2024年諾貝爾化學獎得主大衛(wèi)·貝克（David Baker）、德密斯·哈薩比斯（Demis Hassabis）、約翰·喬普（John M. Jumper）（圖片來源：諾貝爾獎委員會官網(wǎng)）

2024年諾貝爾化學獎頒給“AI蛋白質(zhì)設計和結(jié)構(gòu)預測”，一半授予大衛(wèi)·貝克（David Baker），“以表彰在計算蛋白質(zhì)設計方面的貢獻”；另一半則共同授予德米斯·哈薩比斯（Demis Hassabis）和約翰·喬普（John M. Jumper），“以表彰他們在蛋白質(zhì)結(jié)構(gòu)預測方面的成就”。

蛋白質(zhì)是生命活動的主要承擔者，它們不僅控制并驅(qū)動著生命體內(nèi)的所有化學反應，這些化學反應共同構(gòu)成了生命的基礎。蛋白質(zhì)是具有數(shù)億種不同形狀的分子，從在血液中攜帶氧氣到引發(fā)化學反應，每一種蛋白質(zhì)都具有特定的生物功能，其功能通常由其形狀或結(jié)構(gòu)來定義。

圖片來源：RCSB PDB

70年前，蛋白質(zhì)被認為是一種凝膠狀物質(zhì)。現(xiàn)在，我們不僅能從頭構(gòu)建全新種類的蛋白質(zhì)，還能夠預測蛋白質(zhì)的復雜結(jié)構(gòu)。研究蛋白質(zhì)結(jié)構(gòu)可以提供寶貴的信息，既可用于推理生物過程，也可用于實現(xiàn)基于結(jié)構(gòu)的藥物開發(fā)或靶向誘變等干預措施。

David Baker：構(gòu)建全新蛋白質(zhì)種類的壯舉

大衛(wèi)·貝克（David Baker），1962年出生于美國華盛頓州西雅圖，現(xiàn)為華盛頓大學蛋白質(zhì)設計研究所所長，同時也是霍華德·休斯醫(yī)學院的杰出科研人員。

主要貢獻：David Baker在計算蛋白質(zhì)設計方面取得了開創(chuàng)性的成就。他成功研發(fā)出羅塞塔軟件，設計出自然界中從未存在的新蛋白質(zhì)，這一開創(chuàng)性工作不僅推動了蛋白質(zhì)科學的邊界，還為藥物研發(fā)、疫苗設計等領域帶來了革命性的突破。貝克教授的研究成果備受矚目，曾榮獲2021年科學突破獎·生命科學獎。

利用羅塞塔（Rosetta）軟件構(gòu)建蛋白質(zhì)

通過計算方法和先進的生物技術，Baker及其團隊設計出的新型蛋白質(zhì)在藥物開發(fā)、材料科學以及環(huán)境治理等方面展現(xiàn)出巨大的應用潛力。這些蛋白質(zhì)的發(fā)現(xiàn)不僅推動了蛋白質(zhì)科學的邊界，還為生物醫(yī)學、生物技術等多個領域帶來了革命性的變化。

Demis Hassabis和John Jumper：AI模型預測蛋白質(zhì)結(jié)構(gòu)

主要貢獻：Demis Hassabis和John Jumper開發(fā)了一個基于人工智能（AI）的模型，成功解決了困擾科學界長達50年的問題——預測蛋白質(zhì)的復雜結(jié)構(gòu)。他們利用AI技術成功預測了幾乎所有已知蛋白質(zhì)的結(jié)構(gòu)，為科學界提供了寶貴的數(shù)據(jù)資源。其中，AlphaFold2是他們開發(fā)的人工智能工具，其三維蛋白質(zhì)結(jié)構(gòu)預測模型的準確率超過90%，比最接近的競爭對手高出5倍。這一成就為蛋白質(zhì)科學的發(fā)展做出了重要貢獻。

德米斯·哈薩比斯（Demis Hassabis），1976年7月出生于英國倫敦，4歲開始下國際象棋，8歲開始自學編程。本科以計算機科學雙一的成績畢業(yè)于劍橋大學，后來在倫敦大學學院完成了認知神經(jīng)科學博士學位，又在MIT和哈佛做博士后。

他是一位兼具計算機科學與神經(jīng)科學背景的杰出科學家，并以DeepMind公司創(chuàng)始人身份聞名。哈薩比斯不僅在人工智能領域取得重大突破，開發(fā)出顛覆圍棋界的AlphaGo，2016年3月，AlphaGo在世界圍棋錦標賽上擊敗了世界冠軍李世石，這一事件震驚了世界，也標志著人工智能在圍棋這一復雜領域取得了重大突破。

除了圍棋領域外，DeepMind還將探索方向轉(zhuǎn)向蛋白質(zhì)折疊這一科學難題。2018年12月，DeepMind的AlphaFold成功預測了43種蛋白質(zhì)中25種蛋白質(zhì)的最準確結(jié)構(gòu)，贏得了第13屆蛋白質(zhì)結(jié)構(gòu)預測技術關鍵評估（CASP）。

此后，AlphaFold不斷取得新進展。2020年，DeepMind公司又開發(fā)出了AlphaFold2，徹底碾壓了此前所有的預測軟件，其中就包括羅塞塔。

使用AlphaFold2設計的蛋白質(zhì)結(jié)構(gòu)

2021年7月，DeepMind首次通過與歐洲分子生物學實驗室（EMBL）合作建立的數(shù)據(jù)庫公開發(fā)布AlphaFold預測結(jié)果，成功預測了近98.5%的人類蛋白質(zhì)結(jié)構(gòu)。為生物學和醫(yī)學研究提供了有力支持。

約翰·喬普（John M. Jumper），1985年出生于美國阿肯色州，自幼便展現(xiàn)出對科學和數(shù)學的濃厚興趣。本科階段就讀于一所私立名校，主修理論物理，這一學術背景為他日后在蛋白質(zhì)結(jié)構(gòu)預測領域的研究奠定了堅實的基礎。隨后，詹珀前往芝加哥大學深造，并獲得了博士學位，研究方向是使用機器學習（ML）來模擬蛋白質(zhì)折疊和動力學，這一領域的研究為他日后的工作提供了重要的技術支持。

他是谷歌DeepMind團隊的高級研究科學家，AlphaFold的第一作者。作為AlphaFold項目的核心成員，他與團隊成員共同開發(fā)出了AlphaFold這一革命性的蛋白質(zhì)結(jié)構(gòu)預測模型。AlphaFold能夠直接從蛋白質(zhì)的氨基酸序列中預測蛋白質(zhì)的3D結(jié)構(gòu)，并且達到原子級精度，這一成就被認為解決了困擾人類長達50年的蛋白質(zhì)折疊挑戰(zhàn)。

2024年5月，DeepMind團隊又推出了AlphaFold 3，以前所未有的精確度預測了幾乎所有的生命分子，包括蛋白質(zhì)、DNA和RNA的三維結(jié)構(gòu)，以及它們之間的相互作用模式。

AlphaFold3準確預測生物分子復合物的結(jié)構(gòu)

AlphaFold的推出迅速推進了人類對基本生物過程的理解，并促進了藥物設計等領域的發(fā)展。如今，全球已有數(shù)百萬研究人員將AlphaFold應用在瘧疾疫苗、癌癥治療和酶設計等領域，取得了不少新的發(fā)現(xiàn)。

未來展望

David Baker、Demis Hassabis和John Jumper的發(fā)現(xiàn)不僅展示了科學研究的創(chuàng)新性和前瞻性，還體現(xiàn)了跨學科合作的重要性。計算科學、生物技術和人工智能的緊密結(jié)合使得他們能夠在蛋白質(zhì)科學領域取得如此重大的突破。

蛋白質(zhì)結(jié)構(gòu)預測領域雖已取得里程碑式的進展，但仍面臨蛋白質(zhì)結(jié)構(gòu)復雜性、大規(guī)模數(shù)據(jù)處理、算法解釋性及生物多樣性與個體差異等挑戰(zhàn)。每一步都考驗著科研人員的專業(yè)素養(yǎng)與創(chuàng)新精神。

隨著對這些新型蛋白質(zhì)和蛋白質(zhì)結(jié)構(gòu)的深入研究，我們相信這些發(fā)現(xiàn)推動技術創(chuàng)新與跨學科合作，以實現(xiàn)更精準、高效的預測，為生物學、醫(yī)學及藥物研發(fā)等領域帶來更多突破與福祉。

致敬諾貝爾獎化學獎獲得者，及在蛋白質(zhì)設計和結(jié)構(gòu)預測領域繼續(xù)耕耘的研究者！

References：

1. Tunyasuvunakool K, Adler J, Wu Z, Green T, Zielinski M, ?ídek A, Bridgland A, Cowie A, Meyer C, Laydon A, Velankar S, Kleywegt GJ, Bateman A, Evans R, Pritzel A, Figurnov M, Ronneberger O, Bates R, Kohl SAA, Potapenko A, Ballard AJ, Romera-Paredes B, Nikolov S, Jain R, Clancy E, Reiman D, Petersen S, Senior AW, Kavukcuoglu K, Birney E, Kohli P, Jumper J, Hassabis D. Highly accurate protein structure prediction for the human proteome. Nature. 2021 Aug;596(7873):590-596. doi: 10.1038/s41586-021-03828-1.

2. Abramson J, Adler J, Dunger J, et al.  Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 2024 Jun;630(8016):493-500. doi: 10.1038/s41586-024-07487-w.

3.https://www.nobelprize.org/prizes/chemistry/2024/press-release/

4.https://www.technologyreview.com/2016/03/31/161234/how-google-plans-to-solve-artificial-intelligence/