Mindent átformál a mesterséges intelligencia, de így milyen tudományos karrierről álmodhatnak a mai gimnazisták?
Hogyan formálja át a mesterséges intelligencia a tudományt, és milyen hatással lesz a kutatói karrierekre? Ezen gondolkodtam, miközben szombat reggel úton voltam a gimnazistáknak rendezett HiFeszt pályorientációs rendezvényre, amelynek idén az ELTE-BME lágymányosi campusa adott otthont.
Ha csak az elmúlt napokat nézzük, a Google DeepMind bemutatta GenCast AI-alapú időjárás-előrejelző modelljét, a ChatGPT-t kifejlesztő OpenAI pedig elérhetővé tette a beépített gondolkodási folyamattal ellátott o1 modelljének végleges változatát. Kíváncsi voltam hát, hogy az AI-korszak eljövetele mennyire érzékelhető egy olyan rendezvényen, ahol szakemberek a területüket vagy kutatásukat bemutató, 30-40 perces előadásokat tartanak.
Fél tíz előtt néhány perccel érkeztem meg a BME Q épülete elé, és indultam is be az első előadásra, aminek már a címe is nagyon ígéretes volt: „A jövő molekulái – mesterséges intelligencia a biológiában”. Körbenézni már nem maradt időm, de az így is feltűnt, hogy a BME modern épületének nagy aulája, ahol különböző intézmények, szervezetek és cégek standjai álltak, tömve volt lelkes fiatalokkal. A kihelyezett tájékoztatók alapján pillanatok alatt megtaláltam az előadásnak helyt adó termet. Amikor beléptem, még tartott a rendezvény megnyitója, és meglepve tapasztaltam, hogy a nagyjából 100 fős teremben már egy szabad hely sincs.
Nobel-díjat ért a fehérje-feltekeredést megfejtő AlphaFold, de maradtak még megoldandó kihívások
Nem kellett sokat várni, és Nagy-Kanta Eszter, a Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar doktorjelöltje bele is kezdett az előadásába. Az alapoktól indultunk, a 16-18 éves fiatalokból álló közönségnek a kutató először az élet egyik alapvető építőkövéről, a DNS-ről kezdett mesélni, majd rátért arra, hogy a sejtünk és szervezetünk funkcióinak lebonyolításáról az aminosavak láncolatából felépülő fehérjék gondoskodnak. Ezekről, mint mondta, már elég sokat tudunk, csak éppen azt nem, hogy miként nyerik el háromdimenziós szerkezetüket, amivel aztán ezeket a funkciókat el tudják látni. Ezzel a szakember be is vezette a fehérje-feltekeredési problémát, miközben látványos animációkat mutatott fehérjékről, és a szerkezetüket megjósoló szoftverekről.
Nagy-Kanta a Qubit kérdésére elmondta, a komplex molekuláris biológiai témáról szóló előadás összeállításánál kihívást jelentett, hogy azt gimnazisták előtt kell megtartania, akiknél nem lehetett biztos abban, hogy milyen meglévő ismeretekkel rendelkeznek. Ahogy az előadását hallgattam, azt éreztem, hogy törekszik az érthetőségre, és nagyrészt magával tudta vinni a diákokat. Ebben segített az is, hogy a lényeget jól kiemelte: ma már a szekvenálásának hála könnyedén meg tudjuk határozni egyes fehérjék építőelemeinek sorrendjét, de a legutóbbi időkig a közel 180 millió ismert fehérje nagy részének háromdimenziós szerkezetét homály fedte. Bár kísérleti módszerekkel a szerkezetek meghatározhatók, mint mondta, ezek nagyon lassan haladnak és költségesek.
Aztán 2018-ban jött az áttörés, amikor a DeepMind AlphaFold algoritmusa debütált a fehérjekutató algoritmusok versenyén, a CASP-on (Critical Assessment of protein Structure Prediction). Az AI-modell következő verziója, az AlphaFold2 lényegében megoldotta a fehérje-feltekeredés problémáját, mondta Nagy-Kanta, amiért a laboratóriumában új fehérjéket megalkotó David Bakerrel együtt a DeepMind kutatóinak, Demis Hassabisnak és John Jumpernek ítélték meg megosztva az idei kémiai Nobel-díjat. Közben már az AlphaFold3-nál tartunk, amely, mint a szakember elmondta, már fehérjékhez kapcsolódó molekulákat, például a DNS-t is képes modellezni. A kutató szerint az élőlények működése önmagában is érdekes, de ezt az egészet azért csináljuk, hogy megértsük betegségek kialakulását és terápiákat – például azt, hogy mi történik, amikor hibásan tekerednek fel fehérjék, ami olyan neurodegeneratív megbetegedésekhez vezethet, mint az Alzheimer-kór vagy a Parkinson-kór.
De akkor az AI már mindent megoldott, és nyugodtan hátradőlhetünk? Nagy-Kanta szerint nem egészen, az AlphaFold3-nak is vannak határai, így maradt még kihívás bőven. Ezt kérdésünkre részletesebben ki is fejtette: annak modellezése, hogy a molekulák miként kapcsolódnak egymáshoz, még nem tökéletes, és sokak olyan hagyományos módszerek mellett foglalnak állást, amik az AI-modellel ellentétben jobban figyelembe veszik a fizikai és kémiai törvényeket.
Tervezz űridőjárás-előrejelzőt ChatGPT-vel!
A mesterséges intelligencia nemcsak a fehérjék titkait tárja fel nekünk, hanem sok-sok évnyi vagy évtizednyi adat alapján azt is segíthet megérteni, hogyan alakul majd a naptevékenység a jövőben. Néhány perc szünet után ugyanebben a teremben, közel 50 érdeklődő diák előtt erről beszélt Forgács-Dajka Emese, az ELTE TTK Csillagászati Tanszékének egyetemi adjunktusa előadásában, ami egy kiváló ötlet köré épült: a szakember „íratott” egy tervet a ChatGPT-vel, arról, hogy a chatbot miként készítene űridőjárás-előrejelzést – és ennek 5 lépésén keresztül a diákoknak bemutatta a tanszéken zajló új kutatásukat, ami a korábbi napfoltciklusok adatain tanított neurális hálókkal foglalkozik.
A cikk innentől csak a Qubit+ előfizetőinek elérhető. Csatlakozz, és olvass tovább!
Ha már van előfizetésed, lépj be vele. Ha még nincs, válassz csomagjaink közül!