AI再夺诺奖!2024诺贝尔化学奖授予蛋白质计算领域三位科学家

编辑 | ScienceAI2024 年 10 月 9 日北京时间 17 时 45 分许,瑞典皇家科学院在斯德哥尔摩宣布,将 2024 年诺贝尔化学奖的一半授予华盛顿大学教授大卫·贝克(David Baker),以表彰他在「计算蛋白质设计」方面的贡献,并将另一半授予Google DeepMind 的科学家戴密斯·哈萨比斯(Demis Hassabis)和约翰·M·詹伯(John M. Jumper),以表彰他们在「蛋白质结构预测」方面的贡献。大卫·贝克(David Baker)华盛顿大学蛋白质设计研究所所长,霍华德

图片

编辑 | ScienceAI

2024 年 10 月 9 日北京时间 17 时 45 分许,瑞典皇家科学院在斯德哥尔摩宣布,将 2024 年诺贝尔化学奖的一半授予华盛顿大学教授大卫·贝克(David Baker),以表彰他在「计算蛋白质设计」方面的贡献,并将另一半授予Google DeepMind 的科学家戴密斯·哈萨比斯(Demis Hassabis)和约翰·M·詹伯(John M. Jumper),以表彰他们在「蛋白质结构预测」方面的贡献。

图片

大卫·贝克(David Baker)

图片

华盛顿大学蛋白质设计研究所所长,霍华德休斯医学研究所研究员,华盛顿大学医学院 Henrietta 和 Aubrey Davis 生物化学教授,华盛顿大学基因组科学、生物工程、化学工程、计算机科学和物理学兼职教授。Baker Lab 开发蛋白质设计软件,并用它来创建分子,以解决医学、技术和可持续性方面的挑战。

David 还是华盛顿大学基因组科学、生物工程、化学工程、计算机科学和物理学的兼职教授。他发表了 600 多篇研究论文,共同创办了 21 家公司,并获得了 100 多项专利。他的 80 多名学生后来担任了独立教职。

David 是美国国家科学院的当选成员,并获得了众多奖项,包括 2021 年生命科学突破奖。2024 年,《时代》杂志将他评为全球 100 位最具影响力的健康人物之一。

戴密斯·哈萨比斯(Demis Hassabis)

图片

出生于1976年,在伦敦长大,母亲是新加坡华人。4岁开始下国际象棋,有「国际象棋神童」的美誉,8岁自学编程,13岁时达到了大师标准。本科以计算机科学双一的成绩毕业于剑桥大学,后来在伦敦大学学院完成了认知神经科学博士学位,又在MIT和哈佛攻读博士后。

2010年,他与在伦敦大学学院读博士遇到的 Shane Legg 共同创办了 DeepMind 并担任 CEO。2014 年,DeepMind 被 Google 收购,在 Alphabet 旗下独立运营。2023 年,DeepMind 与「谷歌大脑」合并,Hassabis 升任合并后的 Google DeepMind 团队 CEO。

约翰·M·詹伯(John M. Jumper)

图片

DeepMind Technologies 高级研究科学家,AlphaFold 的第一作者。他在芝加哥大学获得博士学位,主要研究方向是使用 ML 来模拟蛋白质折叠和动力学。2021 年,他被 Nature 列为年度榜单中的十大「重要人物」之一。

历年诺贝尔化学奖获得者名单

图片

完整名单:https://www.nobelprize.org/prizes/lists/all-nobel-prizes-in-chemistry/all/

相关资讯

复旦团队提出Transformer生成的原子嵌入策略,可通过ML提高晶体特性的预测准确性

编辑 | 白菜叶近年来,在化学分子性质与结构预测领域出现了大量基于 Transformer 的训练方法和预测模型,例如 OrbNet、3D-Transformer 等。 科学家们认为这些方法和模型,能够充分发挥 Transformer 架构在处理原子相互作用和捕捉三维结构方面的优势,从而高效地表示原子间复杂的相互作用。 在这些进步的推动下,复旦大学的研究人员开发了自制的 CrystalTransformer 模型,基于 Transformer 架构生成称为 ct-UAE 的通用原子嵌入,该模型为每个原子学习独特的「指纹」,捕捉它们在材料中的功能和相互作用的本质。

南开&山大&北理工团队开发trRosettaRNA:利用Transformer网络自动预测RNA 3D结构

编辑 | 萝卜皮RNA 3D 结构预测是一个长期存在的挑战。受最近蛋白质结构预测领域突破的启发,南开大学、山东大学以及北京理工大学的研究团队开发了 trRosettaRNA,这是一种基于深度学习的自动化 RNA 3D 结构预测方法。trRosettaRNA 流程包括两个主要步骤:通过transformer网络进行 1D 和 2D 几何形状预测;以及通过能量最小化进行的 3D 结构折叠。基准测试表明 trRosettaRNA 优于传统的自动化方法。在 CASP15 和 RNA-Puzzles 实验的盲测中,对天然 R

Nat. Commun.|人类水平的准确性,哈佛医学院团队使用机器学习,从空间蛋白质组数据中快速、精确地识别细胞类型

编辑 | 萝卜皮高度多重蛋白质成像正在成为分析细胞和组织内天然环境中蛋白质分布的有效技术。然而,现有的利用高复杂空间蛋白质组学数据的细胞注释方法是资源密集型的,并且需要迭代的专家输入,从而限制了它们对于广泛数据集的可扩展性和实用性。哈佛医学院(Harvard Medical School)团队引入了 MAPS(Machine learning for Analysis of Proteomics in Spatial biology),这是一种机器学习方法,有助于从空间蛋白质组数据中快速、精确地识别细胞类型,并具有