AlphaFold - AI做过的最有用的事情
AlphaFold - The Most Useful Thing AI Has Ever Done
频道:Veritasium · 时长:24:51 · 发布:2025-02-10 · 播放:11046711
简介
Veritasium关于AlphaFold的视频,DeepMind的蛋白质结构预测系统,以及它启用的蛋白质设计工作。它采访了John Jumper和David Baker的蛋白质设计小组,并解释了为什么预测蛋白质折叠很重要。
HN 为什么推荐
HN指出它作为AlphaFold的易懂解释,以及狭窄、专业的机器学习带来真正科学突破的例子。
要了解更多关于AlphaFold及其重要性,我会推荐Veritasium视频[0] — HN, 2026
中文字幕节选
如果世界上所有最大的问题,从气候变化, 到治愈疾病,到处理塑料垃圾, 如果它们都有同一个解决方案呢? 一个微小到看不见的解决方案。 我倾向于相信这是可能的, 得益于最近的一项突破,它解决了 上个世纪最大的问题之一。 如何确定蛋白质的结构? - 有人向我形容,这相当于生物学界的费马大定理。 - 六十多年来,数万名生物学家辛勤工作, 解析出了15万种蛋白质的结构。 然后仅仅几年间,一个约15人的团队 就确定了2亿种蛋白质的结构。 这基本上就是自然界中已知存在的每一种蛋白质。 那么他们是如何做到的,为什么这有可能 解决远超生物学领域的问题? 蛋白质最初只是一串氨基酸。 每个氨基酸中心都有一个碳原子。 一侧是氨基,另一侧是羧基。 而最后与之相连的可能是20种不同侧链之一, 具体是哪种决定了这个分子是20种氨基酸中的哪一种。 一个氨基酸的氨基可以与 另一个氨基酸的羧基反应,形成肽键。 因此一系列氨基酸可以连接成链,而无数分子间的 推拉作用、静电力、 氢键、溶剂相互作用 会使这条链卷曲并折叠到自身上。 这最终决定了蛋白质的三维结构。 而这个形状才是蛋白质真正关键的地方。 它是为特定目的而构建的,比如血红蛋白拥有完美的结合位点, 能在血液中携带氧气。 - 这些是机器,它们需要 处于正确的方向才能协同工作, 比如移动你肌肉中的蛋白质。 它们会稍微改变形状来拉动和收缩。 - 但人们要获得仅仅一个蛋白质的结构就需要很长时间。 - 绝对是这样。那么蛋白质应该是什么样子? 这个问题最初只能靠实验技术来回答。 - [Derek] 确定蛋白质结构的第一个方法 是用该蛋白质制作晶体。 然后将其暴露在X射线下以获得衍射图案, 接着科学家们会反向推演,试图弄清楚什么形状 的分子会产生这样的图案。 英国生物化学家约翰·肯德鲁花了12年时间 才获得第一个蛋白质结构。 他的目标是一种名为肌红蛋白的储氧蛋白, 一种在我们心脏中重要的蛋白质。 他首先尝试了马的心脏,但产生的晶体相当小, 因为其中的肌红蛋白不够多。 他知道潜水哺乳动物的肌肉中会有大量肌红蛋白, 因为它们最擅长保存氧气。 于是他从秘鲁获得了一大块鲸肉。 这终于让肯德鲁得到了足够大的晶体,可以制作X射线衍射图像。 - 当结果出来时,它看起来真的很奇怪。 人们期待的是某种合乎逻辑、数学化、可理解的东西, 而它几乎看起来,我不会说丑陋,而是错综复杂, 就像你看到一个火箭发动机,所有零件都悬挂在外面。 - [Derek] 这个结构被称为“世纪之粪”, 为肯德鲁赢得了1962年诺贝尔化学奖。 在接下来的二十年里,只解析出了大约一百个更多的结构。 即使在今天,蛋白质结晶仍然是一个巨大的挑战。 - 坦率地说,仅仅几个蛋白质结构 就可能是某人的整个博士课题,这并不罕见。 有时只有一个,有时甚至只是朝着一个结构取得的进展,- 而且这很昂贵。 X射线晶体学对每个蛋白质的测定可能花费数万美元。
HN 上的讨论
> 第一种蛇咬抗蛇毒血清是在 19 世纪 90 年代中期制造的,此后方法几乎没有改变:从蛇身上“挤奶”获取毒液,将其注射到马或羊体内,然后通过动物的血液提取其免疫系统产生的抗体。这种方法昂贵,而且许多人对这些抗体产生过敏。DeepMind 的 AlphaFold 的一个很酷的实际应用是,它允许人们“设计”蛋白质,因为现在可以预测它们将如何折叠。[0] 这意味着可以创建合成蛋白质抗体来中和蛇毒,特别是为人类设计的[1]。最近有一个 Veritasium 视频[2]包含了很好的解释。整个视频都值得一看![0]: [LINK] [1]: [LINK] [2]: [VIDEO] — molf, 2025-02
要了解更多关于 AlphaFold 及其重要性的信息,我推荐 Veritasium 视频[0]:AlphaFold - AI 做过的最有用的事情 [0]: [VIDEO] — AntonyGarand, 2026-07
> 其他一切:没有什么能实现真正、深层的价值。很多轶事用例,比如起草电子邮件。嗯,我认为这就是人们所忽略的。是的,通用聊天机器人无法解决高级问题。然而,专门为某些任务构建的模型和管道(使用与聊天机器人类似的技术)可以取得非常惊人的成果——比如在蛋白质折叠领域( [VIDEO] )我认为潜力巨大,但大多数公司只是把聊天机器人(使用其他公司的模型)贴到他们的应用上,然后就完事了。很少有人深入研究机器学习如何真正解决实际问题。 — anon7000, 2025-03
120 年前真的是那样吗?我们有很多后见之明偏见,但即使在一百年前,对美国普通人来说,事情也并不美好。今天,普通人可以负担得起许多在 100-200 年前可能是奢侈品或根本不存在的东西。自来水、电、互联网、手机、现代卫生设施和基础设施,以及任何数量的小型廉价设备,都能提高生活质量。是的,我们也存在巨大的财富差距和晚期资本主义问题。问题是,我们不应该把婴儿和洗澡水一起倒掉。比如,我们今天没有广泛的粮食短缺问题。极其先进的医疗技术是可用的,尽管太昂贵。我们的科技泡沫只是实际技术的一小部分。其他领域仍有非常酷的研究在进行。大型科技公司都是关于个人计算和社交媒体的,是的,这个领域的人工智能是可疑的,很难让人兴奋。与此同时,还有许多其他技术领域可以对人类产生巨大影响。例如,现代 AI 模型背后的技术已经在蛋白质折叠领域产生了突破性研究。( [VIDEO] )这将对解决生物学问题的能力产生重大影响。… — anon7000, 2025-03
今天 Veritasium 的最新视频中提出了一个类似的想法。DeepMind 通过训练 AI 预测蛋白质折叠,在结构模块步骤中隐瞒了蛋白质一级结构中最明显的信息——其线性多肽链,从而大大提高了性能。[0] 在要求 ChatGPT 不要同意我关于你的评论和这两种不同的问题解决方法相似的看法后,它得出结论,两者之间可能仍然存在相似之处。[0] [VIDEO] [1] [LINK] — dataviz1000, 2025-02
相关视频
- 加拿大100英尺长的货运铁路通往虚无 · Half as Interesting · 5:25
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- 身体在想什么:神经系统之外的生物电计算 - NeurIPS 2018 · The Artificial Intelligence Channel · 52:06
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40
- MarI/O - 视频游戏机器学习 · SethBling · 5:57
- 深入探讨 ChatGPT 等 LLM · Andrej Karpathy · 3:31:23
- Joe Rogan Experience #1035 - Paul Stamets · PowerfulJRE · 2:13:48
- 学会玩经典 NES 游戏的计算机程序 · suckerpinch · 16:17
- David Silver 强化学习课程 - 第一讲:强化学习导论 · Google DeepMind · 1:28:12
- 让我们从头构建 GPT:用代码,详细解释。 · Andrej Karpathy · 1:56:20
- DEF CON 25 - John Sotos - 遗传疾病指导人类基因组的数字黑客攻击 · DEFCONConference · 49:47
- 湾区视觉会议:无监督特征学习和深度学习 · Google TechTalks · 48:10