L’IA mène une nouvelle révolution scientifique

Cet article est reproduit à partir de Lei Feng.com Si vous devez le réimprimer, veuillez vous rendre sur le site officiel de Lei Feng.com pour demander une autorisation.

Depuis la découverte de l'ADN dans les années 1950, les biologistes ont tenté de relier la longueur des séquences génétiques à une gamme de composants cellulaires et de processus de synthèse de protéines, y compris, par exemple, les anticorps spécifiques qui alimentent les désormais célèbres vaccins à ARNm. Processus de transcription.

​Bien que des progrès aient été réalisés dans le séquençage et la compréhension du génome depuis la découverte de l'ADN, il manque encore un maillon important. Les biologistes ne disposaient pas d’une méthode permettant de prédire avec précision et efficacité la forme tridimensionnelle d’une protéine inconnue en utilisant uniquement sa séquence source d’ADN ou d’ARN. En biologie, la structure détermine la fonction. Le rôle d'une protéine dans une cellule dépend de sa forme. La structure cylindrique creuse facilite la formation de bons récepteurs membranaires et l'enzyme en forme de U catalyse les réactions chimiques dans la cavité en forme de fjord. Être capable de prédire et même de concevoir des structures protéiques constituerait un pas en avant dans la compréhension des maladies humaines et pourrait ouvrir la voie à de nouveaux traitements pour toute une série de maladies.

Mais depuis plus de 70 ans, les scientifiques utilisent des méthodes lentes qui submergent les ordinateurs et s'appuient principalement sur leurs propres suppositions pour déterminer la structure des protéines. Même si les biologistes connaissaient la longueur du code ADN de chaque acide aminé composant chaque protéine, il leur manquait une formule reproductible et généralisable pour résoudre ce que l'on appelle le « problème du repliement des protéines ». Ils doivent systématiquement comprendre comment une chaîne d’acides aminés, une fois connectée, se plie en une forme tridimensionnelle pour dévoiler le vaste univers des protéines.

Source : DeepMind

En 2020, l'équipe d'intelligence artificielle de Google, DeepMind, a annoncé que son algorithme AlphaFold avait résolu le problème du repliement des protéines.

Au début, la plupart des gens étaient enthousiasmés par cette incroyable avancée, et les scientifiques étaient prêts à tester ce nouvel outil, qui a également suscité un certain intérêt. N'est-ce pas la même société qui a lancé AlphaGo il y a quelques années, lui permettant de vaincre le champion du monde du jeu de stratégie chinois Go ? Maîtriser un jeu plus complexe que les échecs, bien que difficile, semble trivial comparé au problème du repliement des protéines.

Mais AlphaFold a prouvé son courage scientifique avec un concours annuel dans lequel des équipes de biologistes devinent la structure d'une protéine en se basant uniquement sur sa séquence génétique. L’algorithme a largement surpassé ses concurrents humains, affichant des scores qui prédisaient la forme finale à un angström près (la largeur d’un seul atome). Peu de temps après, AlphaFold a réussi son premier test dans le monde réel, prédisant correctement la forme de la protéine « Spike » du SRAS-CoV-2, le récepteur membranaire apparent du virus pour cibler les vaccins.

Source : "Nature"

Le succès d'AlphaFold est rapidement devenu impossible à ignorer, et les scientifiques ont commencé à tester l'algorithme en laboratoire. En 2021, le magazine Science a couronné la version open source d'AlphaFold « Meilleure méthode de l'année ». "Les avancées dans le repliement des protéines sont parmi les plus importantes jamais réalisées en termes de réalisations scientifiques et de recherches futures", a écrit le biochimiste et rédacteur en chef de Science, H. Holden Thorp, dans un éditorial

Aujourd'hui, les prédictions d'AlphaFold étaient très précises et. après plus de 70 ans de réflexion, le problème du repliement des protéines a été considéré comme résolu. Même si le problème du repliement des protéines constitue peut-être à ce jour la réalisation la plus médiatisée de l’IA dans le domaine scientifique, l’IA fait discrètement de nouvelles découvertes dans de nombreux domaines scientifiques.

En accélérant le processus de découverte et en fournissant aux scientifiques de nouveaux outils d'investigation, l'IA change également la manière dont la recherche scientifique est menée.

Cette technologie améliore les piliers de la recherche tels que les microscopes et les séquenceurs du génome, en ajoutant de nouvelles capacités techniques aux instruments et en les rendant plus puissants. La conception de médicaments basée sur l’IA et les détecteurs d’ondes gravitationnelles offrent aux scientifiques de nouveaux outils pour sonder et contrôler le monde naturel.

Au-delà du laboratoire, l'IA peut également déployer des systèmes avancés de simulation et d'inférence pour développer des modèles du monde réel et les utiliser pour tester des hypothèses. Avec l’impact généralisé des méthodes scientifiques, l’IA déclenche une révolution scientifique grâce à des découvertes révolutionnaires, de nouvelles technologies et des outils améliorés, ainsi que des méthodes automatisées qui augmentent la vitesse et la précision des processus scientifiques.

Source : Simulations cosmologiques à super-résolution assistées par l'IA

En plus des problèmes de repliement des protéines, les découvertes de l'IA dans de nombreux domaines sont démontrées, de la cosmologie et de la chimie à la conception de semi-conducteurs et à la science des matériaux. valeur scientifique.

Par exemple, une équipe de DeepMind a conçu un autre algorithme pour calculer la densité électronique d'une molécule, battant ainsi la méthode raccourcie sur laquelle les scientifiques s'appuyaient depuis 60 ans. Connaître la densité électronique d’une molécule donnée contribue grandement à comprendre les propriétés physiques et chimiques d’un matériau. Mais comme les électrons sont régis par la mécanique quantique, le calcul de la densité d’un électron spécifique nécessite des équations complexes qui se transforment rapidement en un cauchemar informatique. Au lieu de cela, les scientifiques ont utilisé la densité moyenne des électrons dans le matériau comme guide, évitant ainsi les calculs quantiques difficiles. Cependant, l'algorithme de DeepMind aborde directement les aspects quantiques et s'avère plus précis que les méthodes raccourcies.

Semblable au problème du repliement des protéines, l’IA est capable de surpasser les méthodes utilisées par les scientifiques depuis des décennies et de débloquer de nouvelles façons de prédire avec précision les propriétés physiques et chimiques.

L’impact de l’IA sur la science s’étend au-delà des nouvelles découvertes technologiques de quatre manières principales.

Tout d'abord, l'IA peut lire rapidement la littérature scientifique pour comprendre les règles de base, les faits et les équations de la science, et aider les scientifiques à gérer le grand nombre d'articles et de données qui inondent divers domaines. Rien qu’en 2020, entre 100 000 et 180 000 articles de revues scientifiques ont été publiés sur le COVID-19.

Bien qu'il soit logique pour les chercheurs de se concentrer sur quelque chose d'aussi urgent que la pandémie mondiale actuelle, les articles sur le COVID-19 ne représentent qu'environ 4 à 6 % du total des articles dans les plus grandes bases de données biomédicales. La vague d’articles et de données qui en résulte dépasse de loin la capacité de lecture de tout scientifique, laissant les chercheurs incapables de véritablement suivre le rythme de l’innovation dans leur domaine.

C'est là qu'intervient l'IA.

Par exemple, dans le domaine de la chimie médicinale, Insilico entre dans les essais cliniques de phase I d'un médicament entièrement conçu par l'IA pour traiter une maladie appelée fibrose pulmonaire idiopathique (FPI). Les algorithmes d'Insilico sélectionnent les cibles de la maladie en lisant la littérature médicale pour trouver des protéines, des cellules ou des agents pathogènes potentiels à identifier. Une fois la cible sélectionnée, l’algorithme peut concevoir un traitement pour traiter la maladie. Insilico a développé une plateforme d'IA de bout en bout pour la découverte de médicaments qui suit automatiquement les derniers résultats et données dans le domaine afin que les scientifiques puissent rester informés sans se laisser submerger.

Source : Photo fournie par le Leadership Computing Facilities, Visualization and Data Analysis Group du Argonne National Laboratory, États-Unis

Deuxièmement, à mesure que les instruments deviennent plus sophistiqués et que l'exploration des mystères de la nature s'approfondit progressivement, les scientifiques doivent traiter des quantités massives de données. L’IA peut également jouer un rôle à cet égard.

Une équipe de scientifiques du Laboratoire national d'Argonne (ANL) a développé un algorithme capable de comprendre les ondes gravitationnelles, les ondulations dans la structure du continuum espace-temps prédit par Einstein mais qui n'a été découvert qu'en 2015. L'algorithme a traité un mois de données en 7 minutes, fournissant ainsi une méthode accélérée, évolutive et reproductible pour détecter les ondes gravitationnelles. Et l’algorithme fonctionne également sur des unités de traitement graphique (GPU) standard, éliminant ainsi le besoin pour les chercheurs d’utiliser des équipements spécialisés pour collecter et interpréter les données sur les ondes gravitationnelles.

Ian Foster, responsable de la science des données et de l'apprentissage (DSL) à l'ANL, a déclaré : « Je suis vraiment enthousiasmé par ce projet, qui montre comment, avec les bons outils, les méthodes d'IA peuvent être naturellement intégrées dans les flux de travail des scientifiques. , leur permettant de faire les choses plus rapidement et mieux, en augmentant plutôt qu'en remplaçant l'intelligence humaine. « Avec l'IA, ce qui était autrefois une quantité massive de données est désormais un flux d'informations contrôlé qui accélère le rythme du développement scientifique.

Troisièmement, l’IA a discrètement amélioré certains des piliers de longue date du laboratoire : les microscopes et les séquenceurs d’ADN.

À l'ANL, des chercheurs ont trouvé un moyen d'augmenter la quantité d'informations qu'un microscope électronique peut récupérer sur un échantillon, tout en augmentant la résolution et la sensibilité de l'instrument. Contrairement aux microscopes que beaucoup de gens connaissent dans les cours de biologie au lycée ou à l'université, les microscopes électroniques ne s'appuient pas sur la lumière visible pour construire des images. Au lieu de cela, comme leur nom l’indique, ils utilisent des électrons, ce qui leur permet de prendre des images avec une résolution plus élevée et des structures plus fines que les autres microscopes.

Des chercheurs de l'ANL ont conçu une méthode permettant d'utiliser l'IA pour enregistrer des données de phase sur des microscopes électroniques, qui peuvent fournir des informations critiques sur les propriétés physiques et chimiques des échantillons, augmentant ainsi la puissance et la capacité de l'instrument.

De même, une autre fonctionnalité améliorée de l’IA se trouve dans ce qu’on appelle la microscopie en champ lumineux, qui peut capturer des images 3D haute définition du mouvement. Il faut généralement plusieurs jours aux scientifiques pour reconstruire une vidéo, mais grâce à l’IA, le temps nécessaire au traitement des données haute résolution de ces mouvements est réduit à quelques secondes sans perte de résolution ni de détails.

Les séquenceurs d'ADN sont les bêtes de somme de l'ère génomique et ont également été améliorés par l'IA. Plus tôt cette année, une équipe de scientifiques a utilisé l’IA pour réduire de moitié le temps nécessaire au séquençage de l’ADN, et ils espèrent le réduire à nouveau de moitié bientôt. Bref, l’intelligence artificielle modernise les outils scientifiques les plus élémentaires.

Source : "Science"

Enfin, là où l'IA brille vraiment en laboratoire, c'est dans la simulation de systèmes complexes, ce qui en fait un outil de plus en plus standard dans la recherche scientifique fondamentale.

L’année dernière, des chercheurs ont démontré les capacités multidisciplinaires de l’IA en créant des expériences de simulation révolutionnaires dans dix domaines scientifiques, dont la physique, l’astronomie, la géologie et la science du climat.

Les 10 simulateurs sont entraînés par le même réseau neuronal profond appelé DENSE. Par rapport à d'autres méthodes, la vitesse de simulation est augmentée jusqu'à 1 milliard de fois tout en conservant la précision.

Essentiellement, les simulateurs peuvent être utilisés pour résoudre des « problèmes inverses », dans lesquels le chercheur connaît le résultat mais souhaite découvrir quelles variables provoquent le résultat. L’IA est douée pour ce type de calcul et peut facilement trouver le chemin vers une réponse spécifique.

Bien que les simulations soient utiles, les chercheurs veulent également s'assurer que leurs modèles fonctionnent dans le monde réel. Deux grandes entreprises technologiques, Google et Samsung, se sont récemment tournées vers l’IA pour planifier la disposition de certaines de leurs puces.

Google a conclu que les puces conçues par l'IA « surpassent ou sont comparables aux puces produites par l'homme pour tous les indicateurs clés, y compris la consommation d'énergie, les performances et la surface de la puce ». Pour aller plus loin, la société utilise l'IA pour concevoir son accélérateur d'IA de nouvelle génération (les TPU sont des puces créées par l'IA, plutôt que des CPU ou des GPU standards).

De même, Samsung s'est appuyé sur un logiciel de conception de puces IA pour créer Exynos, une puce utilisée dans les produits portables et les voitures. Avec ses simulations haute fidélité, l’IA offre aux scientifiques un outil puissant qui révolutionne la façon dont ils modélisent et expérimentent le monde naturel.

Source : L'IA soutient le diagnostic rapide des patients atteints du COVID-19

Il n'y a pas de meilleur test réel pour les capacités de modélisation de l'IA que la pandémie de COVID-19.

Premièrement, l'algorithme de repliement des protéines AlphaFold a prédit correctement l'importante protéine « pic », démontrant comment l'IA peut accélérer le développement de vaccins ou de traitements lors de futures pandémies. Mais peut-être plus impressionnant encore, à l’été 2020, des scientifiques japonais ont utilisé Fugaku, le supercalculateur le plus puissant au monde, pour simuler la propagation aérienne du COVID-19.

Alimenté par des réseaux neuronaux profonds et des milliers de GPU, Fugaku a fourni au monde des preuves concluantes que le virus était aéroporté et a convaincu l'OMS de modifier ses directives pour contrôler le COVID-19 en conséquence (par exemple, les masques, la ventilation et les risques d'infection à l'intérieur et à l'extérieur). activités de plein air). Dans le monde réel, l’IA prouve sa valeur en éclairant les stratégies mondiales d’atténuation des crises.

En plus de faire de nouvelles découvertes et d'ajouter de nouveaux outils à l'arsenal scientifique, l'IA peut découvrir des modèles dans les données, faire des prédictions testables et les utiliser pour incorporer de nouvelles preuves dans ses modèles, reflétant la méthode scientifique.

Le philosophe Karl Popper a popularisé l'idée selon laquelle la science progresse en rejetant les hypothèses falsifiables qui peuvent être testées et prouvées fausses par l'expérimentation, qui sont éliminées par la théorie et l'expérimentation. Le processus est une caractéristique de la méthode scientifique.

Comme certaines des avancées récentes de l'IA l'ont montré, la technologie génère également des hypothèses qui peuvent être testées expérimentalement, fournissant une réponse rigoureuse et falsifiable par un processus d'élimination.

Le modèle de densité électronique de DeepMind surpasse les chercheurs en se rapprochant du processus scientifique et en itérant les retours entre les prédictions et les expériences jusqu'à ce que l'informatique quantique soit mieux maîtrisée.

L'IA résout le problème du repliement des protéines en testant son modèle sur des milliers de protéines déterminées expérimentalement, en affinant les suppositions et en élaguant le réseau neuronal en accordant un poids plus élevé aux branches les plus proches de la solution. Une fois que les chercheurs ont créé une version open source d’AlphaFold, d’autres scientifiques peuvent utiliser le modèle pour percer les mystères de la manière dont les structures d’ARN se replient et dont les protéines se lient entre elles.

Source : Modèle équivariant SE(3) indépendant d'amarrage rigide de bout en bout

Dans l'ensemble, comprendre la liaison aux protéines ouvre la porte au développement de nouveaux médicaments puissants en raison des nombreuses réactions qui sont le résultat de la collaboration des protéines. Ces deux avancées ouvrent la voie à une nouvelle ère de conception de traitements, exploitant les pipelines d’IA de bout en bout pour localiser la maladie et concevoir des traitements précis.

Par exemple, une équipe de recherche du laboratoire d’intelligence artificielle de Huawei a utilisé une version de ce modèle pour générer automatiquement des anticorps contre une infection cible. De la conception de médicaments à la liaison des protéines, la capacité de l’IA à modéliser, analyser et contrôler le monde naturel ne fera que s’améliorer.

La dernière avancée de DeepMind consiste à appliquer l’IA au problème du contrôle et du maintien des réactions de fusion nucléaire. L’IA a réussi à contrôler la réaction de fusion de l’hydrogène et de l’hélium, alimentant chaque étoile de l’univers avec une énergie record, et a découvert de nouvelles formes qui stabilisent le plasma. Cette expérience constitue une étape importante vers le développement d’une énergie de fusion viable qui pourrait fournir suffisamment d’énergie renouvelable pour alimenter le monde.

Ce cas met en lumière l'application la plus prometteuse de l'IA en science : elle détecte des modèles que nous ne pouvons pas voir et analyse notre environnement sous des angles différents mais complémentaires. En collaboration avec les chercheurs et fondée sur la méthode scientifique, l’IA peut résoudre les mêmes questions exploratoires en utilisant la théorie itérative et les expériences qui sous-tendent le processus scientifique.

La science peut être mieux décrite comme l'exploration de l'inconnu. L'IA est un partenaire dans ce voyage, percevant le monde naturel et ses parties inexplorées différemment de nous, ouvrant de nouvelles façons de comprendre et d'exploiter la puissance du monde.

Comme le décrit Hiroaki Kitano, directeur de recherche chez Sony, la découverte scientifique est un problème de « recherche » basé sur un système auto-correctif d'hypothèses, d'expériences et de données qui peuvent être simulées par l'IA. Mais l’IA est bien plus qu’un outil puissant entre les mains des scientifiques et des partenaires pendant le processus de recherche. La technologie modifie également les processus scientifiques, en automatisant et en augmentant les tâches que les gens peuvent accomplir en l’utilisant. L'intelligence artificielle est à la tête d'une nouvelle révolution scientifique, réalisant des percées significatives dans de nombreux domaines, ouvrant de nouvelles voies à la recherche scientifique et accélérant le rythme de l'innovation scientifique. En tant que partenaire, AI travaillera avec les scientifiques pour explorer des frontières scientifiques encore plus infinies.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!