“得知今年诺贝尔奖的结果，诺贝尔本人都得连夜转码农…”
这虽是句玩笑话，却是很多人在本届诺贝尔奖（尤其是物理学+化学奖）公布后的由衷感叹。
其中，2024年诺贝尔物理学奖于10月8日公布，颁给了约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton）两位AI大佬，以表彰他们在人工神经网络进行机器学习领域的基础性发现和发明。
而诺贝尔化学奖于次日公布，奖项由大卫·贝克（David Baker）、德米斯·哈萨比斯（Demis Hassabis）和约翰·M·詹珀（John M. Jumper）包揽，以表彰他们在蛋白质设计和结构预测上的贡献，而三人的研究成果“AI含量”十足。
机器学习作为人工智能的重要技术分支，大家并不陌生。但AI是如何帮助人们设计和预测蛋白质结构的？三位科学家为何能凭此获得这届诺贝尔化学奖？下面司普科技1号解说员小司带大家来一探究竟。
AI设计和预测蛋白质的历史意义
要弄清楚这个问题，可能我们需要先了解下传统设计和预测蛋白质结构的方法。
众所周知，为了寻找治疗人类疾病的方法，研究和分析蛋白质的结构和功能一直是生物学、医药学等领域重要的研究课题。
据了解，此前科学家们主要通过各种设备检测和实验来分析蛋白质结构。比如常见的X射线晶体学、核磁共振、冷冻电镜等。但这种方法操作复杂成本高，而且周期很长，遇上复杂情况还无法处理。
比如有媒体就曾报道：往届诺贝尔化学奖得主马克斯·佩鲁茨（Max F. Perutz）和他的团队就花了23年时间来确定血红蛋白的结构。
而此前很多科学家为了确定20000个人类蛋白中的某个蛋白质的结构，可能就要花费毕生心血。
经过几十年几代人的努力，目前有统计的已解析的人类蛋白质结构据说也就35%，而来自谷歌 DeepMind团队的德米斯· 哈萨比斯（Demis Hassabis）和约翰·M·詹珀（John M. Jumper）的团队推出的蛋白质三维结构AI预测模型AlphaFold能力多强呢？
据说数月内就完成了98.5%的人类蛋白质结构的预测。
而且，除了预测蛋白质结构，这个AI模型还能准确预测核酸（DNA和RNA）、配体（小分子）等各种生命分子结构及其相互作用方式，帮助人们在原子水平精确观察生物分子系统的结构。
自2018年推出以来，AlphaFold已经进化到第三代，在业内算是一骑绝尘。这也是这两位能凭借这项革命性技术，成为新一届诺贝尔化学奖得主的一大原因。
另一位诺贝尔化学奖得主大卫·贝克（David Baker）为美国西雅图华盛顿大学医学院生物化学教授、蛋白质设计研究所所长，霍华德·休斯医学研究所研究员，算是化学与人工智能的连接者，他因创建出同样高精度的AI蛋白质结构预测工具RoseTTAFold而获奖。
诺奖评选不论AI含量，只看结果？
在有些人看来，蛋白质设计和结构预测可能只是化学里面的一个小分支，但成功解析蛋白质与其他分子复杂相互作用的能力，对于基因组学、疾病通路、治疗靶点、蛋白质工程、合成生物学等却有极大助益。
据不完全统计，目前AI已经被创新性用于蛋白质功能结构预测、新蛋白质序列设计与生成、蛋白质-蛋白质相互作用预测、功能注释、蛋白质优化筛选等，这些为人们开发新的功能性蛋白质和药物靶点，辅助生命科学研究和新药研发提供了建设性方案。
话说回来，包括人工智能在内的计算机技术本就是通信电子、数学、物理等交叉的综合性学科，研究如何量化分析化学学科的各种问题以推动科技进步，不管是人类独立完成还是借助计算机技术辅助完成，说到底，完成，才最重要。
这或者也是今年的诺贝尔奖的物理奖和化学奖拓展学科边界，将奖项颁给具有AI背景的行业大佬的一大原因。
毕竟诺奖关注的是领域内对人类作出最大贡献的人，而AI能助他们发挥更大的贡献。
而开了这个头，人们对于后续的诺贝尔奖评选能否继续打破学术边界，以对人类的贡献值为导向，也更充满期待。
备注：本文原创，首发司普科技，有参考《引领药物研发新革命，AlphaFold3太强了！专家团队手把手教授AI蛋白质设计》、《AI工程的极致：AlphaFold》等，仅做分享。
热门跟贴