Попробуй сам
Зайди на сайт Materials Project. В строке поиска набери LiFePO₄ — это материал катода твоего будущего электросамоката. Ты увидишь его кристаллическую структуру: как шарики кислорода, железа, фосфора и лития складываются в решётку, увидишь предсказанную энергию образования и зонную диаграмму. Поиграй с другими материалами: NaCl (поваренная соль), SiO₂ (кварц). Сравни, насколько они стабильны, как выглядят их графовые сети связей. А теперь попробуй найти материал с конкретным свойством — например, шириной запрещённой зоны около 1,5 эВ для солнечной батареи. Почувствуй себя материаловедом, который ищет иголку в стоге сена, но с мощнейшим ИИ-фонариком. Обрати внимание на статус каждого кандидата: где-то написано «predicted», где-то — «experimental». Что это значит? Если материал только предсказан, а экспериментально никто его ещё не получил, — это всё ещё гипотеза. GNoME может считать его стабильным, но пока A-Lab или другая лаборатория не подтвердит это, красивая решётка остаётся просто картинкой. Именно здесь проходит граница между «ИИ нарисовал» и «материал синтезировали». И это возвращает нас к важнейшей теме критического мышления: не всё, что предсказано, можно подержать в руках. Ну а пока — представляй, как робот-манипулятор взвешивает порошки для твоего будущего рекордного аккумулятора.
Глава 8. На стыке химии и биологии
До сих пор мы говорили о молекулах и материалах, которые химик придумывает и синтезирует сам: лекарства, полимеры, катализаторы. Но есть класс молекул, который природа оттачивала миллиарды лет, — белки. Они умеют сворачиваться в эффективные наномашины, ускорять реакции в миллионы раз и собираться в сложные ансамбли. Ещё вчера расшифровка структуры одного-единственного белка занимала годы и стоила как крыло самолёта. А сегодня школьник с ноутбуком может за минуту получить трёхмерную модель белка, более того, он может придумать совершенно новый белок, которого нет в природе. Давай посмотрим, как искусственный интеллект превратил биологию в раздел химии, а химиков — в архитекторов живых молекул.
Как известно, от уникальной трёхмерной структуры белка зависит, будет ли он переносить кислород (как гемоглобин), переваривать пищу (как пепсин) или поглощать и излучать свет (как флуоресцентный белок). Понять, какая структура получится из данной последовательности аминокислот, — это и есть «проблема фолдинга белка». Экспериментальные методы вроде рентгеноструктурного анализа были дорогими и медленными, а компьютерные расчёты вязли в астрономическом числе возможных конформаций. В 2020 году компания DeepMind представила AlphaFold2 — нейросеть, которая по аминокислотной последовательности предсказывала структуру белка с точностью, сопоставимой с экспериментом. Это было не просто улучшение на пару процентов — это было решение задачи, над которой бились полвека. В 2024 году Нобелевская премия по химии была присуждена Демису Хассабису, Джону Джамперу (создателям AlphaFold) и Дэвиду Бейкеру — пионеру вычислительного дизайна белков. Обрати внимание: премия по химии, а не по биологии. Потому что предсказание и дизайн структуры белков — это химия, просто молекула очень большая и сложная.
Если без формул: AlphaFold работает как умный детектив, который ищет корреляции в базе данных известных белковых структур и множественных выравниваний последовательностей. Он берёт цепочку аминокислот и строит попарные карты расстояний между всеми парами остатков, а затем итеративно «лепит» трёхмерную модель, похожую на оригами. Нейросеть учится на примерах: вот так выглядят альфа-спирали, вот так — бета-листы, а если в поворотной петле стоит глицин, то здесь будет резкий изгиб. Это аналог графовых и трансформерных моделей, только для последовательностей. Через несколько дней после выхода AlphaFold2 учёные по всему миру начали предсказывать структуры белков, которые раньше были недоступны, включая белки вирусов и ключевые ферменты.
В 2024 году вышла следующая версия — AlphaFold3. Она шагнула дальше и научилась предсказывать не только одиночные белки, но и их комплексы — с ДНК, РНК, маленькими молекулами-лигандами (лекарствами), кофакторами, ионами металлов. Теперь можно посмотреть, как потенциальное лекарство «садится» в активный центр фермента, ещё до того, как ты его синтезировал. Можно увидеть, как РНК-полимераза связывается с ДНК-матрицей или как хлорофилл с ионом магния удерживается в активном центре светособирающего белка. AlphaFold3 объединяет все эти взаимодействия в единой модели, и это уже прямой мост от генетики к химическому синтезу. Потенциально ты можешь придумать ингибитор для вирусного белка, загрузить последовательность белка и свою молекулу в AlphaFold3 и через минуту получить картину их совместной укладки.