Tại sao AlphaFold chưa giải quyết triệt để bài toán cuộn gập protein

Trong một buổi phỏng vấn trên podcast Latent Space, Pushmeet Kohli từ Google DeepMind và Sal Candido từ CZ Biohub đã thảo luận về lý do tại sao AlphaFold chưa giải quyết triệt me bài toán cuộn gập protein. Họ đã khám phá cách các nguyên lý quy mô hóa AI cần được điều chỉnh để nắm bắt động lực học sinh học phức tạp vượt ra ngoài việc chỉ dự đoán cấu trúc tĩnh. Việc phân biệt giữa dự đoán cấu trúc 3D tĩnh và hiểu rõ động lực học cuộn gập protein biến đổi là yếu tố then chốt để phát triển sinh học tế bào và phát minh thuốc hướng mục tiêu. Điều này nhấn mạnh rằng việc áp dụng các quy luật quy mô hóa AI vào sinh học đòi hỏi vượt qua giới hạn của cơ sở dữ liệu tĩnh hiện có để hướng tới tạo ra các dạng dữ liệu sinh học mới. Dù AlphaFold dự đoán xuất sắc cấu trúc 3D trạng thái cân bằng tĩnh từ chuỗi axit amin, nó không mô phỏng các con đường động lực học, trạng thái trung gian hay tương tác môi trường theo thời gian thực của quá trình cuộn gập. Các chuyên gia lưu ý rằng việc tận dụng 'Bài học đắt giá' (Bitter Lesson) của Rich Sutton trong sinh học đòi hỏi phải tạo ra các tập dữ liệu động phong phú hơn thay vì chỉ gia tăng sức mạnh tính toán trên dữ liệu cấu trúc sẵn có.