به گزارش ایسنا، «دیوید بیکر»(David Baker) استاد دانشگاه واشنگتن جایزه نوبل شیمی ۲۰۲۴ را به طور مشترک با «جان جامپر»(John Jumper) و «دمیس حسابیس»(Demis Hassabis) به دست آورد.

به نقل از نوبل پرایز، «آدام اسمیت»(Adam Smith) از وب‌سایت نوبل پرایز طی یک تماس تلفنی با بیکر درباره احساس او نسبت به این جایزه صحبت کرد.

بیکر: سلام

اسمیت: سلام. با دیوید بیکر صحبت می‌کنم؟

بیکر: بله. گوش می‌دهم. من در نشست مطبوعاتی هستم.

اسمیت: عذرخواهی می‌کنم. اگر می‌خواهید به نشست مطبوعاتی گوش دهید، می‌توانم صبر کنم.

بیکر: اجازه دهید بقیه نشست مطبوعاتی را تمام کنم و سپس می‌توانیم صحبت کنیم. خوب است؟

اسمیت: حتما. به محض این که تمام شود با شما تماس خواهم گرفت.

***

بیکر: سلام؟

اسمیت: سلام. دوباره آدام اسمیت از وب‌سایت نوبل پرایز هستم. تبریک فراوان.

بیکر: سپاسگزارم

اسمیت: می‌توانید به من بگویید که چگونه این خبر به شما رسید؟

بیکر: خوب، در واقع به نظر من این کمی خنده‌دار است. من تا قبل از آن متوجه این موضوع نشدم اما فکر می‌کنم آنها شماره تلفن پسرم را داشتند و سپس او شماره تلفن من را به آنها داد. من یک تماس تلفنی دریافت کردم و همسرم بلافاصله شروع به فریاد زدن کرد. بنابراین، من کمی برای شنیدن مشکل داشتم [می‌خندد] اما آنها خبر را به اطلاعم رساندند.

اسمیت: این موضوع را که همسرت پیش از تو شوکه شد دوست دارم.

بیکر: بله

اسمیت: منظورم این است که همیشه گفته می‌شد برای حل مشکل تاخوردگی پروتئین، جایزه نوبل اهدا خواهد شد و اکنون جایزه اینجاست. چه حسی دارد؟

بیکر: بله. خوب، البته این یک افتخار بزرگ و بسیار هیجان انگیز است و همچنین بسیار عالی است که این جایزه را با دنیس و به ویژه جان جامپر سهیم هستم که واقعا مسئله پیش‌بینی ساختار کلاسیک را حل کرده است. من همیشه فکر می‌کردم که اگر جایزه نوبل برای طراحی پروتئین وجود داشته باشد، آن را با «استیو مایو» و «بیل دگرادو» می‌گیرم. پس، از این بابت کمی متاسفم. فکر می‌کنم خوب است که بدانید مشکل تاخوردگی پروتئین همیشه دو طرفه بوده است که از ساختاری به ساختار دیگر می‌رود و سپس از ساختاری به دنباله دیگر برمی‌گردد. من فکر می‌کنم این که یک جایزه معتبر برای آن در نظر گرفته شده، خوب است.

اسمیت: بله. به نظر شما سودمندترین اثر طراحی پروتئین در آینده قابل پیش‌بینی چیست؟

بیکر: خوب، من درباره طیف گسترده‌ای از برنامه‌ها واقعا خوشبین هستم. بنابراین، فقط با فکر کردن به چیزهایی که اکنون در حوزه بهداشت و پزشکی روی آنها کار می‌کنیم، گمان می‌کنم درمان‌های هوشمندتر که دقیق‌تر هستند و فقط در زمان و مکان مناسب در بدن عمل می‌کنند، می‌توانند بسیاری از مشکلات داروهای سیستمیک را برطرف کنند. ما اولین داروی طراحی‌شده واقعی را داریم که برای استفاده در انسان تایید شده است. این دارو، واکسنی است که توسط همکارم «نیل کینگ» در «موسسه طراحی پروتئین» طراحی شده است. بیرون از حیطه پزشکی، من فکر می‌کنم که اکنون گام‌های بزرگی را در توسعه کاتالیزورهای جدید برمی‌داریم و این می‌تواند برای موضوعاتی مانند تجزیه آلاینده‌ها و پلاستیک‌ها و ذرات موجود در محیط به کار برود تا با نوعی شیمی سبزتر، مسیرهای بهتری برای رسیدن به مولکول‌های جدید ایجاد شود. بنابراین، من فکر می‌کنم کاربردهای پایداری زیادی وجود دارد. وقتی درباره همه کارهای گوناگونی که پروتئین‌ها در طبیعت انجام می‌دهند فکر می‌کنید، می‌بینید که آنها به‌ طور تصادفی طی میلیون‌ها سال انتخاب طبیعی تکامل یافته‌اند. اکنون با توانایی طراحی پروتئین‌های جدید به ویژه برای حل مشکلات، امکانات بسیار زیادی وجود دارد. این واقعا هیجان‌انگیز است.

اسمیت: این یک دنیای کاملا جدید است. این طور نیست؟ خدای من!

بیکر: این یک دنیای کاملا جدید است. بله واقعا همین طور است.

اسمیت: بله و در آخر، چه احساسی دارد که همراه با رقبای خود جایزه می‌گیرید؟ همان طور که می‌دانید، برای مدتی RoseTTAFold و AlphaFold به نوعی با یکدیگر رقابت می‌کردند. مشترک شدن در این جایزه چه حسی دارد؟

بیکر: خوب، من هرگز واقعا احساس نکرده‌ام که دیپ‌مایند یا جان یا دمیس رقیب من هستند. فکر می‌کنم خیلی الهام‌بخش بود. می‌دانید، ما سال‌ها در حال توسعه روش‌های مبتنی بر فیزیک برای پیش‌بینی ساختار پروتئین و طراحی پروتئین بودیم. ما در طراحی پروتئین پیشرفت می‌کردیم و می‌توانستیم عملکردهای پیچیده‌تری را برای پروتئین طراحی کنیم. این پیشرفت مداوم بود اما پس از آن، زمانی که جان AlphaFold2 را توسعه داد، واقعا نوعی زنگ بیدارباش برای من درباره قدرت یادگیری عمیق بود. بنابراین به جای رقبا، واقعاً می‌توانم بگویم که آنها الهام‌بخش‌های بزرگی درباره قدرت یادگیری عمیق بوده‌اند. فکر می‌کنم بسیاری از هیجان‌انگیزترین کارهایی که در سال‌های اخیر انجام داده‌ایم، از روش‌های یادگیری عمیق آمده‌اند. واقعا الهام‌بخش است که یادگیری ماشینی، قدرت زیادی را در این زمینه از پژوهش‌های جان و دمیس داشته باشد.

اسمیت: ممکن است این در حال حاضر یک پرسش خیلی بزرگ باشد اما همان طور که گفتید، اساسا مسئله تاشدگی پروتئین قرار بود با درک قوانین حل شود اما در نهایت با عدم درک قوانین حل شد. آیا این مهم است که قوانین درک نشده باشند اما این روش کار کند؟

بیکر: می‌دانید، این یک پرسش بزرگ است. من فکر می‌کنم برای کاربردهای بسیار زیادی که پیش‌بینی ساختار پروتئین داشته است و دانستن ساختارهای پروتئینی، واقعا مهم نیست که چگونه به آنجا برسیم. انسان‌ها با حل کردن بسیاری از مشکلات در روز با یک شبکه عصبی بسیار پیچیده که ما اصلا آن را درک نمی‌کنیم، بسیار راحت هستند. مغز ما و ما با راه‌حل‌هایی که ارائه می‌کنیم کاملا راحت هستیم و درباره درک نکردن این که مغزمان دقیقا چگونه کار می‌کند، نگرانی زیادی نداریم.

اسمیت: همه این‌ها جذاب است. سپاسگزارم. آنجا صبح زود است. بعد قرا است چه کار ‌کنید؟

بیکر: فکر می‌کنم زمانی که با تلفن صحبت می‌کردیم، حدود صد تماس تلفنی از دست رفت و پیام‌ها همچنان ظاهر می‌شوند. فکر می‌کنم تلاش ‌کنم کمی بخوابم اما نمی‌دانم که امکان‌پذیر است یا خیر.

اسمیت: این شما را در گروه منتخبی از برندگان قرار خواهد داد که موفق به انجام این کار (خوابیدن) شده‌اند. پس، موفق باشید. امیدوارم خوابتان ببرد.

بیکر: من خیلی خوشبین نیستم [می‌خندد] خیلی هیجان‌انگیز است.

اسمیت: بسیار خوب. یک بار دیگر تبریک می‌گویم.

بیکر: از صحبت کردن با شما خوشحال شدم.

اسمیت: سپاسگزارم. خدانگهدار

انتهای پیام