Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту

Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту

Автори статті аналізують Нобелівську премію з хімії 2024 р., яку було присуджено американському біохіміку та комп’ютерному біологу Девіду Бейкеру (David Baker) за «комп’ютерний дизайн білків», а також представникам компанії Google DeepMind: британському фахівцю з систем штучного інтелекту Демісу Гас...

Повний опис

Збережено в:
Бібліографічні деталі
Опубліковано в: :Вісник НАН України
Дата:2025
Автори: Романюк, С.І., Комісаренко, С.В.
Формат: Стаття
Мова:Ukrainian
Опубліковано: Видавничий дім "Академперіодика" НАН України 2025
Теми:
Статті та огляди
Онлайн доступ:https://nasplib.isofts.kiev.ua/handle/123456789/206104
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту / С.І. Романюк, С.В. Комісаренко // Вісник Національної академії наук України. — 2025. — № 2. — С. 16-35. — Бібліогр.: 37 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-206104
record_format dspace
spelling Романюк, С.І.
Комісаренко, С.В.
2025-08-27T16:15:56Z
2025
Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту / С.І. Романюк, С.В. Комісаренко // Вісник Національної академії наук України. — 2025. — № 2. — С. 16-35. — Бібліогр.: 37 назв. — укр.
1027-3239
https://nasplib.isofts.kiev.ua/handle/123456789/206104
https://doi.org/10.15407/visn2025.02.016
Автори статті аналізують Нобелівську премію з хімії 2024 р., яку було присуджено американському біохіміку та комп’ютерному біологу Девіду Бейкеру (David Baker) за «комп’ютерний дизайн білків», а також представникам компанії Google DeepMind: британському фахівцю з систем штучного інтелекту Демісу Гассабісу (Demis Hassabis) і американському хіміку та інформатику Джону Джамперу (John M. Jumper) за «прогнозування структури білка». Досягнення нобелівських лауреатів у галузі обчислювального проєктування протеїнів та прогнозування їхньої структури відкрили нову еру біохімічних і біологічних досліджень, що в поєднанні із застосуванням інструментів штучного інтелекту матиме далекосяжні наслідки для людства.
The authors of the article analyze the 2024 Nobel Prize in Chemistry, which was awarded to American biochemist and computational biologist David Baker for “computer-aided protein design”, as well as to representatives of Google Deep-Mind: British artificial intelligence systems specialist Demis Hassabis and American chemist and computer scientist John M. Jumper for “protein structure prediction”. The achievements of the Nobel laureates in the field of computational protein design and structure prediction have opened a new era of biochemical and biological research, which, combined with the use of artificial intelligence tools, will have far-reaching consequences for humanity.
uk
Видавничий дім "Академперіодика" НАН України
Вісник НАН України
Статті та огляди
Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
A breakthrough in spatial structure prediction and computational design of proteins, or whether we can trust artificial intelligence predictions
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
spellingShingle Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
Романюк, С.І.
Комісаренко, С.В.
Статті та огляди
title_short Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
title_full Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
title_fullStr Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
title_full_unstemmed Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
title_sort прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту
author Романюк, С.І.
Комісаренко, С.В.
author_facet Романюк, С.І.
Комісаренко, С.В.
topic Статті та огляди
topic_facet Статті та огляди
publishDate 2025
language Ukrainian
container_title Вісник НАН України
publisher Видавничий дім "Академперіодика" НАН України
format Article
title_alt A breakthrough in spatial structure prediction and computational design of proteins, or whether we can trust artificial intelligence predictions
description Автори статті аналізують Нобелівську премію з хімії 2024 р., яку було присуджено американському біохіміку та комп’ютерному біологу Девіду Бейкеру (David Baker) за «комп’ютерний дизайн білків», а також представникам компанії Google DeepMind: британському фахівцю з систем штучного інтелекту Демісу Гассабісу (Demis Hassabis) і американському хіміку та інформатику Джону Джамперу (John M. Jumper) за «прогнозування структури білка». Досягнення нобелівських лауреатів у галузі обчислювального проєктування протеїнів та прогнозування їхньої структури відкрили нову еру біохімічних і біологічних досліджень, що в поєднанні із застосуванням інструментів штучного інтелекту матиме далекосяжні наслідки для людства. The authors of the article analyze the 2024 Nobel Prize in Chemistry, which was awarded to American biochemist and computational biologist David Baker for “computer-aided protein design”, as well as to representatives of Google Deep-Mind: British artificial intelligence systems specialist Demis Hassabis and American chemist and computer scientist John M. Jumper for “protein structure prediction”. The achievements of the Nobel laureates in the field of computational protein design and structure prediction have opened a new era of biochemical and biological research, which, combined with the use of artificial intelligence tools, will have far-reaching consequences for humanity.
issn 1027-3239
url https://nasplib.isofts.kiev.ua/handle/123456789/206104
citation_txt Прорив у прогнозуванні просторової структури та обчислювальному дизайні протеїнів, або чи можна вірити передбаченням штучного інтелекту / С.І. Романюк, С.В. Комісаренко // Вісник Національної академії наук України. — 2025. — № 2. — С. 16-35. — Бібліогр.: 37 назв. — укр.
work_keys_str_mv AT romanûksí prorivuprognozuvanníprostorovoístrukturitaobčislûvalʹnomudizainíproteínívabočimožnavíritiperedbačennâmštučnogoíntelektu
AT komísarenkosv prorivuprognozuvanníprostorovoístrukturitaobčislûvalʹnomudizainíproteínívabočimožnavíritiperedbačennâmštučnogoíntelektu
AT romanûksí abreakthroughinspatialstructurepredictionandcomputationaldesignofproteinsorwhetherwecantrustartificialintelligencepredictions
AT komísarenkosv abreakthroughinspatialstructurepredictionandcomputationaldesignofproteinsorwhetherwecantrustartificialintelligencepredictions
first_indexed 2025-11-24T15:55:01Z
last_indexed 2025-11-24T15:55:01Z
_version_ 1850849412901765120
fulltext 16 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) ПРОРИВ У ПРОГНОЗУВАННІ ПРОСТОРОВОЇ СТРУКТУРИ ТА ОБЧИСЛЮВАЛЬНОМУ ДИЗАЙНІ ПРОТЕЇНІВ, АБО ЧИ МОЖНА ВІРИТИ ПЕРЕДБАЧЕННЯМ ШТУЧНО ГО ІНТЕЛЕКТУ Автори статті аналізують Нобелівську премію з хімії 2024 р., яку було присуджено американському біохіміку та комп’ютерному біологу Девіду Бейкеру (David Baker) за «комп’ютерний дизайн білків», а також пред- ставникам компанії Google DeepMind: британському фахівцю з систем штучного інтелекту Демісу Гассабісу (Demis Hassabis) і американському хімі ку та інформатику Джону Джамперу (John M. Jumper) за «прогнозуван- ня структури білка». Досягнення нобелівських лауреатів у галузі обчис- лювального проєктування протеїнів та прогнозування їхньої структури відкрили нову еру біохімічних і біологічних досліджень, що в поєднанні із застосуванням інструментів штучного інтелекту матиме далекосяжні наслідки для людства. Ключові слова: Нобелівська премія з хімії 2024 року, Девід Бейкер, Деміс Гассабіс, Джон Джампер, проєктування білків, прогнозування структури протеїнів. 9 жовтня 2024 р. Нобелівський комітет при Каролінському ме- дичному інституті у Стокгольмі оголосив імена лауреатів Но- белівської премії з хімії. Напередодні компанія Clarivate за ана- лізом кількості цитувань визначила імена найбільш імовірних претендентів на Нобелівську премію з хімії 2024 р.1. По-перше, це американець Роберто Кар (Roberto Car) — про- фесор хімії Принстонського інституту матеріалів, директор Об- числювального хімічного наукового центру з хімії розчину та інтерфейсів при Принстонському університеті, а також швей- царський вчений Мікеле Паррінелло (Michele Parrinello) — по- чесний професор обчислювальної техніки на факультеті інфор- матики Італійського університету Швейцарії в Лугано, почес- ний професор кафедри хімії та прикладних біологічних наук у Швейцарській вищій технічній школі Цюриха, які розробили 1 Citation Laureates 2024. Breakthroughs in Chemistry. http://surl.li/ifb mkf РОМАНЮК Світлана Іванівна — кандидат біологічних наук, старший науковий співробітник Інституту біохімії ім. О.В. Палладіна НАН України doi: https://doi.org/10.15407/visn2025.02.016 КОМІСАРЕНКО Сергій Васильович — академік НАН України, директор Інституту біохімії ім. О.В. Палладіна НА Н України ISSN 1027-3239. Вісн. НАН України, 2025, № 2 17 СТАТТІ ТА ОГЛЯДИ метод Кара—Паррінелло для розрахунку моле- кулярної динаміки ab initio, що спричинив ре- волюцію в комп’ютерній хімії. По-друге, ймовірним кандидатом на пре- мію назвали японця Казунарі Домена (Kazunari Domen) — професора Інституту регенерації води при Університеті Шиншу в Нагано та про- фесора Токійського університету — за фунда- ментальні дослідження фотокаталізаторів для розщеплення води й побудови сонячних сис- тем виробництва водню. По-третє, передбачалося, що Нобелівську премію можуть отримати двоє британських вчених: Джон М. Джампер і Деміс Гассабіс — директор і відповідно генеральний директор Google DeepMind — компанії з розроблення штучного інтелекту (ШІ), а також американець Девід Бейкер — професор біохімії, дослідник Медичного інституту Говарда Г’юза та дирек- тор Інституту дизайну протеїнів Медичної школи Університету Вашингтона у Сієтлі, які зробили значний внесок у прогнозування та проєктування тривимірних структур протеї- нів та їхніх функцій. Неймовірно, але цього разу співробітникам компанії Clarivate вдалося абсолютно точно передбачити імена нобелівських лауреатів у галузі хімії, що трапляється не часто. Отже, у 2024  р. лауреатами 116-ї Нобелівської пре- мії з хімії стали троє вчених — Девід Бейкер, Деміс Гассабіс та Джон Джампер. Генеральний секретар Шведської королівської академії наук Ханс Еллегрен (Hans Ellegren) оголосив моти- вування рішення про нагородження: вчених було відзначено цією престижною нагородою «за обчислювальний дизайн протеїну та перед- бачення його структури». Слід зауважити, що одну половину премії присудили Девіду Бей- керу «за обчислювальний дизайн протеїну», а іншу  — Демісу Гассабісу та Джону Джамперу «за передбачення структури протеїну». Згідно з офіційним пресрелізом, «Нобелівська премія з хімії 2024 року присвячена протеїнам — ге- ніальним хімічним інструментам життя. Деві- ду Бейкеру вдалося створити абсолютно нові види протеїнів. Деміс Гассабіс і Джон Джампер розробили модель ШІ для розв’язання 50-річ- ної проблеми: прогнозування складних струк- тур протеїнів. Ці відкриття мають величезний потенціал»2. У 2024  р. одразу дві Нобелівські премії (з фізики та з хімії) було присуджено вченим, до- слідження яких стосувалися використання ШІ. Це викликало хвилю звинувачень на адресу Нобелівського комітету в тому, що ці дослі- дження не є достатньою мірою ні фізикою, ні хімією, а більше стосуються програмування та біології. Нобелівський лауреат з фізики 2024 р. та піонер машинного навчання Джеффрі Гін- тон (Geoff rey Hinton) так пояснив це: «Нама- гаючись зрозуміти, як реальні нервові системи досягають своїх дивовижних обчислювальних здібностей, виявилося необхідним вивчити дуже ідеалізовані моделі, які настільки ж від- різняються від реальних біологічних нейрон- них мереж, як яблука від планет». Цікаво, що рік тому Гінтон звільнився з Google, щоб віль- но говорити про небезпеку застосування ШІ, і заявив, що частина його тепер шкодує про ро- боту свого життя 3. Однак повернімося до нобелівських лау- реатів з хімії 2024  р. і познайомимося з ними ближче. 62-річний професор біохімії Девід Бейкер є дослідником Медичного інституту Говарда Г’юза та ад’юнкт-професором наук про геном, біоінженерії, хімічної інженерії, комп’ютерних наук і фізики в Університеті Вашингтона у Сі- єтлі (штат Вашингтон, США). Девід Бейкер на- родився 6 жовтня 1962 р. у Сієтлі в єврейській родині. Його батьки були викладачами Універ- ситету Вашингтона: зараз 92-річний батько Девіда — Маршалл Бейкер є почесним про- фесором відділу фізики, що працює в галузі квантової фізики, зокрема теорії елементарних частинок, а матір — Марсіа Бурджін Бейкер є професором геофізики та атмосферних наук на пенсії, а раніше вивчала механізм утворен- ня блискавок і фізику хмар для розроблення глобальних кліматичних моделей. Девід Бей- кер виріс неподалік від кампусу Університету 2 Th e Nobel Prize in Chemistry 2024. Press release. http://surl.li/axxhcd 3 Nature Briefi ng, 11 October 2024. http://surl.li/kwloyf 18 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ Вашингтона, закінчив середню школу Гарфілда в Сієтлі, а у 1984  р. здобув ступінь бакалавра мистецтв з біології в Гарвардському універси- теті у Кембриджі (штат Массачусетс). У 1989 р. Бейкер здобув ступінь доктора філософії з біо- хімії в Каліфорнійському університеті в Берклі за роботу з дослідження транспорту протеїнів у дріжджових екстрактах, виконану під керів- ництвом Ренді Шекмана (Randy Schekman), який у 2013  р. отримав Нобелівську премію з фізіології або медицини за відкриття механіз- му регулювання везикулярного транспорту в клітинах. Потім у 1993  р. Девід Бейкер закін- чив докторантуру з біофізики у Девіда Агарда (David Agard) в Каліфорнійському університе- ті в Сан-Франциско та приєднався як викладач до факультету біохімії Медичної школи Універ- ситету Вашингтона у Сієтлі. У 2000 р. він став дослідником Медичного інституту Говарда Г’юза і зараз очолює Інститут дизайну протеї- нів Університету Вашингтона. Цікаво, що Девід Бейкер став восьмим викладачем цього універ- ситету, який отримав Нобелівську премію. Девід Бейкер є членом Національної акаде- мії наук США (з 2006) і Американської академії мистецтв і наук (з 2009), а також у 2024 р. він увійшов до списку 100 найвпливовіших людей у галузі охорони здоров’я журналу Time. Він є автором більш як 640 наукових праць з біохі- мії та понад 100 патентів, 90 його докторантів і постдокторантів успішно продовжили науко- ву та викладацьку кар’єру. Крім того, Бейкер є співзасновником 21 біотехнологічної компа- нії, серед яких найбільш відомими є Prospect Genomics (у 2001  р. її придбала дочірня ком- панія Eli Lilly, Icosavax, яку у 2023 р. придбала AstraZeneca), а також Sana Biotechnology, Lyell Immunotherapeutics і Xaira Th erapeutics. За свою роботу Девід Бейкер здобув чис- ленні нагороди, такі як стипендія Паккарда в галузі науки та інженерії (1994); премія Бекма- на для молодих дослідників від Університету Вашингтона (1995); премія Овертона (2002); премія Ньюкомба Клівленда, премія Фейнма- на з нанотехнологій (2004); міжнародна премія Саклера з біофізики (2008); премія «Зухвалий проєкт» від фонду TED (2019); премія «За про- рив» у науках про життя (2021); премія Вайлі та премія Фонду BBVA «Межі знань» у категорії «Біологія та біомедицина» (2022). У вільний час Девід Бейкер завзято мандрує. Він одружений з Ханнелою Руохола-Бейкер, яка має фінське походження і є професором біохімії, заступником директора Інституту стовбурових клітин і регенеративної медицини Університету Вашингтона в Сієтлі. Цікаво, що Ханнела вивчає диференціювання стовбуро- вих клітин і роль мікроРНК у цьому процесі, а у 2024 р. Нобелівську премію з фізіології або медицини було присуджено саме за відкриття ролі мікроРНК у посттрансляційному регулю- ванні генів. 48-річний сер Деміс Гассабіс є розробником комп’ютерних ігор, програмістом, нейробіоло- гом, шахістом світового класу, засновником і генеральним директором компанії DeepMind у Лондоні, а також урядовим радником Ве- ликої Британії з питань ШІ. Він народився 27 липня 1976  р. на півночі Лондона в сім’ї вчи- телів-мігрантів: грека-кіпріота та китаянки з Сінгапуру. Його мати працювала в елітному універмазі John Lewis, а батько був співаком і автором пісень. Деміс був старшим із трьох ді- тей у сім’ї, зараз його сестра  — композитор і піаністка, а брат — дослідник творчого письма. Ніхто з членів родини не захоплювався мате- матикою, комп’ютерами чи загалом наукою. У віці чотирьох років Деміс Гассабіс почав грати в шахи, через рік він вже змагався на націо- нальному рівні, а згодом — і на міжнародному. У віці 8 років за гроші, виграні на шаховому турнірі, Деміс купив свій перший комп’ютер ZXSpectrum і самостійно опанував літературу з програмування. У 1989 р. Гассабіс став воло- дарем найвищого рейтингу Ело серед шахістів віком до 13 років (набравши 2300 очок), тоді як найвищий у світі рейтинг Ело — 2882 пункти здобув у 2014  р. норвежець Магнус Карлсен. Деміс Гассабіс був капітаном багатьох юніор- ських шахових команд Англії та єдиний у сві- ті п’ять разів перемагав на чемпіонаті світу Pentamind з інтелектуальних видів спорту. У 14 років Гассабіса відзначили на конкурсі дизай- нерів-аматорів, проведеному журналом Amiga ISSN 1027-3239. Вісн. НАН України, 2025, № 2 19 СТАТТІ ТА ОГЛЯДИ Power, надавши місце тестера у відомій британ- ській ігровій студії Bullfrog Productions та мож- ливість познайомитися з культовим розробни- ком комп’ютерних ігор Пітером Моліньє. Шкільну освіту Деміс спочатку отримував вдома, де його навчали батьки, у 12—14 ро- ків навчався у гімназії для хлопчиків — школі королеви Єлизавети в районі Барнет, а потім відвідував державну загальноосвітню школу Коледж Христа в районі Фінчлі, яку закінчив на два роки раніше, успішно склавши випускні іспити у 16 років. Спроба вступити до Кемб- риджського університету виявилася невдалою: йому відмовили через занадто юний вік і по- просили зробити перерву. Протягом цієї перерви Гассабіс продовжив свою кар’єру розробника ігор у Bullfrog Produc- tions. Спочатку він розробляв рівні у грі Syn- dicate, а в 17 років очолив проєкт зі створен- ня надпопулярного економічного симулятора Th eme Park, продажі якого становили кілька мільйонів копій. Ця гра стала поштовхом для розвитку жанру імітаційних ігор-пісочниць, у яких гравець має можливість створювати, змі- нювати або знищувати віртуальний навколиш- ній світ. Пітер Моліньє назвав Деміса «найкра- щим співробітником століття». Деміс Гассабіс заробив достатньо, щоб самостійно оплатити навчання в університеті, і покинув Bullfrog за- ради вступу до Квінс-коледжу Кембриджсько- го університету, в якому він у 1997 р. закінчив курс бакалаврату з інформатики Computer Sci- ence Tripos з подвійною відзнакою. Після за- кінчення університету Гассабіс рік працював у щойно створеній Пітером Моліньє компанії Lionhead Studios, де був провідним програміс- том ШІ для гри Black & White (2001). У 1998 р. Деміс Гассабіс покинув Lionhead, щоб у віці 22 років заснувати власну компанію з розроблен- ня ігор Elixir Studios, яка створила ще дві відо- мі стратегії: Republic: Th e Revolution (2003) і Evil Genius (2005), які номінувалися на премію BAFTA за інтерактивну музику, створену бри- танським композитором Джеймсом Ганніга- ном, відомим передусім своєю музикою до ігор про Гаррі Поттера. У 2000  р. компанію Elixir Studios було оцінено в £12 млн. Однак уже че- рез п’ять років Гассабіс, продавши всю інтелек- туальну власність іншим студіям, закрив Elixir Studios, пішов з ігрової індустрії та занурився у світ нейронауки, проголосивши своєю метою розроблення нових технологій ШІ. У 2009 р. Деміс Гассабіс здобув ступінь док- тора філософії з когнітивної нейронауки в Уні- верситетському коледжі Лондона, виконавши роботу з дослідження нервових процесів, які лежать в основі епізодичної пам’яті, під керів- ництвом професора когнітивної нейронауки ірландського походження Елеонор Магуайр (Eleanor Maguire). Надалі він продовжив свої дослідження в галузі нейронауки та ШІ в Кемб- риджі (штат Массачусетс, США) як запро- шений вчений у Гарвардському університеті, а також у лабораторії відомого нейробіолога Томазо Поджіо (Tomaso A. Poggio) в Массачу- сетському технологічному інституті. Отримав- ши докторську стипендію Генрі Велкома, Гас- сабіс повернувся до Великої Британії і почав працювати в лабораторії Пітера Даяна (Peter Dayan) — директора підрозділу обчислюваль- ної нейронауки Гетсбі в Університетському ко- леджі Лондона. У 2010 р. Деміс Гассабіс разом з двома нейро- біологами — Шейном Леггом (Shane Legg) та Мустафою Сулейманом (Mustafa Suleyman)  — заснував компанію DeepMind Technologies, яка спеціалізувалася на технологіях ШІ. У 2014  р. Google придбав британський стартап DeepMind, який після цього отримав назву Google DeepMind. Деміс Гассабіс залишився ге- неральним директором компанії, і саме тут на нього чекали найбільші наукові здобутки, які й було відзначено Нобелівською премією з хімії 2024 р. Деміс Гассабіс є членом Королівського това- риства мистецтв (з 2009), Науково-консульта- тивної групи з питань надзвичайних ситуацій (з 2012), Королівської інженерної академії наук Великої Британії (з 2017), Лондонського коро- лівського товариства (з 2018), Американської академії мистецтв і наук (з 2021), Папської академії наук і Європейської академії (з 2023). Крім того, Деміса Гассабіса було включено до багатьох рейтингових списків найвпливові- 20 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ ших людей світу, Європи та Великої Британії за версією провідних журналів, зокрема Nature 10 (2016) і Time 100 (2017), а також посвячено в лицарі за заслуги в галузі ШІ (2024). Деміс Гассабіс за останні 10 років здобув близько 50 наукових відзнак і нагород, голо- вними з яких є премія Малларда від Королів- ського товариства (2014); Срібна медаль Коро- лівської інженерної академії (2016); нагорода «Золота тарілка» від Американської академії досягнень; премія Th e Asian Awards за видатні досягнення в науці і техніці (2017); премія Дена Девіда в категорії «Майбутнє — Штучний інте- лект», медаль Пія XI від Папської академії наук (2020); медаль IRI від Інституту промислових досліджень (2021); премія Вайлі в галузі біоме- дичних наук, премія принцеси Астурійської за технічні та наукові дослідження, премія Фон- ду BBVA «Межі знань» у категорії «Біологія та біомедицина», Глобальна швейцарська премія в галузі ШІ, премія VinFuture для інновато- рів з видатними досягненнями у нових сфе- рах (2022); медаль Лавлейс від Британського комп’ютерного товариства, премія «За прорив» у науках про життя, міжнародна премія канад- ського Фонду Гайрднера, премія Альберта Лас- кера за фундаментальні медичні дослідження (2023) і премія Кейо з медичних наук (2024). Деміс Гассабіс живе зі своєю сім’єю у Хайгей- ті — північному районі Лондона, неподалік від місця, де він виріс. Його дружина, італійський молекулярний біолог, досліджує хворобу Аль- цгеймера. Гассабіс захоплюється футболом і протягом усього життя є фанатом ФК «Лівер- пуль». Ще одним його великим захопленням є кіно. Гассабіс вважає своїм другом британського режисера Алекса Гарленда, перший фільм яко- го Ex Machina (2014) про ШІ одержав премію Оскар за найкращі візуальні ефекти. За мотива- ми життєвого шляху і досягнень Гассабіса аме- риканський режисер Грег Кос, десятиразовий лауреат премії «Еммі», зняв два документальних фільми: «Гра в мислення» (2024) і відзначений багатьма нагородами фільм «АльфаГо» (2017)4. 4 Lourie A. Exclusive interview: meet Demis Hassabis, London's megamind who just sold his company to Google for £400m. http://surl.li/setryi 39-річний Джон Майкл Джампер є хімі- ком і комп’ютерним науковцем, директором компанії Google DeepMind, яку заснував і досі очолює Деміс Гассабіс. Джон Джампер народився у 1985  р. у пригороді міста Літл- Рок — адміністративного центру штату Ар- канзас (США), і йому судилося стати першим нобелівським лауреатом з Арканзасу та най- молодшим нобелівським лауреатом з хімії за останні 70 років. Джон з раннього віку ви- являв інтерес до математики та природничих наук. Дитинство й підліткові роки він провів у рідному пригороді в оточенні домашніх тва- рин і чудової природи, навчався у приватній середній школі «Академія Пуласкі» у Літл-Рок, де займався в науково-технічному гуртку, ша- ховому клубі, гуртку «Модель ООН», а також грав у футбол. У старших класах за дипломну роботу «Модель для країн-ізгоїв» Джон отри- мав відзнаку вчителя з соціальних наук Білла Топіча, який значно вплинув на становлення майбутнього вченого. Після закінчення шко- ли у 2003  р. Джампер переїхав до сусіднього штату Теннессі, щоб вивчати фізику і матема- тику в Університеті Вандербільта в Нешвіллі. У 2007  р. він закінчив університет і здобув ступінь бакалавра з фізики та математики. Отримавши стипендію Маршалла, Джон Джампер переїхав до Великої Британії для на- вчання у Коледжі Святого Едмунда при Кемб- риджському університеті. Джампер потрапив до знаменитої Кавендішської лабораторії, яка зараз є фізичним факультетом університе- ту, а в 1874  р. була створена як перша у світі навчально-наукова лабораторія і названа на честь Генрі та Вільяма Кавендішів, герцогів Девонширу, один з яких був відомим фізиком і хіміком, а інший — канцлером Кембридж- ського університету, який пожертвував велику суму на відкриття лабораторії. Засновником і першим професором лабораторії був Джеймс Максвелл, розробник електромагнітної теорії, а серед відомих відкриттів, зроблених у Кавен- дішській лабораторії, — відкриття електрона, нейтрона та структури ДНК. У 2008 р. Джам- пер завершив навчання в Кембриджському університеті, здобувши ступінь магістра філо- ISSN 1027-3239. Вісн. НАН України, 2025, № 2 21 СТАТТІ ТА ОГЛЯДИ софії з теоретичної фізики конденсованого се- редовища, і повернувся до США. Через відсутність великого інтересу до тієї галузі фізики, якою він займався, Джон Джам- пер закинув докторську дисертацію і наступні три роки провів в обчислювальній лабораторії D.E. Shaw Research у Нью-Йорку, де розробив модель для вивчення динаміки протеїнів та інших молекул. У 2011  р. Джампер перейшов з лабораторії до Чиказького університету, де застосував машинне навчання для вивчення фізики згортання протеїну. У 2012  р. він здо- був ступінь магістра наук з теоретичної хімії, а у 2017 р. — ступінь доктора філософії з теоре- тичної хімії за роботу, присвячену новим мето- дам моделювання грубозернистого згортання та динаміки протеїну з використанням машин- ного навчання, яку він виконував під керівни- цтвом Тобіна Сосніка (Tobin Sosnick) і Карла Фріда (Karl Freed) у Чиказькому університеті. Невдовзі після цього Джон Джампер влашту- вався на роботу в компанію Google DeepMind у Лондоні, а у 2023 р. став її директором. Джон Джампер отримав багато нагород, серед яких премія Вайлі у галузі біомедич- них наук, премія Фонду BBVA «Межі знань» у категорії «Біологія та біомедицина», премія VinFuture для інноваторів з видатними до- сягненнями у нових сферах (2022); премія «За прорив» у науках про життя, міжнародна пре- мія канадського Фонду Гайрднера, премія Аль- берта Ласкера за фундаментальні медичні до- слідження (2023); лекція Apex в Університеті Вандербільта (2024). У 2021 р. Джон Джампер увійшов до списку найбільш впливових людей у науці Nature 10. Хоча особисті відомості про вченого зали- шаються відносно конфіденційними, відомо, що Джон Джампер живе в Лондоні з сім’єю, його дружина також є науковцем і має ступінь доктора філософії. Що ж таке обчислювальний дизайн протеї- ну? Чому визначення просторової структури протеїнів є таким важливим? І до чого тут ШІ? Протеїни не дарма вважають основою життя на нашій планеті, адже вони є не лише матері- алом, з якого побудовано всі живі організми, а й багатофункціональними молекулами, необ- хідними для реалізації важливих для життя процесів: ензиматичного каталізу хімічних реакцій, передавання клітинного сигналу, транспортування інших молекул, реагування на подразники, здійснення імунного захисту, контролю за процесами зчитування генної ін- формації та синтезу нових протеїнів тощо. Ви- конання цих різноманітних функцій можливе завдяки тому, що протеїни є макромолекулами зі складною та унікальною тривимірною струк- турою. Як вона утворюється? Протеїни — це природні полімери, що син- тезуються в клітині з 20 типів L-α-амінокислот, які різняться будовою бічних ланцюгів. Гнучкий поліпептидний ланцюг фактично складається з амінокислотних залишків, з’єднаних пептидни- ми зв’язками –NH–CO–, які утворюються вна- слідок реагування карбоксильної групи однієї амінокислоти з аміногрупою іншої амінокис- лоти. Причому пептидний зв’язок є полярним, оскільки група NH може діяти як донор водне- вого зв’язку, а група CO — як акцептор. Завдя- ки водневим зв’язкам між наближеними в про- сторі групами NH і CO різних ділянок ланцюга утворюються такі регулярні елементи вторинної просторової структури, як α-спіралі та β-листи, послідовність яких своєю чергою згортаєть- ся під впливом різних факторів з утворенням складної третинної структури. Основними фак- торами, що спонукають протеїновий ланцюг згортатися, є численні нековалентні взаємодії між амінокислотними залишками, зокрема вод- неві зв’язки, гідрофобні ефекти, сили Ван-дер- Ваальса та іонні зв’язки [1]. Вторинні структури залежно від власти- востей амінокислот, з яких вони складаються, можуть бути щільно упаковані всередині моле- кули протеїну в гідрофобному середовищі або розміщуватися на гідрофільній поверхні. Біч- ний ланцюг кожного типу амінокислоти може займати лише певний обмежений об’єм і має обмежену кількість можливих взаємодій з ін- шими сусідніми бічними ланцюгами. З огляду на це, стає зрозумілим, чому просторова струк- тура протеїну є унікальною і чому вона визна- 22 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ чається його амінокислотною послідовністю. Оскільки функції протеїнів тісно пов’язані з їх тривимірними структурами, вивчення біо- логічних процесів є фактично неможливим без знання просторової структури протеїнів, які беруть у них участь. Проблема полягає в тому, що для кожної амінокислотної послідовності існує величезна кількість можливих варіантів просторової структури. Лауреати Нобелівської премії з хімії 2024 р. відкрили спосіб швидкого, легкого і дешевого визначення просторової структури протеїну за амінокислотною послідовністю (прогно- зування структури протеїнів), а також спо- сіб визначення амінокислотної послідовності протеїну з бажаною просторовою структурою (обчислювальний дизайн протеїнів). Їм вда- лося розв’язати цю надзвичайно складну та актуальну проблему завдяки не лише власній геніальності, а й використанню технології ШІ, яка невпинно розвивається протягом останніх 25 років. Якою ж була історія успіху та попереднього розвитку відповідної галузі науки? Ця історія розпочалася (як і у випадку бага- тьох інших видатних відкриттів) у 1950-х ро- ках, коли відбувався бурхливий розвиток мо- лекулярної біології та з’явилися нові технічні можливості для вивчення протеїнів. Уперше просторову структуру протеїну (міоглобіну) «побачив» за допомогою методу рентгенів- ської кристалографії британський біохімік Джон Кендрю (John Kendrew) у 1958  р. Через два роки його колега Макс Перуц (Max Perutz) з’ясу вав просторову структуру гемоглобіну. Це видатне відкриття було відзначено Нобе- лівською премією з хімії 1962 р. та привернуло увагу інших вчених до вивчення принципів по- будови просторової структури протеїнів. Так, у 1961 р. американський біохімік Крістіан Ан- фінсен (Christian Anfi nsen) помітив, що після розгортання пептидного ланцюга під впливом різних чинників він завжди згортається в одну й ту саму просторову структуру, яка, очевидно, визначається його амінокислотною послідов- ністю. Важливість цього відкриття було під- креслено врученням Анфінсену Нобелівської премії з хімії 1972 р., хоча механізм згортання протеїну не був ще до кінця зрозумілим. Цю невизначеність підкреслив у 1968 р. американ- ський молекулярний біолог Сайрус Левінталь (Cyrus Levintal), звернувши увагу на парадокс у висновках Анфінсена, який було названо пара- доксом Левінталя: «Проміжок часу, за який по- ліпептид згортається, є на багато порядків мен- шим, ніж час, протягом якого він просто пере- бирав би усі можливі конфігурації». Інакше кажучи, якби поліпептидний ланцюг згортався випадковим чином, знадобилося б більше часу, ніж вік Всесвіту, щоб знайти правильну про- сторову структуру, а в клітині цей процес від- бувається лише за кілька мілісекунд5. Так вчені зрозуміли, що згортання є заздале- гідь визначеним процесом, зумовленим лише амінокислотною послідовністю протеїну, а отже, має існувати теоретичний спосіб визна- чати структуру протеїну за його амінокислот- ною послідовністю. Це завдання стало одним з найважливіших у молекулярній біології, осо- бливо якщо взяти до уваги, що рентгенівська кристалографія потребувала дуже багато часу, коштів і зусиль для одержання результату, який до того ж не для кожного протеїну вдавалося отримати. З початку 1990-х років з розвитком методів секвенування ДНК у базах даних нако- пичилося понад 2,6 млрд послідовностей ДНК, водночас кількість ідентифікованих протеїно- вих послідовностей у базі UniProt становила приблизно 200  млн, а просторових структур протеїнів — усього 180  тис. [2]. Незважаючи на поширеність таких точних експерименталь- них методів, як рентгенівська кристалографія, ЯМР-спектроскопія та кріоелектронна мікро- скопія, нові дані щодо визначення просторо- вої структури протеїнів з’являлися дуже рідко. Тому з часом розрив між відомими послідов- ностями протеїнів та їхніми просторовими структурами неминуче зростав. Це спонукало вчених використати обчислювальні методи, щоб віднайти спосіб надійного передбачення просторової структури протеїну на основі амі- нокислотної послідовності. Зворотним боком 5 Aqvist J. Computational protein design and protein structure prediction. http://surl.li/jxuzyz ISSN 1027-3239. Вісн. НАН України, 2025, № 2 23 СТАТТІ ТА ОГЛЯДИ цієї проблеми, ще більш цікавим, стало визна- чення амінокислотної послідовності, яка могла б згорнутися в протеїн з певною визначеною структурою та потрібними людям властивос- тями. Перші спроби вирішити ці завдання було спрямовано на передбачення вторинної струк- тури протеїнів. У 1974 р. Пітер Чоу (Peter Chou) та Джеральд Фасман (Gerald Fasman) створили один із перших алгоритмів для передбачення вторинної структури протеїну, проаналізував- ши 15 амінокислотних послідовностей протеї- нів з відомою структурою [3]. Проте цей метод виявився не надто точним, адже в алгоритмі не враховували третинні взаємодії, які також впливали на формування вторинної структу- ри. У 1988 р. Лінн Ріган (Lynne Regan) і Вільям ДеГрадо (William DeGrado) сконструювали протеїн із чотирьох спіралей, розрахувавши його амінокислотну послідовність, виходячи з того, що зовнішня грань кожної α-спіралі має бути гідрофільною, а внутрішня — гідрофоб- ною [4]. Після цього протеїни з чотирма спіра- лями стали стандартними об’єктами для дослі- джень у галузі протеїнового дизайну. Невдовзі стало зрозумілим, що для прогнозу- вання структури більших за розміром і складні- ших протеїнів необхідно застосовувати повніс- тю автоматизовані обчислення. Вперше це зро- били у 1997 р. американські вчені Бассіл Дахіят (Bassil Dahiyat) і Стівен Мейо (Stephen Mayo) з Каліфорнійського інституту технологій у Паса- дені, які розробили дизайн нового невеликого протеїну з просторовою структурою, подібною до так званого мотиву цинкового пальця (Znf), що входить до складу багатьох протеїнів, забез- печуючи зв’язування з певною цільовою моле- кулою (ДНК, РНК, протеїном або ліпідом). Цей новий протеїн мав 6 із 28 спільних з природним протеїном амінокислотних залишків і, на відмі- ну від нього, не містив іонів Zn2+ [5]. Цей алго- ритм обчислювального дизайну було засновано на функціях фізико-хімічного потенціалу та сте- реохімічних обмеженнях, і його використовува- ли для скринінгу комбінаторної бібліотеки. Це дослідження стало важливою віхою в розвитку дизайну протеїнів, але розв’язання аналогічно- го завдання для великого протеїну тоді було аб- солютно нездійсненним. У 1990-х роках з’явилося ще два цікавих під- ходи до вивчення та передбачення структури протеїнів. По перше, це було моделювання мо- лекулярної динаміки (MD) згортання, в якому за допомогою методу грубої сили намагалися правильно згорнути розчинений протеїн, що перебував у розгорнутому стані. В 1998 р. Йон- гу Дуану (Yong Duan) і Пітеру Колману (Peter Kollman) вдалося згорнути в такий спосіб неве- ликий протеїн усього за мікросекунду [6]. Дру- гий підхід полягав у вирівнюванні множинних послідовностей (MSA), в якому порівнювали послідовності протеїнів певної родини та зна- ходили корельовані мутації, що виникли під час еволюції і стосувалися пар амінокислотних залишків, які взаємодіяли та розташовувалися близько один від одного в межах просторової структури [7]. Цей підхід вважали дуже пер- спективним, але ефективність передбачення просторової структури протеїну з використан- ням MSA залишалася невисокою. Штучні нейронні мережі почали застосову- вати для прогнозування вторинної структури ще наприкінці 1980-х років [8], але активне ви- користання цих технологій почалося лише че- рез 10 років, коли закінчилася так звана «зима ШІ» — період розчарувань і зниження інтере- су вчених та інвесторів до цієї технології. Для прогнозування структури протеїнів розроби- ли численні підходи моделювання на основі шаблонів (TBM), які ґрунтувалися на пошуку подібних структур у банку даних протеїнів, а також вільне моделювання (відоме як підхід ab initio), що використовувало наскрізні методи глибокого машинного навчання та обходило- ся без використання глобальних шаблонних структур. Тривалий час методи TBM вважа- ли надійнішими, однак їхня точність значною мірою залежала від якості вирівнювання між цільовим протеїном та ідентифікованими ша- блонами, яка своєю чергою часто визначалася еволюційними відмінностями між ними [1]. Для тестування різних методів прогнозуван- ня просторової структури протеїнів і стимулю- вання прогресу в цій галузі у 1994 р. було запо- 24 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ чатковано конкурс «Критична оцінка прогно- зування структури протеїну» (CASP). Заснува- ли його Джон Молт (John Moult) з Університету Мериленду в Коледж-Парку та Кшиштоф Фі- деліс (Krzysztof Fidelis) з Ліверморської націо- нальної лабораторії при Каліфорнійському уні- верситеті. З 2004 р. одним з організаторів кон- курсу є українець Андрій Криштафович (An- driy Kryshtafovych) — вчений-біоінформатик родом із Коломиї, який закінчив Львівський національний університет, до 2000 р. працював у НАН України, а зараз є співробітником Калі- форнійського університету в Девісі 6. Учасники конкурсу з усього світу кожні два роки намага- лися за амінокислотною послідовністю перед- бачити структури протеїнів, які було визна- чено, але ще не було опубліковано. Протягом перших десяти років прогрес був незначним: найкращі результати демонстрували точність визначення до 40 %. Однак саме завдяки участі в цьому конкурсі нобелівські лауреати 2024 р. змогли продемонструвати свої визначні досяг- нення та здобути всесвітню славу. Яким шляхом доля привела їх до перемоги і що відбувалося в їхньому житті на той момент? У 2010  р. Деміс Гассабіс, здобувши науко- вий ступінь з нейронауки, заснував компанію DeepMind, щоб використати одержані знання для вдосконалення нейромереж. Співзаснов- никами компанії були його близькі друзі — ней робіологи Шейн Легг та Мустафа Сулейман. Невдовзі DeepMind стала відомою, досягши певних успіхів у розробленні моделей ШІ для популярних настільних ігор, і в 2014 р. її купив Google за $400 млн за умови, що Гассабіс зали- шиться на посаді генерального директора [9]. Через два роки Google DeepMind потрапила до заголовків усіх газет світу після того, як її про- грама ШІ AlphaGo перемогла з рахунком 4:1 Лі Седола — південнокорейського 18-разового чемпіона світу зі старовинної настільної гри го, який три роки потому оголосив про завершен- ня своєї кар’єри через бурхливий розвиток ШІ, 6 Андрій Криштафович: «Успішне моделювання струк- тури білків — найбільше досягнення науки в цьому столітті загалом». Тиждень. 27.01.2021. http://surl.li/ilrcmo що, за його словами, є «сутністю, яку неможли- во перемогти». Об’єднання з Google пішло на користь ком- панії DeepMind і спрямувало її діяльність на розв’язання найважливіших наукових про- блем. Цьому сприяли провідні вчені світу, що входили до складу корпоративної ради, зокре- ма фахівець у галузі інженерії протеїнів Френ- сіс Арнольд (Frances Arnold), яка отримала Но- белівську премію з хімії 2018  р. за проведену вперше спрямовану еволюцію ензимів. Невдо- взі передбачення просторової структури про- теїнів за допомогою обчислювальних методів із використанням ШІ стало одним із важливих напрямів діяльності компанії. Перші успіхи було продемонстровано у 2018  р., коли на конкурсі CASP13 компанія Google DeepMind представила свою програму AlphaFold, яка значно випередила конкурентів, продемонструвавши точність близько 70  %. Однак надалі спроби вдосконалити програму зайшли в глухий кут. Саме в цей час у компа- нію прийшов Джон Джампер, який викорис- тав свій досвід у теоретичній фізиці та моде- люванні протеїнів і запропонував повністю переробити алгоритм AlphaFold, створивши принципово нову програму — AlphaFold2. Ця програма для прогнозування ймовірної струк- тури протеїну використовувала нещодавно розроблений тип нейронної мережі під назвою трансформатор (замість згорткової нейронної мережі), а також глибоке машинне навчання на базі даних амінокислотних послідовностей і відомих протеїнових структур. Представлення AlphaFold2 на наступному конкурсі CASP14 у 2020 р. стало справжнім проривом, адже про- грама продемонструвала приголомшливий результат — точність передбачення структури протеїнів сягнула 90 %, що приблизно відпові- дало точності експериментального визначення за допомогою рентгенівської кристалографії або ЯМР-спектроскопії. Проблему визначен- ня обчислювальними методами просторової структури протеїнів за амінокислотною послі- довністю було розв’язано [10]. У 2021 р. компанія Google DeepMind на чолі з Гассабісом за допомогою AlphaFold2 роз- ISSN 1027-3239. Вісн. НАН України, 2025, № 2 25 СТАТТІ ТА ОГЛЯДИ рахувала просторові структури протеїнів 20 модельних організмів, таких як бактерії киш- кової палички, дріжджі та плодові мушки, а також майже 44 % усіх протеїнів людини. Для решти протеїнів людини передбачувана струк- тура часто визначалася як «невпорядкована», тобто ці протеїни мали кілька конформацій, які змінювалися при зв’язуванні з іншими молекулами 7. Наступним кроком було обчис- лення структур «усього протеїнового всесві- ту» — 200 млн відомих протеїнів, що походять приблизно з 1 млн біологічних видів. Гассабіс і Джампер розмістили цю інформацію у відкри- тій базі даних UniProt і оприлюднили вихідний код AlphaFold2. Зараз цією програмою корис- туються понад 2 млн людей зі 190 країн світу. За допомогою AlphaFold2 визначено струк- туру багатьох корисних протеїнів, зокрема при- родних ензимів, які можуть розкладати плас- тик і зупинити екологічну катастрофу на Землі (2022); частини величезної молекулярної струк- тури, що утворює пори в ядерній мембрані клі- тини та складається з понад тисячі протеїнів (2022); бактеріального ензиму, який спричиняє стійкість бактерій до антибіотиків, що є важ- ливим для розроблення способів запобігання стійкості до антибіотиків (2023), тощо. У травні 2024  р. команда Джампера представила новий варіант програми — AlphaFold3, що може перед- бачати структуру не лише протеїнів, а й інших молекул, зокрема ДНК і РНК. Поки що код нової програми є закритим з комерційних міркувань, але програму планують зробити доступною для некомерційного використання. Девіда Бейкера доля привела до галузі ви- вчення просторової структури протеїнів ви- падково. Він вступив до Гарвардського уні- верситету з бажанням вивчати філософію та соціальні науки, однак зацікавився клітинною біологією і структурою протеїнів, коли під час занять з еволюційної біології натрапив на підручник «Молекулярна біологія клітини». Наприкінці 1990-х років Бейкер почав розро- бляти комп’ютерне програмне забезпечення Rosetta для передбачення структури протеїнів, 7 Service R.F. New public database of AI-predicted protein structures could transform biology. https://surl.li/uzztho яке досягло певного успіху на конкурсі CASP у 1998 р. [11], а через рік він очолив компанію Rosetta Commons. Створена програма давала можливість не лише прогнозувати просторо- ву структуру протеїну за його амінокислотною послідовністю, а й ввести бажану структуру протеїну та отримати відповідну амінокислот- ну послідовність. Це було початком нової галу- зі науки — дизайну протеїнів. Спочатку Бейкер орієнтувався на просторові структури природ- них протеїнів, але згодом прийшло розуміння, що їхній репертуар дуже обмежений і теоре- тично можна створювати протеїни з просто- ровою структурою, яка ніколи не існувала, та функціями, яких ніколи не було в природі. Він досить оригінально проілюстрував цю думку: «Якщо ви хочете побудувати літак, ви не по- чинаєте з модифікації птаха. Замість цього ви, розуміючи основні принципи аеродинаміки, будуєте на цих принципах машину, що літає»8. В основу роботи алгоритму програми Rosetta було покладено ідею, яку висловлювали рані- ше Елвін Джонс (Th omas Alwyn Jones) і Сорен Тіруп (Søren Skou Th irup) [12], щодо побудови нового протеїну на основі коротких фрагмен- тів, наявних у відомих структурах інших про- теїнів. Rosetta використовувала оптимізацію Монте-Карло в розрахунках з енергетичною функцією, яка брала до уваги взаємодії Ван- дер-Ваальса, водневі зв’язки та ефекти соль- ватації, а можливі орієнтації бічних ланцюгів амінокислот програма відбирала з великої бі- бліотеки ротамерів. У результаті Rosetta гене- рувала багато можливих рішень, ранжувала їх за енергією та обирала найбільш енергетично вигідний варіант. Цікаво, що Rosetta постійно розвивалася за- вдяки тому, що велика кількість користувачів і співрозробників брали участь у розподілено- му обчислювальному проєкті Rosetta@home, а також в онлайн відеогрі-головоломці Foldit [13], яку Бейкер розробив разом з колегами із Центру ігрознавства Університету Вашингто- на. Це дозволило людям без наукового досвіду 8 Fernholm A. Popular science background: Th ey have re- vealed proteins’ secrets through computing and artifi cial intelligence. https://surl.li/hyesju 26 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ допомагати розв’язувати проблеми, пов’язані зі структурою протеїнів. У такий спосіб до ре- альних досліджень широкого спектра медич- них проблем залучили понад 400  тис. людей. Найуспішніших учасників включили як спі- вавторів до опублікованих робіт Бейкера. Девід Бейкер наполегливо проводив дослі- дження в галузі дизайну протеїнів, і резуль- тат не забарився. У 2003 р. його дослідницька група розробила абсолютно нову структуру протеїну Top7, якої в природі не існувало і яка складалася з двох α-спіралей і β-листа з п’яти β-ланцюгів; програма Rosetta запропонувала його амінокислотну послідовність на основі пошуку коротких фрагментів у базі даних усіх відомих структур і оптимізації послідовності за законами енергетичного ландшафту протеї- нів; далі в бактеріях було синтезовано відповід- ний рекомбінантний протеїн Top7 і дослідже- но його просторову структуру за допомогою рентгенівської кристалографії [14]. Результат перевершив усі сподівання: теоретична і ре- альна структури протеїну повністю збіглися. До того ж протеїн мав довжину 93 амінокис- лотні залишки, що на той час було рекордним значенням для протеїнів, одержаних за допо- могою дизайну de novo. У 2008 р. Бейкер здійснив першу спробу спро- єктувати de novo ензими, що каталізують реакції, для яких не існує ензимів у природі [15]. Одер- жані ензими були здатні підвищити швидкість каталізу хімічної реакції, але значно поступа- лися за швидкістю реакції природним ензимам. Зараз для вдосконалення цих ензимів застосову- ють технологію експериментальної спрямованої еволюції протеїнів, яку запропонувала Френсіс Арнольд. Значно кращих результатів вдалося досягти в дизайні протеїнів, що зв’язують ліган- ди. Зокрема, було отримано протеїни, які з ви- сокою спорідненістю і специфічністю зв’язують стероїди [16]. Застосування лабораторної ево- люції зробило ці протеїни надзвичайно чутли- вими. Крім того, дизайн протеїнів було успішно застосовано в галузях розроблення протеїнових перемикачів і сенсорів для різних аналізаторів [17], а також створення наноматеріалів на осно- ві протеїнів, які самостійно збираються в ікосае- дричні вірусоподібні частинки [18]. Після диво- вижного успіху на конкурсі CASP2020 програми AlphaFold2 Бейкер удосконалив свою програму Rosetta, запозичивши елементи нейромережі на основі трансформаторів, і назвав нову версію RoseTTAFold [19]. Девід Бейкер також відкрив код RoseTTAFold, щоб усі охочі могли його вдо- сконалювати та знаходити нові застосування для програми. У 2017  р. Інститут дизайну протеїнів, який очолює Бейкер, отримав понад $11 млн від фон- ду Open Philanthropy, а у 2021 р. — ще $3 млн. За допомогою програми Rosetta та її оновленого варіанту отримано низку корисних протеїнів із запланованим дизайном, зокрема наноматері- ал, який сам збирається зі 120 протеїнів (2016); протеїн, що зв’язується з опіоїдом фентанілом і може використовуватися для його виявлення в навколишньому середовищі (2017); наночас- тинки з протеїнами на поверхні, що імітують ві- рус грипу і можуть бути вакциною проти грипу (2021); протеїни геометричної форми, які мо- жуть змінювати свою форму внаслідок зовніш- ніх впливів і використовуватися для виготов- лення крихітних датчиків (2024). Крім того, ко- манда Бейкера, використовуючи RoseTTAFold, створила структурну базу даних із сотень G-протеїнових рецепторів, що є класичними мі- шенями для багатьох ліків. Серед потенційних продуктів Бейкер назвав універсальну вакцину проти грипу, знеболювальні засоби, які не ви- кликають звикання, розумні протеїни, здатні ідентифікувати та лікувати ракові клітини або клітини, що вийшли з-під контролю та спри- чиняють аутоімунні розлади, потенційні засо- би лікування нейродегенеративних розладів та протеїни, що самі збираються, для сонячних елементів або виробництва наноструктур. Успіхи програм з використанням ШІ у перед- баченні просторової структури протеїнів дали привід сподіватися, що вони здатні спростити процес розроблення ліків і заощадити 25—50 % часу та коштів на розроблення. Це неабияка економія, адже вартість виведення лікарсько- го препарату на ринок оцінюють приблизно у $2,5 млрд, а створення препарату може трива- ти 12—15 років. Водночас 9 з 10 препаратів, які ISSN 1027-3239. Вісн. НАН України, 2025, № 2 27 СТАТТІ ТА ОГЛЯДИ пройшли клінічні випробування, так і не отри- мують схвалення [20]. Але чи дійсно програми на кшталт AlphaFold або RoseTTAFold можуть стати революційним інструментом для від- криття ліків? Наскільки можна вірити перед- баченням ШІ? Як і в усіх методах машинного навчання, диявол криється в базі даних. Розробники AlphaFold визнали, що точність передбачення погіршується для протеїнів з неадекватним вирівнюванням кількох послідовностей через малу кількість гомологів. Наприклад, це харак- терно для трансмембранних протеїнів, яких у базі даних значно менше, ніж водорозчинних. Крім того, точність AlphaFold стає низькою для доменів протеїну, структура яких визначається не внутрішньодоменними взаємодіями, а взає- модією з іншими доменами. Слід пам’ятати, що протеїни є динамічними молекулами, і під час функціонування вони можуть мати кілька ста- більних конформацій та переходити від однієї до іншої при зв’язуванні навіть невеликого лі- ганду, наприклад при зв’язуванні гемоглобіном кисню. Зрештою, програмне прогнозування не враховує наявність органічних кофакторів, які є важливими для функціонування багатьох ен- зимів. Програма RoseTTAFold досягла успіху в передбаченні структури подвійних або навіть потрійних комплексів, але олігомери вищого порядку становлять проблему, адже кількість можливих способів розташування субоди- ниць швидко зростає разом із кількістю су- бодиниць. До того ж вчені визнали той факт, що не всі протеїни згортаються в стабільні структури, і до 50 % протеїнів мають внутріш- ні порушення структури, які стабілізуються після зв’язування з цільовою поверхнею або утворення комплексу з іншими протеїнами. Ба більше, деякі протеїни ніколи не згортаються в жодну структуру, навіть після зв’язування з іншим протеїном. Усі ці складнощі потребують подальшого вдосконалення програм [21]. Біотехнологічна компанія Recursion у Солт- Лейк-Сіті (штат Юта) використала власну про- граму MatchMaker на основі ШІ, щоб спрогно- зувати, як 36 млрд потенційних лікарських спо- лук або лігандів з бази даних Enamine Real Space можуть зв’язуватися з понад 15  тис. протеїнів, просторову структуру яких було передбачено AlphaFold. У результаті було отримано неймо- вірну кількість даних, однак дослідники мають певні сумніви щодо їхньої якості. При моделю- ванні процесу «стикування» маленької молеку- ли з передбаченою структурою протеїну вияви- лося, що приєднання до моделей AlphaFold є на- багато менш точним, ніж до протеїнових струк- тур, визначених експериментально. Можливо, причиною цього є невеликі варіації в орієнтації бічних ланцюгів амінокислот. Крім того, при взаємодії з молекулою структура протеїну трохи змінюється, що не враховує AlphaFold. Остан- ній недолік було усунуто в програмі DragonFold, створеній компанією Charm Th erapeutics на основі програми Бейкера RoseTTAFold. До того ж DragonFold підказує, як модифікувати потен- ційний препарат для створення більш міцного та селективного зв’язування з протеїном. Незва- жаючи на ці успіхи та величезні зусилля, яких докладають, щоб використовувати програми на основі ШІ для відкриття ліків, поки що можна лише зазначити, що ми перебуваємо на початку довгого шляху [22]. Інша проблема полягає в тому, що для на- вчання та вдосконалення здатності програм на основі ШІ розробляти ліки необхідно, щоб хтось синтезував і перевіряв молекули, які вони пропонують (може виявитися, що запро- поновану сполуку неможливо синтезувати). Однак фармацевтичні компанії, які мають за- соби для виготовлення та тестування сполук, тримають свої результати в таємниці для за- хисту від конкурентів [20]. Прикладом ліків, створених «з нуля» за до- помогою ШІ, є препарат проти ідіопатичного легеневого фіброзу, розроблений компанією Insilico Medicine за 18 місяців, який зараз про- ходить ІІ фазу клінічних випробувань у Китаї та Новій Зеландії. Співробітники компанії ви- значили цільовий ензим TNIK за до помогою системи ШІ PandaOmics Insilico, навченої на біомолекулярних даних пацієнтів і науковій літературі. Потім вони використали платфор- му молекулярного дизайну Chemistry42, щоб знайти молекулу для блокування цього ензиму. 28 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ Після тестування кількох кандидатів за допо- могою радіометричного ензиматичного ана- лізу, а також внесення змін щодо поліпшення всмоктування, розподілу, метаболізму та ви- ведення було отримано кінцевий варіант пре- парату. Видається захопливою ідея, що така система ШІ могла б вчитися на своїх попере- дніх циклах розроблення ліків і розв’язувати подібні завдання щоразу все швидше, перетво- рившись на конвеєр з розроблення ліків9 [23]. З метою розвитку галузі використання ШІ для розроблення ліків було започатковано конкурс CACHE, аналогічний змаганню з пе- редбачення просторової структури протеїнів. У цьому конкурсі взяли участь 23 команди, які передбачили понад 2  тис. сполук, що теоре- тично могли б зв’язуватися з протеїном WDR (доменом повтору WD40), який входить до складу багатофункціонального ензиму LRRK2, пов’язаного з хворобою Паркінсона. Для тесту- вання в лабораторії відібрані на роль ліків кан- дидати на замовлення синтезував український постачальник малих молекул — компанія «Енамін» (м. Київ). Виявилося, що лише близь- ко дюжини сполук були здатні зв’язуватися з ензимом (менш як 1  % результатів), однак ці малі молекули мали достатньо хороші профілі зв’язування і за своїми властивостями могли б бути ліками. Серед семи найкращих команд шість використовували ШІ і лише одна — на- бір класичних обчислювальних інструментів VirtualFlow для пошуку ліків. Наступні два конкурси планується присвятити пошуку ін- гібіторів гелікази NSP13 і макродомену NSP3 коронавірусу SARS-CoV-2 [24]. Попри наявні проблеми, вчені не полишають спроб застосовувати програми на основі ШІ для розроблення нових фармацевтичних про- дуктів, зокрема терапевтичних антитіл, вакцин і систем доставлення ліків у клітини. Так, нова програма RFdiff usion з використанням ШІ, що нагадує інструменти для створення зображень Midjourney і DALL-E, допомогла створити ти- сячі абсолютно нових антитіл, які розпізнають 9 Walrath R. Insilico reveals a ‘soup to nuts’ process for AI- generated lung fi brosis drug. Chemical & Engineering News. 08.03.2024. https://surl.li/oxksdf певні бактеріальні, вірусні або ракові мішені. Ці антитіла являли собою мініпротеїни, поді- бні до однодоменних антитіл верблюдів і акул. Хоча під час лабораторних випробувань лише одне зі 100 антитіл спрацювало належним чи- ном, вчені вважають це знаковим моментом і вірять, що ШІ в недалекому майбутньому до- зволить значно скоротити витрати на розро- блення терапевтичних антитіл [25]. У лабораторії Бейкера для боротьби з COVID-19 за допомогою програми RoseTTAFold розробили назальний спрей, що містив синте- тичні мініпротеїни (розміром 60 амінокислот- них залишків), які взаємодіяли з рецептор- зв’язувальним доменом (RBD) S протеїну ко- ронавірусу у 6 разів міцніше, ніж найкращі ві- домі антитіла. Крім того, дослідження Бейкера сприяли створенню його колегами з Медичної школи Університету Вашингтона першої у сві- ті розробленої комп’ютером протеїнової вак- цини проти COVID-19. Також було створено вакцини на основі наночастинок розміром з ві- рус, що самі збираються з протеїнів, створених за допомогою ШІ, та несуть на своїй поверхні прив’язані через короткі пептидні ланцюжки рецептор-зв’язувальні домени, за допомогою яких коронавірус чи респіраторно-синцитіаль- ний вірус проникають у клітину. Вдосконале- ний варіант вакцини проти COVID-19 містив наночастинки з чотирма варіантами домену RBD від різних коронавірусів 10. Програму EVEscape на основі ШІ намага- ються застосувати для прогнозування еволю- ції вірусів, зокрема коронавірусу SARS-CoV-2, з метою виробництва ефективних вакцин, які б діяли на випередження проти нових му- тантних штамів. Прогнозування потенційних мутацій SARS-CoV-2 та інших небезпечних ві- русів може допомогти передбачити їх майбут- нє. У 2023 р. Національний інститут алергії та інфекційних захворювань США оголосив про виділення $100 млн на створення подібних бі- бліотек вакцин, з яких можна за потреби швид- 10 Jacobsen R. Artifi cial proteins never seen in the natural world are becoming new COVID vaccines and medi- cines. Scientifi c American. 01.07.2021. https://surl.li/gvbhwf ISSN 1027-3239. Вісн. НАН України, 2025, № 2 29 СТАТТІ ТА ОГЛЯДИ ко взяти і використати найбільш перспектив- ний дизайн вакцини [26]. Фармацевтичні компанії намагаються вико- ристовувати ШІ для розроблення ліків, націле- них не лише на протеїни, а й на молекули нукле- їнових кислот. Так, стартап Стенфордського уні- верситету Atomic AI нещодавно зібрав $35 млн, щоб передбачити та ідентифікувати усі молеку- ли інформаційної РНК організму людини, які можуть бути мішенню для таких терапевтичних препаратів [27]. Водночас китайська компанія Baidu Research запропонувала програмне забез- печення, що використовує методи комп’ютерної лінгвістики для розроблення мРНК-вакцин но- вого покоління зі складнішою структурою. Цей інструмент було застосовано для оптимізації принаймні однієї дозволеної РНК-вакцини — SW-BIC-213 проти COVID-19 [23]. Дослідники використовують програми на основі ШІ для запобігання пандеміям, ство- рюючи вакцини проти нових збудників або проти нових штамів, які виникають у резуль- таті еволюції відомих збудників. Так, програму AlphaFold було використано для прогнозуван- ня структури вірусного протеїну G, завдяки якому проникає в клітину геніпавірус Langya (LayV), виявлений у 2018 р. у Східному Китаї, де він передався людям від землерийок. Цей ві- рус викликає проблеми з диханням і лихоман- ку, а також є родичем надзвичайно смертонос- них вірусів Nipah та Hendra, які спричиняють спалахи захворювань у домашніх тварин і мо- жуть бути летальними для людей [26]. Програма AlphaFold також допомогла Метту Хіггінсу з Оксфорду з’ясувати структуру по- верхневого протеїну Pfs48/45 гамет малярій- ного плазмодія — компонента нової вакцини проти малярії [28], яка у 2024 р. пройшла пер- шу фазу клінічних випробувань. Очікується, що ця вакцина блокуватиме кілька стадій роз- витку малярійного плазмодія і буде ефектив- нішою за єдину дозволену для використання у 2021 р. вакцину проти малярії — Mosquirix, роз- роблену бельгійським підрозділом британської фармацевтичної компанії GlaxoSmithKline. Одним з улюблених застосувань програми AlphaFold Деміс Гассабіс назвав молекуляр- ний шприц, розроблений Феном Чжаном з Інституту Броадів у Кембриджі (Массачусетс, США), для доставлення протеїнів у клітини людини [9]. Для цього Чжан запропонував ви- користовувати системи позаклітинної скорот- ливої ін’єкції (eCIS) симбіотичних бактерій, які доставляють корисні протеїни в клітини своїх господарів — комах. За допомогою AlphaFold було ідентифіковано ділянку хвостового во- локна, яка опосередковує взаємодію eCIS з клітинами хазяїна, що допомогло перенаціли- ти його на рецептор епідермального факто- ра росту людини (EGFR) і доставити в EGFR- позитивні клітини людини. Таку систему мож- на націлити на будь-що: наприклад, на епітопи вірусів людини або маркерів раку, та доставля- ти у відповідні клітини людини протеїнові ток- сини для їх знешкодження. Нещодавно Чжан відкрив компанію Aera Th erapeutics, яка розро- бляє системи доставки для генної РНК-терапії на основі протеїнових наночастинок (PNP), які самі збираються з власних протеїнів людини11. ШІ впливає не лише на розроблення ліків і вакцин, а й на дослідження в галузі охорони здоров’я та розвиток персоніфікованої меди- цини. Так, було створено програму AlphaMis- sense на основі ШІ, яка, використовуючи дані про просторову структуру протеїнів, обчисле- ну AlphaFold, може точно передбачити, які му- тації в протеїнах здатні спричинити захворю- вання. Виявилося, що з 70 млн міссенс-мутацій у геномі людини лише 32  % спричиняють за- хворювання, а решта, здається, не мають шкід- ливого впливу на здоров’я [29]. З появою методів вимірювання рівнів тисяч протеїнів у крихітних зразках крові з’явилися нові можливості для поглибленого вивчення стану здоров’я людини. Наприклад, компанія SomaLogic розробила засіб для вимірювання по- над 10  тис. протеїнів, а прилад Th ermo Fisher’s Olink аналізує понад 5,4  тис. протеїнів у зраз- ку об’ємом лише 2  мкл. Поява таких можли- востей є особливо доречною з огляду на те, що 11 Grinstein J.D. Nature’s needle: Feng Zhang’s team re- engineers bacterial “syringes” for programmable protein delivery. Genetic Engineering & Biotechnology News. 29.03.2023. https://surl.li/tmxizg 30 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ кількість протеїнів в організмі людини (понад 100 тис.) значно перевищує кількість генів про- теїнів (20  тис.), а в результаті альтернативного сплайсингу утворюються сотні тисяч ізоформ (варіантів) протеїнів. Протягом останніх 10 ро- ків завдяки використанню ШІ відбувся значний прогрес у з’ясуванні ознак більшості поширених захворювань і оцінюванні ризиків їх виникнення шляхом аналізу інформації про однонуклеотидні поліморфізми (SNP), мінливість у протеомних, метаболомних та епігеномних профілях, а також у мікробіомі, імуномі та експосомах, що відобра- жають вплив зовнішнього середовища та спосо- бу життя. Це значно поглибило наше розуміння причин виникнення захворювань, процесу ста- ріння, дозволило потенційно прогнозувати май- бутні зміни стану здоров’я конкретної людини. Очевидно, що високопродуктивна протеомна оцінка стану організму з часом знайде своє міс- це в повсякденній персоніфікованій медицині, незважаючи на поки що високу вартість ($500— $1000 за обстеження однієї людини) [30]. Використання методів глибокого навчання дало можливість комп’ютерам успішно вико- нувати завдання, з яким завжди краще справ- лялися люди: розпізнавати конкретні клітинні структури на тлі щільного безладного фону біологічного матеріалу. Спроби навчати на- вичці сегментації почалися з програми аналізу зображень DeepCell, а у 2015 р. німецькі дослід- ники створили програму U-Net, яка досі зали- шається основою архітектури для більшості інструментів сегментації. На базі цієї програ- ми у 2019 р. у Центрі біологічних досліджень у Сегеді (Угорщина) було створено алгоритм nu- cleAIzer, який перевершив інші подібні інстру- менти. Зараз вчені працюють над новими ви- кликами, такими як інтерпретація зображень об’ємної електронної мікроскопії, класифіка- ція функціональних характеристик нейронів (гальмівних і збуджувальних) на основі їхньої морфології, профілювання молекулярної па- тології раку та визначення відповідних шляхів лікування. Можливо, найближчим часом мор- фологічний простір стане кількісним, і його поєднання з простором omics дасть нові і не- сподівані позитивні результати [31]. З появою 30 листопада 2022  р. безплатного чат-бота ChatGPT від компанії OpenAI у вче- них з’явився інструмент, який дозволив значно швидше впоратися з написанням статей чи за- явок на гранти. Вже через два місяці ChatGPT було зазначено як автора кількох дослідниць- ких статей, хоча він не задовольняв критерії ав- торства, оскільки не міг нести відповідальності за роботу. Лише за перші п’ять днів у ChatGPT було близько мільйона користувачів, а тепер їх кількість перевищує 180 млн. В опитуванні вче- них, проведеному журналом Nature у 2023  р., 30 % респондентів відповіли, що використову- вали генеративні інструменти ШІ для написан- ня рукописів, а 15 % — для написання заявок на гранти. Вже зараз наслідки гіперпродуктив- ності відчувають редакції наукових журналів, навантаження на які відчутно зросло. Можли- во, це змусить перейти від культури «публікуй- ся або помри» до системи, яка віддає перевагу якості над кількістю, інакше доведеться зроби- ти редагування статей платним, адже надійно- го способу контролювати використання техно- логії ШІ поки що немає [32]. У 2023 р. Elsevier запустив пілотну версію програми Scopus AI, яка швидко аналізує та узагальнює наукову ін- формацію і може стати дуже корисним інстру- ментом для створення оглядів. Найбільший огляд, створений людьми, охоплює близько 1600 статей, але генеративний ШІ здатний на більше, адже для нього це лише мізерна частка всієї наукової літератури [33]. Поява ChatGPT вразила світ і поклала поча- ток гонитві у Big Tech (п’ятірці найбільших аме- риканських технологічних компаній: Facebook, Amazon, Apple, Netfl ix і Alphabet’s Google), до якої долучаються і нові гравці. Amazon ство- рює власного конкурента ChatGPT під кодо- вою назвою Olympus, який буде однією з най- більших будь-коли навчених моделей. Google DeepMind випустила чат-бот Med-PaLM, при- значений для відповідей на медичні запитання [34]. Тим часом нова компанія Ілона Маска xAI представила пілотну модель ШІ Grok, яку на- вчали на даних із соціальної мережі X (Twitter) і програмували відповідати на запитання з до- тепністю та бунтарською жилкою. ISSN 1027-3239. Вісн. НАН України, 2025, № 2 31 СТАТТІ ТА ОГЛЯДИ Усі ці чат-боти засновані на великих мов- них моделях (LLM) — алгоритмах, навчених на мільйонах прикладів тексту, зібраного з Інтер- нету. LLM вивчають статистичні зв’язки між словами, а отримавши підказку, наприклад за- питання, вони генерують текст, вгадуючи за ймовірністю кожне наступне слово. Створен- ня LLM стало можливим завдяки тому, що у 2017 р. дві дослідницькі групи виявили спосіб перекладу між людськими мовами без необ- хідності використання Розеттського каменю. Відкриття ґрунтувалося на перетворенні се- мантичних зв’язків між словами на геометрич- ні. Моделі машинного навчання тепер здатні перекладати між різними людськими мовами, вирівнюючи їхні форми, наприклад викорис- товуючи частоту, з якою такі слова, як «мама» і «дочка», з’являються поруч одне з одним, щоб точно передбачити, що буде далі. У 2020 р. ця сфера досягла ще однієї віхи, коли обробка при- родної мови здатна «розглядати все як мову». Наприклад, система DALL-E 2 може генерува- ти реалістичні зображення на основі словесних описів з надзвичайною точністю. Для мовної моделі, що використовує метод отримання ста- тистичних асоціацій, не важливо, якою мовою її навчають. Тоді її можна навчати «мовою» по- слідовностей ДНК або протеїнів і замість ново- го речення отримати нові протеїни, що є гарни- ми мішенями для ліків. Крім того, ШІ нарешті може дозволити нам розмовляти з тваринами. Зараз вчені використовують машинне навчан- ня, щоб спробувати зрозуміти вокалізацію ка- шалотів, крики ворон тощо12 [34]. ШІ проникає не лише у всі сфери життя, а й у мозок людини. Найбагатша людина світу, бізнесмен і технолог Ілон Маск поставив собі амбітне завдання — поєднати ШІ та людський мозок, для чого у 2016  р. він заснував ком- панію Neuralink. Нещодавно Маск у соціаль- ній мережі X (Twitter) оголосив, що Neuralink уперше успішно імплантувала в мозок людини бездротовий пристрій Telepathy, який містить комп’ютерний чип і масиви електродів із 1024 12 Parshley L. Artifi cial intelligence could fi nally let us talk with animals. Scientifi c American. 01.10.2023. https://surl.li/aoquqk надтонких, гнучких провідників, які робот-хі- рург протягує в кору головного мозку. Електро- ди, призначені для реєстрації думок, пов’язаних з рухом, мають забезпечувати можливість ке- рувати комп’ютером за допомогою мислення. Це дослідження проводили в межах схвалених FDA у травні 2023 р. клінічних випробувань для людей з тетраплегією (паралічем усіх чотирьох кінцівок). Поки що новина викликала неодноз- начну реакцію суспільства через відсутність ін- формації про особу, яка отримала імплантат, та її медичний стан, а також через те, що можли- вість керування комп’ютерною мишкою силою думки за допомогою інших пристроїв раніше вже було продемонстровано, і вона не є чимось надзвичайним. Так, у 2004 р. пристрій BCI ком- панії Synchron було імплантовано у кровоносну судину головного мозку, де він реєстрував усе- реднене спрацьовування нейронних популяцій. Можливо, у випадку Neuralink єдиною новою проблемою, що вимагала непростого рішення за участі ШІ, була необхідність відведення сиг- налів від понад 1000 електродів і аналізу вели- кої кількості інформації. Висловлювалися спо- дівання, що ця технологія допоможе сліпим людям бачити, а глухим чути, але імітування сенсорного стимулювання мозку через електро- ди — це поки що надзвичайно складне завдан- ня. З іншого боку, природа науки така: ніколи не знаєш, що чекає за рогом. Вже сталося багато речей, які ніхто б ніколи не передбачив13. Можливості програм з використанням ШІ вражають, однак їх усе частіше критикують за те, що вони нерідко розуміють щось відверто неправильно або просто вигадують (так звані галюцинації ШІ), через що часто виникають скандали та/або непорозуміння. Так, чат-боти служби підтримки клієнтів постійно створю- ють для своїх компаній різні проблеми, а чат Microsoft Bing порадив репортеру New York Times покинути свою дружину. Схильність ШІ до вигадування інформації може призвести до потоку рукописів із помилками, а можливо, навіть з підробками. До того ж моделі ШІ за- 13 Guarino B. Elon Musk’s Neuralink has implanted its fi rst chip in a human brain. What’s next? Scientifi c American. 30.01.2024. https://surl.li/caqazx 32 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ лучають інтернет-контент, не турбуючись про упередженість, згоду чи авторські права, їх ви- користання дехто вважає «автоматизованим плагіатом за задумом» [33]. Попри численні докази того, що ШІ важко контролювати і він часто поводиться неперед- бачувано, технологічні компанії поспішають із запуском нових продуктів на основі ШІ. На- справді ніхто точно не знає, як працює глибо- ке навчання, що лежить в основі сучасного ШІ. Незрозуміло, як великі мовні моделі, такі як Gemini чи GPT-4, можуть навчитися робити те, чому їх не вчили. Можна навчити мовну модель на математичних задачах англійською, а потім показати їй французьку літературу, і на основі цього вона зможе навчитися розв’язувати ма- тематичні задачі французькою. Навіть сама на- зва «штучний інтелект» вводить людей в оману. Мовні моделі лише здаються розумними, тому що вони генерують текст, передбачаючи наступ- не слово в реченні. Проведене дослідження по- казало, що незначні зміни в підказках, які люди- на дає ChatGPT (наприклад, додавання пробілу, вибір іншого формату чи привітання на початку тексту), можуть призвести до величезних змін у відповіді чат-бота, що було названо «ефектом метелика»14. Отже, не слід переоцінювати ШІ, принаймні поки дослідження механізмів його роботи перебувають на початковій стадії. Інша проблема, пов’язана з ШІ, стосується галузі біобезпеки. З одного боку, стрімкий роз- виток ШІ значно полегшив роботу вчених у галузі молекулярної біології, а з іншого боку, — спричинив певне занепокоєння, адже програ- ми на його основі можуть сприяти розроблен- ню біологічної зброї, зокрема нових токсинів або вірусів, що легко передаються. Неправиль- но згорнуті протеїни (пріони), які викликають нейродегенеративні захворювання, можна по- ширювати за допомогою аерозолю і викликати неправильне згортання відповідних протеїнів в організмі. Конвенція про біологічну зброю, яку підписали практично всі країни світу, за- бороняє розроблення або використання біо- логічної зброї на основі патогенів, але ніхто 14 Plumb T. Why LLMs are vulnerable to the ‘butterfl y eff ect’. Venture Beat. 23.01.2024. https://surl.li/diazaa не додумався поширити її дію на протеїни, що ніколи не існували в природі. Останнім часом лунають заклики до вчених посилити конт- роль власних досліджень і поліпшити скринінг синтезованої ДНК, яка може бути джерелом ін- формації для потенційно шкідливих протеїнів. Щоб проаналізувати можливість зловмисного використання дизайнерських протеїнів, Ін- ститут дизайну протеїнів Бейкера при Універ- ситеті Вашингтона у 2023 р. організував саміт з безпеки ШІ, на якому висловлювали пропо- зиції щодо створення експертного комітету для перевірки програмного забезпечення або заходів державного регулювання. Однак досі залишається незрозумілим, як можна регулю- вати інструменти дизайну протеїнів, зважаючи на швидкий темп їх розвитку. Принаймні зараз потенційні переваги дизайну протеїнів за до- помогою ШІ значно перевищують небезпеки [35], та й використання штучних протеїнів для лихих справ  — це поки що надто витончено, адже є багато більш доступних для цього за- собів. Водночас використання ШІ в науках про життя вже зараз розглядають як можливу тех- нологію «подвійного використання». Існує ймовірність, що завдяки ШІ вартість інформації та інтелекту знизиться майже до нуля, прискорюючи темп інновацій і глобаль- них змін, що спричинить значну трансформа- цію суспільства. З початком бурхливого розви- тку ШІ постало безліч актуальних питань, на які поки що немає остаточної відповіді. Як ми можемо контролювати ШІ? Як ми можемо за- безпечити справедливий розподіл його благ? Як ми можемо отримувати користь від цієї дивовижної технології та зменшити ризики? І взагалі, що далі? Минуло 74 роки відтоді, як відомий британ- ський вчений у галузі обчислювальної техніки та математики Алан Тюрінг запропонував гру «імітація» для перевірки мислення комп’ютерів. Його фундаментальна стаття 1950 р. починалася словами: «Пропоную розглянути питання «Чи можуть машини мислити?» [36]. Гра в імітацію полягала в намаганнях виявити комп’ютер за допомогою текстових розмов з ним та іншими людьми. Якщо це не вдавалося, можна було вва- ISSN 1027-3239. Вісн. НАН України, 2025, № 2 33 СТАТТІ ТА ОГЛЯДИ жати, що машина може мислити. Гра захопила уяву публіки і стала відомою як тест Тюрінга. Всупереч популярності цієї ідеї, вважають, що цей тест є надто розпливчастим і зосередженим на обмані, тому він не може стати серйозним до- слідницьким інструментом або метою для ШІ. Однак питання про те, яку роль може відігра- вати мова в оцінюванні та створенні інтелекту, актуальне сьогодні як ніколи через появу LLM. Завдяки їхньому неперевершеному хисту вес- ти розмову, а також низці інших можливостей, зокрема написанню есе та віршів, програмних кодів, складанню іспитів і узагальненню текстів, ці боти викликали хвилювання щодо перспек- тив розвитку ШІ та значення його появи для людства. ChatGPT пройшов тест Тюрінга, і тому зараз шукають нові способи оцінити здатність ШІ мислити. Як LLM роблять усі ці неймовірні речі? Як і в інших нейронних мережах, значна частина дій LLM є наслідком їх навчання, а не програмування. Тому механізми, які лежать в основі їхньої поведінки, невідомі навіть їхнім творцям і мають бути терміново досліджені за допомогою нових тестів. Це завдання є надзви- чайно важливим, хоча воно схоже на досліджен- ня «інопланетного розуму». Системи ШІ по вин- ні отримувати схвалення для певних застосу- вань, зокрема стосовно лікарських засобів вони мають повідомити користувачу інформацію про можливі побічні ефекти та небезпечність вико- ристання у деяких випадках. Так, вчені з Інсти- туту Санта-Фе в Нью-Мексико створили серію візуальних головоломок ConceptARC для пере- вірки здатності систем ШІ оперувати абстрак- тними поняттями (спойлер: GPT-4 впорався з цим погано). Іншою проблемою є відсутність прозорості з боку компаній, які створюють LLM, щодо розкриття того, на яких моделях да- них було навчено ШІ. Проте перевірка цих ком- паній з боку регуляторних органів посилюється, і це може змусити їх у майбутньому розкривати більше таких даних. Зараз важко уявити важ- ливіший виклик для галузі ШІ, ніж розуміння сильних і слабких сторін ШІ та механізмів, які ними керують [37]. Поки тривають дискусії про доцільність ви- користання ШІ та можливості його регулюван- ня, ця технологія впевнено захоплює всі галузі діяльності людини, передусім науку. Досягнен- ня Девіда Бейкера, Деміса Гассабіса та Джона Джампера в галузі обчислювального проєкту- вання протеїнів і прогнозування їхньої струк- тури відкрили нову еру біохімічних і біологіч- них досліджень, а їх вплив матиме далекосяжні наслідки для людства. Штучні протеїни, яких ніколи не існувало в природі, входять тепер до складу нових вакцин і ліків. Завдяки розу- мінню механіки згортання протеїнів відкри- ваються перспективи дослідження етіології таких захворювань, як муковісцидоз, хворо- би Альцгеймера, Паркінсона та Гантінгтона, а також можливості розроблення нових класів ліків, які могли б виправляти або замінювати дефектні протеїни. З нових протеїнів можна побудувати мікроскопічні «наноклітки» для пакування та транспортування ліків в орга- нізмі або молекулярні детектори, які спрацьо- вують, коли стикаються зі специфічними про- теїновими маркерами, наприклад на поверхні ракових клітин. Розробляють незвичний спо- сіб виробництва ефективних надпровідників і батарей, що ґрунтується на протеїнах, які самі збираються в мікроскопічні стільникові сітки та стимулюють відкладення мінералів. Інші протеїни поглинають енергію світла, як це від- бувається під час фотосинтезу в рослинах, і перетворюють її на електроенергію чи паливо. Можливості використання штучних протеїнів досягають астрономічних висот, а наші най- кращі мислителі та суперкомп’ютери не в змозі осягнути ці перспективи. Вже зараз природні протеїни, які ми використовуємо, наприклад інсулін для лікування діабету, здаються таки- ми ж архаїчними, як заточені камені, які ко- лись використовували наші предки, що жили у кам’яному віці. І якими б захопливими не були нинішні дизайнерські протеїни, ймовірно, що в майбутньому вони будуть сприйматися так, як у наш час сприймаються сонячні годинни- ки чи колеса возу. Ніхто зараз не здатен уявити собі повною мірою новий майбутній світ, напо- внений унікальними молекулами, створеними людиною [37], адже дуже складно дивитися вперед у нову епоху, не озираючись на можливі 34 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2025. (2) СТАТТІ ТА ОГЛЯДИ ризики, про які попереджав відомий фізик Сті- вен Гокінг у своїй книзі «Короткі відповіді на великі запитання», що вийшла у 2018 р. через кілька місяців після його смерті: «Ми можемо зіткнутися з вибухом інтелекту, який зрештою призведе до появи машин, інтелект яких пере- вищує наш набагато більше, ніж наш — равли- ків. …Вам спокусливо відкинути поняття про високоінтелектуальні машини просто як на- укову фантастику, але це було б помилкою — і, можливо, нашою найгіршою помилкою в історії». REFERENCES 1. Huang B. et al. Protein Structure Prediction: Challenges, Advances, and the Shift of Research Paradigms. Genomics, Proteomics & Bioinformatics. 2023. 21(5): 913—925. https://doi.org/10.1016/j.gpb.2022.11.014 2. Pearce R., Zhang Y. Toward the solution of the protein structure prediction problem. J. Biol. Chem. 2021. 297(1): 100870. https://doi.org/10.1016/j.jbc.2021.100870 3. Chou P.Y., Fasman G.D. Prediction of protein conformation. Biochemistry. 1974. 13(2): 222—245. https://doi.org/10.1021/bi00699a002 4. Regan L., DeGrado W.F. Characterization of a helical protein designed from fi rst principles. Science. 1988. 241(4868): 976—978. https://doi.org/10.1126/science.3043666 5. Dahiyat B.I., Mayo S.L. De novo protein design: fully automated sequence selection. Science. 1997. 278(5335): 82—87. https://doi.org/10.1126/science.278.5335.82 6. Duan Y., Kollman P.A. Pathways to a protein folding intermediate observed in a 1-microsecond simulation in aqueous solution. Science. 1998. 282(5389): 740—744. https://doi.org/10.1126/science.282.5389.740 7. Göbel U., Sander C., Schneider R., Valencia A. Correlated mutations and residue contacts in proteins. Proteins. 1994. 18(4): 309—317. https://doi.org/10.1002/prot.340180402 8. Qian N., Sejnowski T.J. Predicting the secondary structure of globular proteins using neural network models. J. Mol. Biol. 1988. 202(4): 865—884. https://doi.org/10.1016/0022-2836(88)90564-5 9. Sklar J. QnAs with Demis Hassabis and John M. Jumper: Winners of the 2023 Albert Lasker Basic Medical Research Award. Proc. Natl. Acad. Sci. 2023. 120(39): e2313816120. https://doi.org/10.1073/pnas.2313816120 10. Tunyasuvunakool K. et al. Highly accurate protein structure prediction for the human proteome. Nature. 2021. 596(7873): 590—596. https://doi.org/10.1038/s41586-021-03828-1 11. Simons K.T., Bonneau R., Ruczinski I., Baker D. Ab initio protein structure prediction of CASP III targets using RO- SETTA. Proteins. 1999. 3: 171—176. https://doi.org/10.1002/(sici)1097-0134(1999)37:3+<171::aid-prot21>3.3.co;2-q 12. Jones T.A., Th irup S. Using known substructures in protein model building and crystallography. EMBO J. 1986. 5(4): 819—822. https://doi.org/10.1002/j.1460-2075.1986.tb04287.x 13. Cooper S., Khatib F., Treuille A., Barbero J., Lee J., Beenen M., Leaver-Fay A., Baker D., Popović Z., Players F. Predicting protein structures with a multiplayer online game. Nature. 2010. 466(7307): 756—760. https://doi.org/10.1038/nature09304 14. Kuhlman B., Dantas G., Ireton G.C., Varani G., Stoddard B.L., Baker D. Design of a novel globular protein fold with atomic-level accuracy. Science. 2003. 302(5649): 1364—1368. https://doi.org/10.1126/science.1089427 15. Röthlisberger D. et al. Kemp elimination catalysts by computational enzyme design. Nature. 2008. 453(7192): 190— 195. https://doi.org/10.1038/nature06879 16. Tinberg C.E. et al. Computational design of ligand-binding proteins with high affi nity and selectivity. Nature. 2013. 501(7466): 212—216. https://doi.org/10.1038/nature12443 17. Langan R.A. et al. De novo design of bioactive protein switches. Nature. 2019. 572(7768): 205—210. https://doi.org/10.1038/s41586-019-1432-8 18. Bale J.B., Gonen S., Liu Y., Sheffl er W., Ellis D., Th omas C., Cascio D., Yeates T.O., Gonen T., King N.P., Baker D. Ac- curate design of megadalton-scale two-component icosahedral protein complexes. Science. 2016. 353(6297): 389—394. https://doi.org/10.1126/science.aaf8818 19. Humphreys I.R. et al. Computed structures of core eukaryotic protein complexes. Science. 2021. 374(6573): eabm4805. https://doi.org/10.1126/science.abm4805 20. AI’s potential to accelerate drug discovery needs a reality check. Nature. 2023. 622(7982): 217. https://doi.org/10.1038/d41586-023-03172-6 21. Agard D.A., Bowman G.R., DeGrado W., Dokholyan N.V., Zhou H.X. Solution of the protein structure prediction problem at last: crucial innovations and next frontiers. Fac. Rev. 2022. 11: 38. https://doi.org/10.12703/r-01-0000020 ISSN 1027-3239. Вісн. НАН України, 2025, № 2 35 СТАТТІ ТА ОГЛЯДИ 22. Arnold C. AlphaFold touted as next big thing for drug discovery — but is it? Nature. 2023. 622(7981): 15—17. https://doi.org/10.1038/d41586-023-02984-w 23. Ren F. et al. A small-molecule TNIK inhibitor targets fi brosis in preclinical and clinical models. Nat. Biotechnol. 2024. https://doi.org/10.1038/s41587-024-02143-0 24. Mullard A. When can AI deliver the drug discovery hits? Nat. Rev. Drug Discov. 2024. 23(3): 159—161. https://doi.org/10.1038/d41573-024-00036-0 25. Callaway E. ‘A landmark moment’: scientists use AI to design antibodies from scratch. Nature. 2024. Mar 19. https://doi.org/10.1038/d41586-024-00846-7 26. Callaway E. How AlphaFold and other AI tools could help us prepare for the next pandemic. Nature. 2023. 622(7983): 440—441. https://doi.org/10.1038/d41586-023-03201-4 27. Dolgin E. ‘Remarkable’ AI tool designs mRNA vaccines that are more potent and stable. Nature. 2023. May 2. https://doi.org/10.1038/d41586-023-01487-y 28. Ko K.T. et al. Structure of the malaria vaccine candidate Pfs48/45 and its recognition by transmission blocking antibod- ies. Nat. Commun. 2022. 13(1): 5603. https://doi.org/10.1038/s41467-022-33379-6 29. Callaway E. AlphaFold tool pinpoints protein mutations that cause disease. Nature. 2023. Sep 19. https://doi.org/10.1038/d41586-023-02943-5 30. Topol E.J. Th e revolution in high-throughput proteomics and AI. Science. 2024. 385(6716): eads5749. https://doi.org/10.1126/science.ads5749 31. Eisenstein M. AI under the microscope: the algorithms powering the search for cells. Nature. 2023. 623(7989): 1095— 1097. https://doi.org/10.1038/d41586-023-03722-y 32. Prillaman M. Is ChatGPT making scientists hyper-productive? Th e highs and lows of using AI. Nature. 2024. 627(8002): 16—17. https://doi.org/10.1038/d41586-024-00592-w 33. Conroy G. How ChatGPT and other AI tools could disrupt scientifi c publishing. Nature. 2023. 622(7982): 234—236. https://doi.org/10.1038/d41586-023-03144-w 34. Savage N. Drug discovery companies are customizing ChatGPT: here’s how. Nat. Biotechnol. 2023. 41(5): 585—586. https://doi.org/10.1038/s41587-023-01788-7 35. Callaway E. Could AI-designed proteins be weaponized? Scientists lay out safety guidelines. Nature. 2024. 627(8004): 478. https://doi.org/10.1038/d41586-024-00699-0 36. Turing A.M. Computing machinery and intelligence. Mind. 1950. LIX(59): 433—460. https://doi.org/10.1093/mind/LIX.236.433 37. ChatGPT is a black box: how AI research can break it open. Nature. 2023. 619(7971): 671—672. https://doi.org/10.1038/d41586-023-02366-2 Svitlana I. Romaniuk Palladin Institute of Biochemistry of the National Academy of Sciences of Ukraine, Kyiv, Ukraine ORCID: https://orcid.org/0000-0002-3900-6755 Serhiy V. Komisarenko Palladin Institute of Biochemistry of the National Academy of Sciences of Ukraine, Kyiv, Ukraine ORCID: https://orcid.org/0000-0002-3244-3194 A BREAKTHROUGH IN SPATIAL STRUCTURE PREDICTION AND COMPUTATIONAL DESIGN OF PROTEINS, OR WHETHER WE CAN TRUST ARTIFICIAL INTELLIGENCE PREDICTIONS Th e authors of the article analyze the 2024 Nobel Prize in Chemistry, which was awarded to American biochemist and computational biologist David Baker for “computer-aided protein design”, as well as to representatives of Google Deep- Mind: British artifi cial intelligence systems specialist Demis Hassabis and American chemist and computer scientist John M. Jumper for “protein structure prediction”. Th e achievements of the Nobel laureates in the fi eld of computational protein design and structure prediction have opened a new era of biochemical and biological research, which, combined with the use of artifi cial intelligence tools, will have far-reaching consequences for humanity. Keywords: Nobel Prize in Chemistry 2024, David Baker, Demis Hassabis, John M. Jumper, protein design, protein struc- ture prediction. Cite this article: Romaniuk S.I., Komisarenko S.V. A breakthrough in spatial structure prediction and computational de- sign of proteins, or whether we can trust artifi cial intelligence predictions? Visn. Nac. Akad. Nauk Ukr. 2025. (2): 16—35. https://doi.org/10.15407/visn2025.02.016

Схожі ресурси