MODERN KOLLABORÁCIÓ / MODERN COLLABORATION

A mesterséges intelligencia az adattudomány egy része. Mivel feladata az adatokból való tanulás, így nem meglepő, hogy struktúráját tekintve az emberi agy ihlette: digitális neuronok sokaságából épül fel, melyek össze vannak kötve, hogy információt adjanak át egymásnak. A tanulás folyamatát legegyszerűbben az emberi tanulás folyamatához hasonlítva képzelhetjük el: a mesterséges intelligencia sok-sok példát kap, majd ezekből tanulva képes levonni új, addig nem látott adatokról következtetéseket. Gondoljunk el egy kisgyereket! Ha megtanítjuk neki, hogy hogyan néznek ki a virágok, a növények és az állatok a környezetében, akkor az állatkertbe elvíve a számára addig ismeretlen elefántról meg fogja tudni mondani, hogy az egy állat és semmiképp sem egy növény. Vagy ha képes mesekönyvet mutatunk neki, akkor kis segítséggel el fog kezdeni rajzolni, színezni. Ha énekelünk neki, esetleg hangszereken tanítjuk játszani, kis idő után abba is beletanul. Természetesen a teljes igazság ennél sokkal bonyolultabb, de jól szemlélteti a lényeget. 

Ebben a projektben azt szeretnénk bemutatni, hogy a kollaboráció ember és mesterséges intelligencia között hogyan tereli modern irányba a művészeteket és lendíti fel a fehérjekutatást.  

Mesterséges intelligencia és a művészetek 

Érdekes eljátszani a gondolattal, hogy vajon egy gép is képes-e alkotni? A válasz pedig: emberi segítséggel úgy tűnik, igen. Tulajdonképpen itt is a kisgyermek analógiát vehetjük elő: ha sok Chopint, Mozartot és Lisztet hallgattatunk vele, hasonlót kezd el dúdolni; ha csak van Gogh festményekkel ismertetjük meg, olyasmi stílusban kezd el festeni. Sőt, egy verseken tanított mesterséges intelligencia napjainkban már egy feltörekvő költő is lehetne! Viszont a csiszolásra mindenképp szükség van, az emberek kreativitása és egyedisége az, ami teljessé teszi az alkotásokat. 

Mesterséges intelligencia és a fehérjekutatás 

A fehérjék 20 féle, aminosavaknak nevezett molekulákból alkotott hosszú, feltekeredett láncok. Egy emberben nagyjából 20,000 féle fehérje található, melyek különböző csoportjai más-más szerepet töltenek be az életünkben: energiává alakítják az elfogyasztott ételt, felelősek az agyi aktivitásunkért, mozgásunkért, baktériumokkal és vírusokkal veszik fel a harcot, tárolják és szállítják a belélegzett oxigént és még megannyi funkciójuk van! Ahhoz, hogy minél jobban megértsük a működésüket, egy fontos információra szükségünk van: a feltekeredett fehérje térbeli szerkezetére. Fehérjét fényképezni viszont nehéz munka. Ezzel ellentétben a benne található aminosavak sorrendje egyszerűbben meghatározható, de a feltekeredés mechanizmusa egy mai napig intenzíven kutatott, bonyolult terület. 

Mégis hogy lehet segítségünkre a mesterséges intelligencia? 

Annak ellenére, hogy a fehérjék szerkezetét meghatározni elég nehéz, egy hatalmas adatbázisnyi ilyen típusú adat áll rendelkezésünkre. Jól gondolod, ez éppen egy olyan adathalmaz a mesterséges intelligencia számára, amiből tanulni tud! Éppen ezt csinálták a kutatók, amikor megalkották az AlphaFold nevű mesterséges intelligenciát: megmutatták neki, hogy milyen aminosav sorrendhez milyen feltekeredett fehérje tartozik és az algoritmus így képes volt a későbbiekben meghatározni az aminosav sorrend ismeretében olyan fehérjék szerkezetét, amiket addig még nem látott. 

Itt is közös munkáról van szó: nem elég az adatokat csak odadobni a mesterséges intelligenciának, azokat gondosan formálni kell és plusz információkkal is el kell látni olykor a hálózatot. Ezen felül vannak olyan fehérjék, amikben az aminosavaktól különböző kis molekulák is találhatók, ezeknek a helyeit a fehérjén belül az AlphaFold még nem tudja megjósolni, de különböző számolásokkal a kutatók utólag pótolni tudják. 

AI is a subfield of data science. Given that its function is to learn from data, it is not a surprise that the human brain inspires its structure: it is built up of many digital neurons connected to each other to pass information through the network. One can imagine the process of learning similar to ours: the AI gets a considerable amount of examples. From that, it can make conclusions or predictions about new data. 

Let us think about children! If we teach them what flowers, plants, and animals look like in their surroundings and visit the zoo, they will instantly know that the elephant (which they have never seen) is indeed an animal and not a plant. Else, if we show them storybooks, it is only a matter of time before they start drawing and coloring. Similarly, if we sing for them or show them how to play an instrument, they will observe and learn it. Obviously, the whole learning process is more tricky, but we hope you get the hang of it! 

In this project, we want to present how collaboration between AI and humans can turn arts in modern directions and advance protein research. 

AI and arts 

It is an exciting thought whether a machine can create. The answer seems to be yes, but only with the help of humans. Practicably, we can use the children-analogy here also: if a child listens to Mozart, Chopin, and Liszt mostly, she/he will croon something similar; if we introduce her/him to paintings from van Gogh only, she/he will create in his style. Actually, an AI that was trained on poems could be a rising poet these days! On the other hand, human creativity and uniqueness are essential for making AI-made creations whole.  

AI and protein research 

Proteins are long, folded chains built up by 20 different molecules called amino acids. In the human body, approximately 20,000 types of proteins are present, which can play various roles in our lives: turn food into energy, manage motion and brain activity, fight off bacteria and viruses, store and transport oxygen, and many more! To better understand the function of proteins, we need a piece of crucial information about them: the 3-dimensional shape. Taking a shot of a protein is hard work. On the contrary, the sequence of the amino acids in it can be determined more easily, but the mechanism of the folding process is still a heavily researched area. 

Despite the complicated process of photo shooting a protein, there is a data bank with many protein structures. You got it right; it can be a training set for an AI! That is exactly what researchers thought when they created AlphaFold, an AI whose task is to predict the folded structure of a protein from its amino acid sequence.  

We need to emphasize that this is also a collaboration between an AI and humans because we need to shape the data first and possibly gather additional information to gain good results with AlphaFold (or any other AI). In addition, several proteins incorporate small molecules besides amino acids that position in the protein can not be predicted by AlphaFold yet. However, researchers can recover it later with other calculations. 

Back to the main page of the project