusa Omicron, zanim został zbadany

Korzystając z dwóch różnych darmowych algorytmów AI przewidujących kształt i strukturę białek, informatycy byli w stanie niemal dokładnie stworzyć model Omicrona, zanim wariant koronawirusa został fizycznie sprawdzony.

Colby Ford, badacz z Uniwersytetu Karoliny Północnej, przeprowadził symulacje przy użyciu AlphaFold firmy DeepMind i RoseTTAFold z Uniwersytetu Waszyngtońskiego, aby przewidzieć strukturę białkową najnowszej odmiany, która dominuje w obecnych przypadkach COVID-19. "Jedna z dwóch przewidywanych przez Forda struktur okazała się całkiem słuszna: obliczył, że pozycje jej centralnych atomów różnią się o około pół angstrema, mniej więcej o promień atomu wodoru" – donosi portal Wired. Ford doszedł do swoich wniosków, zanim naukowcy byli w stanie w pełni zbadać prawdziwą próbkę Omicrona pod mikroskopem elektronowym i odpowiednio odwzorować jego strukturę. Wariant zawiera ponad 30 zmian w białku wypustkowym  SARS-CoV-2, które rozpoznaje komórki gospodarza i jest głównym celem odpowiedzi immunologicznych organizmu.

Darmowy algorytm AI niemal dokładnie przewidział model wariantu Omicron, zanim został on fizycznie zbadany. Naukowcy podkreślają jednak, że dostęp do prawdziwej próbki wciąż jeszcze przewyższa modele komputerowe, choć prognozy sztucznej inteligencji staną się coraz bardziej kluczowe dla badań. Nowy wariant wiąże się z komórkami gospodarza silniej niż poprzednie szczepy, czego modele AI nie mogły przewidzieć.

Chociaż modele przewidywania białek mogą pomóc przyspieszyć badania nad Omicronem, dostęp do prawdziwej próbki wciąż jeszcze przewyższa modele komputerowe. Naukowcom udało się ustalić, że nowy wariant wiąże się z komórkami gospodarza silniej niż poprzednie szczepy, czego modele AI nie mogły przewidzieć. Sriram Subramaniam, profesor na Uniwersytecie Kolumbii Brytyjskiej mówi, że otrzymał cztery lub pięć e-maili od ludzi proponujących przewidywane struktury kolców Omicron podczas pracy nad wynikami swojego laboratorium. "Niektórzy zrobili to tylko dla zabawy". Subramaniam mówi, że bezpośrednie pomiary struktury białek pozostaną ostatecznym miernikiem, ale spodziewa się, że prognozy sztucznej inteligencji staną się coraz bardziej kluczowe dla badań – w tym dotyczących przyszłych epidemii chorób.

Odszyfrowanie struktury białka tradycyjnie wymagało żmudnej pracy laboratoryjnej. Większość z około 200000 znanych struktur została zmapowana przy użyciu skomplikowanego procesu, w którym białka są formowane w kryształ i bombardowane promieniami rentgenowskimi. Nowsze techniki, takie jak mikroskopia elektronowa stosowana przez Subramaniama, mogą być szybsze, ale proces ten wciąż nie jest łatwy.  Pod koniec 2020 roku, po dziesięcioleciach powolnego postępu, długoletnia nadzieja, że ​​komputery mogą przewidzieć strukturę białka na podstawie sekwencji aminokwasowej, nagle stała się realna. Oprogramowanie DeepMind o nazwie AlphaFold okazało się niesamowicie dokładne w konkursie na przewidywanie białek.

Niestety przed AI wciąż długa droga i to w dużej mierze z powodów finansowych. Okazuje się, że takie analizy są mocno nierentowne, czego przykładem może być kolejna próba sprzedaży IBM Watson Health, narzędzia, które pomaga klientom usprawnić badania medyczne, badania kliniczne i rozwiązania z zakresu opieki zdrowotnej dzięki wykorzystaniu sztucznej inteligencji, danych, analiz, przetwarzania w chmurze i innych zaawansowanych technologii informatycznych. IBM życzy sobie ponad 1 mld USD za Watson Health, chcąc w ten sposób odciążyć nierentowną jednostkę danych medycznych i analiz AI. Potencjalnie zainteresowane firmy to rzekomo firmy medyczne i firmy private equity.

Zobacz także:

• Auta Hondy złapały pluskwę milenijną 22 lata później. Naprawa błędu Y2K22 zajmie wiele miesięcy
• QNAP: Zabezpiecz, albo odłącz swój NAS od sieci. Trwają zmasowane ataki ransomware i brute force
• Pakistan wzywa giełdę kryptowalut Binance do wyjaśnień w sprawie wielomilionowego przekrętu