„Myslím, že u nás v oboru to bude něco jako přistání na Měsíci. Že každý si bude pamatovat, kde byl, když to oznámili,“ říká biolog Jan Černý z Přírodovědecké fakulty Univerzity Karlovy. Mluví o vyhlášení výsledků soutěže, o které jste do letošního roku pravděpodobně neslyšeli. Nese název CASP a její účastníci z celého světa v ní soutěží o to, kdo dokáže nejlépe skládat základní stavební látky našeho těla, tedy bílkoviny.
Letošní ročník CASP se odehrál mezi květnem a srpnem. Výsledky, které přitáhly pozornost nejen odborníků z oboru, byly oznámeny na konci listopadu. Pozornost na sebe strhl vítěz skrývající se až do oznámení výsledků pod označením „Skupina 427“.
Málokdo v tu chvíli pochyboval, že je to ve skutečnosti software AlphaFold společnosti DeepMind (DeepMind patří do holdingu Alphabet, tedy do rodiny společností firmy Google). Tu znáte nejspíše proto, že její software v roce 2016 dosti nečekaně a jednoznačně porazil nejlepšího hráče světa ve hře go.
Skládání proteinů je jedním z největších nevyřešených problémů dnešní biologie |
AlphaFold se účastnil teprve podruhé, ale ostatní nechal daleko za sebou. A co především, jeho výsledky jsou tak dobré, že se vědci nemohou dočkat, až je uvidí nasazené mimo soutěž. Nám laikům skládání bílkovin přijde velmi vzdálené, ve skutečnosti jde o jeden z největších a nejzásadnějších nevyřešených problémů dnešní biologie.
Co to počítají a proč je to tak těžké?
Bílkoviny jsou velmi složité molekuly, jež tvoří tisíce až miliony atomů. Žijeme a fungujeme v podstatě výhradně díky nim. Živé organismy (i neživé viry) jsou z nich stvořeny a využívají je ke všem činnostem, od stavby svých těl po řízení provozu.
K pochopení funkce bílkoviny a k identifikaci jejího možného užitku pro člověka potřebujeme znát její tvar. Jeho určení je překvapivě složité. „Dnes určení tvaru jedné bílkoviny trvá velmi dlouho, někdy měsíce, jindy celé roky,“ vysvětluje Jan Černý. „Je to úzké hrdlo, které zpomaluje a omezuje poznání života vůbec.“
Tvar bílkoviny určuje její funkciJednou z klíčových vlastností bílkovin je jejich tvar – ten je předpokladem správné funkce. Pouze bílkovina toho správného tvaru se dokáže připojit například na zamýšlené místo na povrchu buňky a předat nějaký „vzkaz“. Správně tvarovaná protilátka – také bílkovina – se dokáže navázat na virus, který napadá tělo. Tvar neříká a neurčuje vše, ale je klíčový. Bílkovin je neuvěřitelné množství: víme zhruba o 180 milionech různě velikých a složitých bílkovinách. Jen u malé část z nich dokážeme říci, jaký tvar mají. Znát tvar je vždy nutné; experimenty mohou odhalit, co daná bílkovina asi dělá i bez poznání tvaru, je ovšem v takovou chvíli těžké zjistit, jak to dělá a tento účinek napodobit. Přitom základní mechanismus určující tvar bílkovin je v principu jednoduchý: je určen chemickým složením (jak vědci tuší cca 50 let). Když znáte chemický vzorec bílkoviny, můžete řešení spočítat. Zjistit chemické složení bílkoviny je jednoduché. U oněch 180 milionů bílkovin chemické složení známe. Mimochodem, není na pohled příliš zajímavé, protože v bílkovinách se opakuje omezená sada základních stavebních kamenů, tzv. aminokyselin. Zobrazit více Sbalit |
Bílkovina se musí namnožit (obvykle pomocí genetické úpravy), izolovat a pak dát pod mikroskop. Což je v praxi složitější než na papíře, protože stále existují bílkoviny, které se poznání vzpírají. Třeba kvůli struktuře, nebo protože jsou součástí buněčné membrány.
Když začnete atomy bílkovin klást k sobě, velmi brzy zjistíte, v čem spočívá složitost celého procesu. Jednotlivé atomy se začnou navzájem ovlivňovat (odpuzovat, přitahovat atp.) a bílkovina samovolně změní tvar. Poskládá se do polohy, ve které je jí „nejpohodlněji“, kdy je její vnitřní pnutí co nejmenší.
Více možných kombinací než atomů ve vesmíruNeexistuje přesná shoda, jak moc různorodé bílkoviny jsou, jisté je, že počet možností je ohromný. Často se dnes cituje odhad, že u složitých bílkovin mohou být počty možných konfigurací mnohonásobně vyšší než je počet všech atomů ve vesmíru. Těch je cca 1080 (plus minus nějaký ten řád), u bílkoviny může být počet možných variant minimálně o stovky řádů vyšší. Například tato dnes slavná práce z roku 1969 uvádí příklad hypotetické bílkoviny ze 150 aminokyselin, u které by počet možných konfigurací byl až 10300. Bílkovina za 150 aminokyselin přitom je celkem běžný příklad. Zobrazit více Sbalit |
V podstatě si ji můžete představit jako velmi dlouhý svazek složený z mnoha gumiček různého tvarů a tloušťky. Když ho natáhnete a vzápětí pustíte, samovolně se „zašmodrchá“.
Ukázka trojrozměrné struktury „složeného“ proteinu metyltransferázy
Bílkovina udělá totéž, přičemž výsledný tvar je daný chemickým složením. Principiálně tedy víme všechno, co potřebujeme, známe chemické složení, měli bychom znát i tvar. Stačilo by poctivě projít všechny možné kombinace a řešení je to s nejnižší energií.
Brute forceHledání pomocí hrubé síly znamená postupné vyzkoušení všech možných kombinací. Například hádání čtyřmístného hesla pomocí brute-force útoku znamená zkoušet aaaa, aaab, aaac, aaad... |
Tento princip „hrubé síly“ se s jistým úspěchem používal. Má ovšem jasně dané meze. Většina bílkovin je příliš složitá a možných konfigurací je tolik, že se jich doslova nelze dopočítat.
Byť je tedy už více než půlstoletí jasné, že hrubá (výpočetní) síla sama o sobě není řešením, biochemie nic jiného dlouho neměla. Bylo ovšem zřejmě, že výpočty je možné optimalizovat, tedy najít „zkratky“, aby bylo možné najít výsledek s menším výpočetním výkonem.
Aby se vývoj urychlil a zlepšil, vznikla v polovině 90. let v úvodu zmíněná soutěž CASP (Critical Assessment of Protein Structure Prediction). Má několik disciplín, ale všechny se točí kolem určování struktury dopředu neznámých bílkovin. Výsledky účastníků se postupně během následujících dvou desetiletí krok po kroku zlepšovaly. Ovšem ke kýženému cíli bylo daleko.
Zahálející mozky u počítače
Biochemici sháněli výpočetní výkon, kde se dalo. Někdy dosti nápaditě. Například David Baker z Washingtonské univerzity v Seattlu spolu s kolegy vytvořili a v roce 2005 spustili projekt Rosetta. V jeho rámci mohli nadšenci vědcům nabízet volný výpočetní čas svých počítačů, které se tak staly součástí po světě roztroušeného „superpočítače“ provádějícího složité biochemické výpočty.
Baker a spol. majitelům „darovaných“ počítačů ukazovali, s jakou úlohou se jejich stroj potýká. Některým to při pohledu na daný problém nedalo a začali Bakerovi psát. V mnoha případech totiž přišli na řešení mnohem rychleji než trápící se počítače. Zahálející lidské mozky u počítačů stojí za to využít, uvědomil si v té době Baker. Obrátil se na kolegy z informatiky a vytvořil past na dobrovolníky založenou na využití dalšího vysoce vyvinutého lidského smyslu: smyslu pro hru.
Rozhraní hry Fold It
Vědci na stránkách projektu Rosetta připravili „jednoduché“ rozhraní, který ze skládání bílkovin do optimálního tvaru udělalo hru se vším všudy. Ve hře Foldit můžete sbírat body, uzavírat spojenectví, postupovat na nové úrovně a spoustu dalších věcí.
Milionový hit to z Foldit sice neudělalo, ale na webu se postupně od května 2008 registrovaly řádově stovky tisíc hráčů, desítky tisíc ji hrály pravidelně. Vědci doložili přínosy této hry ve studii zveřejněné v roce 2010 v časopise Nature. Z ní vyplývá, že nejlepší hráči byli ve skládání bílkovin skutečně lepší než tehdejší software.
Navíc mají lidští „skladatelé“ i jiné výhody. Biochemici hráče například vybízeli k navrhovaní nových bílkovin „na přání“, například hledání bílkoviny, která by se dokázala navázat na virus HIV nebo virus chřipky. Jejich návrhy brali vážně a některé z nich syntetizovali a prakticky zkoušeli. Jako první Baker v laboratoři syntetizoval novou látku, kterou navrhl Scott Zaccanelli z Texasu, pracující na půl úvazku jako nákupčí a masér. V experimentu se ukázalo, že bílkovina nemá lepší vlastnosti než příbuzné přirozeně vznikající bílkoviny.
Ve spolupráci s hráči vědci dokázali i v dalších letech vymýšlet nové strategie a postupy, jak předpovědi a modely zpřesnit. Například spolupráce řady hráčů měla ještě lepší výsledky a vědci ji s úspěchem používají i dnes (viz práce z roku 2019). „Foldit pomohl vyřešit spoustu struktur, ať už u něj seděli lidé poučení, či nepoučení,“ hodnotí jeho příspěvek Jiří Vondrášek z Ústavu organické chemie a biochemie (ÚOCHB). „Ten bonus člověka spočívá v tom, že velmi rychle pochopí některé zákonitosti. Lidé si osvojí instinkty, co k sobě dávat a co ne.“
Polidštění
O hře Foldit se hodně mluvilo a psalo a dozvěděl se o ní i Demis Hassabis, spoluzakladatel společnosti DeepMind. Zaujalo ho, že lidé dokážou vidět možné řešení intuitivně – díky mozku, který je zvyklý manipulovat s předměty v prostoru.
Výraz intuice poměrně přesně vystihuje to, jak fungují neuronové sítě, tedy typ softwaru, na který se DeepMind specializuje. „Intuice je schopnost spojit si bez přemýšlení vaše zkušenosti – data – s problémem, který máte před sebou. Neuronová síť má velmi podobné vlastnosti,“ říká Jiří Vondrášek.
Tento klíčový trend dnešní doby jsme popisovali v posledních letech mnohokrát , konkrétně AlphaFoldu se budeme věnovat v dalším článku. Nyní se omezme na zjednodušení: neuronové sítě jsou „učenlivé programy“, sestavené tak, aby si v jednom konkrétním oboru dokázaly poradit s novými otázkami. Neuronové sítě (AI) přitom vycházejí ze svých vlastních zkušeností, které obvykle nabraly analýzou ohromného množství dat.
Neuronová síť se tak může pustit do činností, které byste nejspíše nehádali – takto „vytrénovaná“ umělá inteligence například podle vybraného vzoru dokreslila část ilustrační fotografie, která je na začátku článku. Může také vytvářet zcela fiktivní portréty, které od snímků skutečných lidí nepoznáte. Vymyslí nové strategie pro hru na schovávanou. Nebo může pomoci učit roboty chodit, což je dovednost, ve které tradiční přístupy často až komicky selhávají.
Schéma neuronové sítě AlphaFold
Konkrétně AlphaFold se na podobě známých bílkovin učil pravidla o tom, jak takové bílkoviny obvykle vypadají. Protože mu jich „před očima“ prošlo tolik, dokáže se – podobně jako lidští hráči ve Foldit – orientovat v tom, co by mohlo fungovat nebo ne.
Co to je neuronová síť a jak se učíUmělá neuronová síť do jisté míry napodobuje způsob, jakým informace zpracovává lidský mozek Počítačem simulovaná struktura pro zpracování dat - tzv. neuronová síť nebo umělá neuronová síť - se inspirovala u anatomie lidského mozku. Skládá se obvykle z vrstev velkého množství „neuronů“, což je samostatná jednotka, která má vstupy a výstupy. Více takových neuronů a vrstev znamená síť náročnější na simulaci (je třeba velký výpočetní výkon).  Ukázka jednoduché neuronové sítě se čtyřmi vrstvami po šesti neuronech. Spojnice mezi neurony ukazují „dráhy“, kudy nejčastěji proudí komunikace. Tyto dráhy se posilují, nebo oslabují na základě zpětné vazby. Tedy neuron, který dává neužitečný výstup, se buď poučí, nebo zůstane nevyužit. Neuronová síť se učí (trénuje) na základě vstupních (testovacích, trénovacích) dat a zpětné vazby. Neuronová síť může také „učit sama sebe“, což zjednodušeně znamená, že sama sobě dává otázku, na kterou zná správnou odpověď, a trénuje sama sebe tak dlouho, dokud tuto odpověď není schopna poskytnout s určitou spolehlivostí. Příkladem může být neuronová síť učící se rozpoznávat obličeje, hrát poker, analyzovat rizika nebo překládat cizojazyčné texty. Zobrazit více Sbalit |
DeepMind není jediný, kdo tento přístup používá. V posledních dvou letech ho využívá celá řada týmů. Zřejmě díky tomu se po letech jisté stagnace či pomalého růstu začaly zlepšovat výsledky účastníků soutěže CASP (viz například dlouhé zamyšlení autora jednoho přihlášeného programu Mohammeda AlQuraishiho nad soutěží v roce 2018).
AlphaFold se během posledních dvou let zlepšil mnohem rychleji než konkurence a v letošním ročníku soutěže CASP (tj. CASP14) výrazně odskočil ostatním. Mimochodem, na druhém místě byl systém trRosetta nám známého Davida Bakera s kolegy.
Výsledky účastníků všech ročníků CASP v jednotlivých ročnících podle náročnosti úkolu. Na svislé ose je úspěšnost v procentech. Na vodorovné ose je rozdělení výsledků podle obtížnosti: vlevo jsou úkoly nejjednodušší, vpravo nejnáročnější. Pro naše účely jsou zajímavé především dvě horní křivky. Černá je průměr výsledku všech účastníků 14. ročníku (tj. CASP14) včetně AlphaFold. Zeleně je výsledek všech účastníků bez AlphaFold. Je zřejmé, jak ohromný skok proti zbytku startovního pole software společnosti DeepMind udělal.
Výsledky se v CASP hodnotí od 0 do 100 podle toho, jak moc se předpověď trefí do podoby bílkoviny, ze které jsou systémy zkoušeny. Nula je žádná shoda, 100 je shoda dokonalá. AlphaFold měl průměrné skóre 92,4. Což je podle Jana Černého zhruba na hranici výsledků, které dnes poskytuje měření stejných bílkovin „pod mikroskopem“. Ve skutečnosti se používá buď rentgenové záření při tzv. krystalografii, s jejíž pomocí byla objevena například struktura DNA, nebo velmi nová metoda kryoelektronové mikroskopie, za kterou byla v roce 2017 udělena Nobelova cena.
Pro srovnání, v roce 2016 dosáhly nejlepší týmy skóre kolem 40. V roce 2018, kdy se AlphaFold účastnil soutěže poprvé, se jeho průměrné skóre pohybovalo kolem 70. Ale lepší výsledky než v roce 2016 měl i zbytek startujících.
Zvládne to někdo jiný?Zajímavou otázkou je, zda někdo dokáže DeepMind v blízké době napodobit. Britská firma sice využívala při přípravě AlphaFold zkušeností biochemiků, ale zároveň má zkušenosti a odborníky, jakých je na světě málo. V roce 2020 se do soutěže CASP přihlásila řada týmů, které byly zjevně inspirovány podobou AlphaFold z předchozího ročníku. Ovšem DeepMind svůj systém mezitím zásadně přestavěl a ten nový - jednoduše označovaný jako AlphaFold 2 - funguje v mnoha ohledech jinak. Používá samozřejmě stejný základní princip (učení na cizích datech), ale je postavený odlišně. Například do jisté míry „napodobuje“ předmět svého zkoumání - má architekturu ovlivněnou některými fyzikálními vlastnostmi bílkovin. Nejde přitom pouze a jen o znalosti a zkušenosti v oboru neuronových sítí. Biochemk Mohammed AlQuraishi po CASP13 připsal ve svém blogu velkou část úspěhu DeepMind na vrub organizaci jejího týmu. DeepMind podle něj dal dohromady malý, výkonný tým, který mohl dosti volně experimentovat a pracovat na problému z různých stran a různými způsoby. Skládání proteinů není okrajová záležitost jako vývoj umělé inteligence pro go, ale centrální problém biologie, na kterém pracují desítky, možná stovky týmů. Jak se mohli akademici nechat předběhnout nováčkem? Příčin bude nepochybně více, AlQuraishi se domnívá, že velkou roli bude hrát to, že každá laboratoř jede po své koleji a málo spolu „mluví“. Jedině hůře na tom jsou podle něj snad jen farmaceutické společnosti, které se nechaly zaskočit úplně. DeepMind není „levná“ společnost, ale ve srovnání s Pfizerem či Novartisem je to stále start-up. Přesto právě on přišel s inovací, která může výhledově farmaceutické firmy ohrozit. Třeba jen tím, že nejlepší lidé z oboru půjdou raději pracovat pro DeepMind (Google), kde se dnes dělá nejzajímavější věda. Zobrazit více Sbalit |
V porovnání s experimentálními metodami je AlphaFold mnohonásobně rychlejší. Místo měsíců či v nejlepším případě týdnů by určení tvaru bílkoviny mohlo trvat jen pár hodin, možná i minut.
Dobré výsledky neměl software vždy a ve všem. U některých bílkovin si nevedl lépe než ostatní, někdy dokonce hůře než nejbližší konkurence, ale to by měl být odstranitelný problém. Software bude zřejmě nutné trénovat na dalších příkladech, aby se naučil poznávat i dosud problematické molekuly. AlphaFold 2 je sice výrazně lepší než konkurence, ale v první řadě je nový – a tak je velmi pravděpodobné, že v princip se jeho výkony mohou výrazně zlepšit.
Co dál?
AlphaFold má své chyby, jeho přesnost je v tuto chvíli taková, že by mohl najít praktické využití. „Myslím, že to je od prvního dne připravené k praktickému nasazení,“ říká Jiří Vondrášek.
Důležité je, že software uživateli říká, jak svůj výsledek hodnotí: „Dává také jako jeden z výstupů poměrně spolehlivou předpověď vlastní nejistoty o pozicích jednotlivých aminokyselin. Toto není u deep-learning modelů velmi běžné, ale zároveň je to velmi podstatné pro využitelnost předpovědí AlphaFold 2 v praxi,“ vysvětluje Augustin Žídek ze společnosti DeepMind.
Je to důležité, protože „intuitivní algoritmy“ (tj. deep-learning neuronové sítě) jsou de facto černé skříňky. Nikdo přesně neví, jak ke svému výsledku dospějí. Pokud však chcete jejich výsledek použít jako základ pro další práci, je dobré mít alespoň nějakou představu o tom, jaká by mohla být šance na úspěch.
Příklad minimálního rozdílu mezi AlphaFold 2 vypočítanou (modře) a skutečně naměřenou podobou (červené) jedné jednodušší bílkoviny. Jak vidíte, výsledky modelu a měření se do značné míry překrývají.
Využití tedy bude do jisté míry omezené. AlphaFold nelze použít na všechny bílkoviny, s těmi složitějšími si ještě neporadí. V živých organismech jsou extrémně důležité tzv. „bílkovinové komplexy“ složené z několika spojených menších bílkovin. Ale jejich tvar i extrémně zajímavou otázku, jak se k sobě tyto bílkoviny připojují, AlphaFold zatím vyřešit nedokáže.
Predikce prostorové struktury proteinuPřestože se mluví o tom, že AlphaFold vyřešil „skládání proteinů“, přesnější je říci, že řeší „predikci prostorové struktury“, připomíná Jiří Vondrášek z ÚOCHB. AlphaFold tedy neřeší, jakým způsobem se protein sám do sebe složí z „nataženého“ stavu, ale v jaké struktuře se nakonec ustálí. „Sbalování proteinu je ale dynamický proces, ve kterém si protein, než se složí, projde řadou více či méně uspořádaných mezistavů a tento děj se odehrává v čase.“ Toto časování může být důležité, pokud jsou na něj navázány nějaké další děje. „Takže průběh skládání zatím vyřešený není,“ uzavírá Vondrášek. „Nicméně očekávám, že do cca pěti let se AI tomu vyřešení přiblíží podobným způsobem, jako nyní u predikce 3D struktury.“ Zobrazit více Sbalit |
V nejbližší době se využití bude soustředit především přímo na biologii jako vědu, méně například na vývoj léčiv, odhadují odborníci. Vývojáři nových léků mají ve své práci celou řadu problémů, které AlphaFold neřeší, například úplně nesouvisející otázku, jak rychle, levně a účinně provádět klinické zkoušky, které jsou nejdražší položkou při vývoji nového léku. (Krátce o tom například v blogu Dereka Lowa.)
Prostorové porovnání: zeleně reálný výsledek měření, modře predikce počítače AlphaFold
Biologové řeší poněkud jiné problémy a jim by AlphaFold mohl odstranit z cesty významnou překážku a tím zkrátit a zefektivnit jejich práci. „Já očekávám, že v příštích letech vznikne spousta nových výsledků a článků, že přijde doslova exploze,“ říká Jan Černý. Co bude výsledkem této očekávané vědecké exploze, dnes nelze úplně přesně předvídat.
Kde ho najít?
Další zajímavou a nevyřešenou otázkou je, kdo a za jakých podmínek bude AlphaFold používat. Podle Guardianu ředitel DeepMind Hassabis pracuje na tom, aby systém byl přístupný výzkumníkům zdarma. Jak přesně to bude fungovat, zatím není jasné, nejpravděpodobnější je podoba nějaké webové aplikace.
Firma nemá vůči vědecké obci žádné zákonné povinnosti, jistý etický dluh tu ovšem je. Software založený na hlubokém učení může fungovat dobře pouze v případě, že má dobrá vstupní data. Tedy pokud je ho na čem trénovat.
AlphaFold se „vyučil“ na 170 tisíc bílkovinách, jejichž podoba je uložená ve zdarma přístupné databázi PDB. Ta funguje jen díky práci vědců, kteří bílkoviny analyzovali a na mezinárodního konsorcia akademických institucí, kteří ji udržují v provozu.
