Vom Harvard Philosophy Department Zum Protein Design Master David Baker: AlphaFold Hat Mir Die Kraft Des Deep Learning Tiefgreifend Bewusst Gemacht

Wenn wir darüber sprechen, wer der führende Meister des Proteindesigns auf Weltniveau ist, dann ist Professor David Baker von der University of Washington zweifellos dieser Titel würdig. Als Top-Experte auf diesem Gebiet hat Baker mehr als 700 Forschungsarbeiten zu Proteinen veröffentlicht, die insgesamt über 177.000 Mal zitiert wurden. Im Oktober dieses Jahres wurde Baker für seine herausragenden Beiträge zum Proteindesign mit dem Nobelpreis für Chemie 2024 ausgezeichnet.Sein Einfluss in der akademischen Welt ist offensichtlich.

Bakers Einfluss geht jedoch weit darüber hinaus. Auch in der Industriewelt ist sein Name bekannt.Laut der offiziellen Website des Institute for Protein Design der University of Washington gibt es 21 Unternehmen, an denen Baker direkt als Gründer beteiligt ist. Im April dieses Jahres konnte das von ihm mitgegründete KI-Pharmaunternehmen Xaira Therapeutics nicht nur die Chemie-Nobelpreisträgerin 2022, Carolyn Bertozzi, als Mitarbeiter gewinnen, sondern auch eine enorme Finanzierungssumme von 1 Milliarde US-Dollar erhalten und belegte damit den ersten Platz in der globalen Finanzierungsliste des zweiten Quartals. Sogar Investmentgiganten wie Sequoia Capital und ARCH Venture Partners haben es unterstützt.

David Baker ist ein Wissenschaftler, der viele Studenten an der Universität hat und in der Industrie außergewöhnliche Erfolge erzielt hat. Was ist sein Wachstumsprozess und sein Erfolgsgeheimnis?

Ausgehend vom Interesse sammeln wir Kraft aus aller Welt, um Schwierigkeiten zu überwinden

David Baker wurde am 6. Oktober 1962 in Seattle, Washington, USA, in eine jüdische Familie geboren. Seine Eltern waren Physiker und Geophysiker. Trotzdem interessierte sich Baker zunächst nicht für die Wissenschaft. Er studierte Philosophie und Sozialwissenschaften an der Harvard University, doch heute denkt er: „Das war reine Zeitverschwendung. Viele Gespräche waren bedeutungslos.“

In seinem letzten Jahr am College belegte Baker einen Kurs in Entwicklungsbiologie, wo er Zeuge eines magischen Experiments wurde: Nach der Zugabe von Proteindenaturierungsmitteln verlor RNase ihre Aktivität beim Schneiden von RNA, doch als das Denaturierungsmittel in der Lösung verdunstete, erholte sich die Aktivität der RNase auf wundersame Weise. Wie finden Proteine im Handumdrehen selbstständig die richtige Konformation und Funktion?Dieses Streben nach klaren Antworten auf wissenschaftliche Fragen begeisterte ihn mehr als die Mehrdeutigkeit der Philosophie.Also begann er, das klassische Lehrbuch „Molekularbiologie der Zelle“ zu lesen und war immer mehr von der Biologie fasziniert.

Baker trat dann dem Labor des Nobelpreisträgers für Physiologie oder Medizin Randy Schekman bei und erhielt seinen Ph.D. in Biochemie von der University of California, Berkeley im Jahr 1989.

Nach seinem Doktortitel trat Baker in das Labor von Professor David Agard an der University of California in San Francisco ein und begann mit seiner Postdoc-Forschung.Dort versuchte er, Kristallstrukturen mithilfe von Computern zu analysieren und kam auf die Idee, Proteinstrukturen mithilfe von Computern vorherzusagen.„Im Strukturbiologielabor, wo ich als Postdoc arbeitete, gab es einen Raum, der sich ausschließlich der Lösung von Kristallstrukturen widmete. Alle saßen an einem Computerterminal und ordneten Aminosäureketten Elektronendichtekarten zu. Ich setzte mich hin und versuchte es drei Minuten lang, und ich bekam rasende Kopfschmerzen. Da wurde mir klar, dass ich das nicht schaffen konnte, und ich wollte Computer für etwas Sinnvolleres nutzen.“

Mit dieser Frage im Kopf kehrte Baker 1993 in seine Heimatstadt, die University of Washington in Seattle, zurück und begann mit der Entwicklung einer Software, die die Proteinstruktur auf Grundlage der Aminosäuresequenz vorhersagen konnte. Daraus entwickelte sich später das beliebte Rosetta-Programm. Baker lernte dort auch seine Frau Hannele Ruohola-Baker kennen, eine Professorin für Biochemie an der University of Washington, mit der er einen Sohn und eine Tochter hat.

Im Jahr 1998 wurde Rosetta offiziell veröffentlicht.Basierend auf den Prinzipien der Physik kann Rosetta Energieminimierungsberechnungen für die Konformation eines Proteins durchführen, um die stabilste dreidimensionale Struktur vorherzusagen, d. h. die stabile Konformation des Proteins, die seinem natürlichen Zustand nahe kommt. Um die Leistung von Rosetta bei der Vorhersage von Proteinstrukturen zu überprüfen, nahm das Baker-Team aktiv am CASP-Wettbewerb teil. In diesem Wettbewerb werden die Teilnehmer Blindvorhersagen für eine Reihe von Proteinstrukturen durchführen, deren Strukturen experimentell gelöst, aber noch nicht veröffentlicht wurden, um die Genauigkeit verschiedener Algorithmen zu bewerten. Seitdem hat sich Rosetta schrittweise bei CASP etabliert und schrieb 2004 bei CASP6 Geschichte. Für das Zielprotein T0281 gelang Rosetta erstmals eine Ab-initio-Proteinstrukturvorhersage mit nahezu atomarer Genauigkeit und wurde damit zu einem führenden Unternehmen auf dem Gebiet der Proteinstrukturvorhersage.

Rosetta-Adresse:https://levitate.bio/rosetta

Genauere Vorhersagen bedeuten jedoch einen höheren Verbrauch an Rechenressourcen. „Als wir mit der Vorhersage von Proteinstrukturen begannen, stellten wir fest, dass diese Arbeit sehr viel Rechenleistung erforderte. Wir kauften ständig neue Computer, was nicht nur sehr teuer war, sondern uns auch bald der Platz ausging, um sie alle unterzubringen.Aus diesem Grund haben wir das Projekt Rosetta@home ins Leben gerufen.Laden Sie Menschen aus aller Welt ein, ihre ungenutzte Rechenleistung für die Berechnung von Proteinstrukturen zu nutzen. Dies ist ein Bildschirmschoner, der die Proteinfaltung auf dem Bildschirm zeigt, während der Computer Berechnungen durchführt. "sagte Baker.

Heute ist Rosetta im akademischen und industriellen Umfeld weit verbreitet und hat sich zu einem Standardwerkzeug für die Strukturbiologie und Arzneimittelforschung entwickelt. Um die Rosetta-Software kontinuierlich zu verbessern,Baker gründete auch eine akademische Gemeinschaft, Rosetta Commons.Diese Community vereint Wissenschaftler aus mehr als 60 Institutionen auf der ganzen Welt und deckt Bereiche wie Chemie, Biologie, Physiologie, Physik, Ingenieurwissenschaften, Mathematik und Informatik ab. Jedes Jahr veranstaltet die Community Treffen, bei denen die Mitglieder Ergebnisse teilen und Ideen austauschen können. Heute ist Rosetta Commons ein groß angelegtes internationales Kooperationsprojekt.

Rosetta@home-Adresse:https://boinc.bakerlab.org

Inspiriert durch das Rosetta@home-Projekt wurde Baker sich der Bedeutung der „Human Wave“-Taktik bewusst. Wenn man auf einem unbekannten Gebiet schnell bahnbrechende Fortschritte erzielen möchte, ist eine Win-Win-Kooperation der langfristige Weg. Im Jahr 2008 startete Bakers Team offiziell Foldit, ein Online-Puzzlespiel zur Proteinfaltung, an dem sowohl Profis als auch Laien teilnehmen können. „Unser Traum ist es, dass Menschen auf der ganzen Welt zusammenarbeiten, um bedeutende Beiträge zur Wissenschaft und zur globalen Gesundheit zu leisten“, sagte Baker.

In Foldit,Mithilfe der Werkzeuge im Spiel versuchen die Spieler, die ausgewählte Proteinstruktur möglichst perfekt zu falten. Die Lösungen mit der höchsten Punktzahl werden von den Forschern analysiert, um ihre Anwendbarkeit im wirklichen Leben zu bewerten und sie dann auf gezielte Therapien usw. anzuwenden. Erwähnenswert ist, dass Foldit mehr als 400.000 Teilnehmer anzog und einige Spieler als Mitwirkende in Bakers Artikel aufgeführt wurden. In einem 2011 von Nature veröffentlichten Artikel halfen Foldit-Spieler beispielsweise dabei, die Kristallstruktur der retroviralen Protease M-PMV zu entschlüsseln, eines Virus, das Wissenschaftler 15 Jahre lang vor Rätsel gestellt hatte. Die Spieler benötigten nur 10 Tage, um ein ausreichend genaues 3D-Modell des Enzyms zu erstellen, um den molekularen Ersatz und die anschließende Strukturbestimmung erfolgreich durchzuführen.

Foldit-Adresse:https://fold.it

In den folgenden Jahren erfreuten sich Rosetta und Foldit auf dem Gebiet der Proteinstruktur großer Beliebtheit. Hätte sich dieser Trend fortgesetzt, wäre die andere Hälfte des diesjährigen Nobelpreises für Chemie „für Beiträge zur Vorhersage von Proteinstrukturen“ möglicherweise nicht an Demis Hassabis und John Jumper gegangen. Der Wendepunkt von allem kam Ende 2020.

Mit Open Source auf AlphaFold2 reagieren

Beim 14. CASP-Wettbewerb im November 2020 kam AlphaFold2 „aus dem Nichts“. Als bedeutende Errungenschaft wurde AlphaFold2 von Science zu einem der zehn größten Durchbrüche des Jahres gekürt. Die Genauigkeit von AlphaFold2 bei der Vorhersage der Proteinstruktur übertraf alle anderen Teams deutlich. Rosetta von Bakers Team blieb hingegen weit zurück. Der Veranstalter gab sogar direkt bekannt, dass AlphaFold 2 ein Problem erfolgreich gelöst habe, das Wissenschaftler seit 50 Jahren plagt.

Im Gegensatz zu Rosetta, das sich stärker auf Methoden konzentriert, die auf physikalischen Prinzipien basieren, und die Proteinstruktur durch Minimierung der berechneten Energie vorhersagt, kombiniert AlphaFold2 Deep Learning mit Wissen aus verwandten Bereichen wie Physik und Biologie, um eine durchgängige Vorhersage von Informationen zur dreidimensionalen Proteinstruktur zu erreichen.Diese Leistung sorgte in der wissenschaftlichen Gemeinschaft für großes Aufsehen und wurde als Meilenstein der Proteinforschung gefeiert. DeepMind gab damals jedoch keine spezifischen Details zu AlphaFold2 bekannt.

Baker sagte hierzu: „Alle waren fassungslos. Zuerst gab es viel Medienberichterstattung, dann gab es keine Neuigkeiten mehr. Es war seltsam, dass wir auf unserem Gebiet große Fortschritte gemacht hatten, uns aber auf dieser Grundlage nicht weiterentwickeln konnten.“

Wie sein Lehrer Randy Schekman befürwortet Baker Open Source und den Austausch wissenschaftlicher Erkenntnisse. Sein Lehrer beschloss, den drei großen Zeitschriften „den Krieg zu erklären“.Baker ist entschlossen, ein Open-Source-Modell zu entwickeln, das mit AlphaFold2 konkurrieren kann.

*Randy Schekman befürwortet den offenen und freien Zugang zu wissenschaftlicher Literatur, kritisiert Zeitschriften mit beschränktem Zugang wie Nature, Science und Cell scharf und kündigt an, dass er niemals Beiträge bei diesen Zeitschriften einreichen wird.

Auf der Grundlage von AlphaFold2 haben Baker und andere Mitglieder des Labors mehrere Monate lang hart gearbeitet und das Deep-Learning-Modell RoseTTAFold veröffentlicht. RoseTTAFold verwendet eine einzigartige dreispurige neuronale Netzwerkarchitektur, die die Sequenzmuster, Aminosäureinteraktionen und möglichen dreidimensionalen Strukturen des Proteins gleichzeitig berücksichtigen kann, wobei eindimensionale, zweidimensionale und dreidimensionale Informationen ineinander fließen, wodurch das neuronale Netzwerk auf die Beziehung zwischen der chemischen Zusammensetzung des Proteins und seiner gefalteten Struktur schließen kann. Mithilfe von RoseTTAFold berechneten die Forscher Hunderte neuer Proteinstrukturen, darunter viele unbekannte Proteine im menschlichen Genom, und sie generierten auch Proteine, die für die menschliche Gesundheit von direkter Bedeutung sind, beispielsweise solche, die mit entzündlichen Erkrankungen und dem Wachstum von Krebszellen in Verbindung stehen.

Erwähnenswert ist, dass der Energieverbrauch und die Rechenzeit von RoseTTAFold geringer sind als die von AlphaFold2. Mit nur einer RTX 2080-Grafikkarte kann es die Proteinstruktur innerhalb von 400 Aminosäureresten in nur 10 Minuten berechnen. Die Forscher stellten fest, dass „ohne den Einsatz dieser Art von Software ein Wissenschaftlerteam Jahre brauchen könnte, um eine Proteinstruktur zu bestimmen.“ Baker wusste, dass es an der Zeit war, RoseTTAFold öffentlich zu machen.

RoseTTAFold Open Source-Adresse:https://github.com/RosettaCommons/RoseTTAFold

Im Juni 2021 veröffentlichte Baker ein Preprint-Papier, in dem der technische Weg zu RoseTTAFold detailliert beschrieben wird. Einige Tage später kündigte DeepMind-CEO Demis Hassabis auf Twitter an, dass sie das Dokument und den Quellcode von AlphaFold2 veröffentlichen würden. Am 15. Juli desselben Jahres wurden Artikel über RoseTTAFold und AlphaFold2 in Science bzw. Nature veröffentlicht. Auch das Magazin Science bezeichnete RoseTTAFold und AlphaFold als bahnbrechende Technologien des Jahres 2021.Dieser Wettbewerb zwischen Wissenschaft und Wirtschaft endete schließlich perfekt.

Machen Sie etwas Herausforderndes! Deep Learning für das Proteindesign

Nachdem die Nachricht über die diesjährige Verleihung des Nobelpreises für Chemie bekannt gegeben worden war, führten die zuständigen Mitarbeiter ein kurzes Telefoninterview mit Baker. Auf die Frage, wie er das Wettbewerbsverhältnis zwischen RoseTTAFold und AlphaFold sehe, sagte Baker, er selbst habe sich nie als Konkurrent von DeepMind gefühlt.

„Wir entwickeln seit vielen Jahren physikbasierte Methoden zur Vorhersage und Entwicklung von Proteinstrukturen. Doch als John und Demis AlphaFold2 entwickelten, wurde mir die Leistungsfähigkeit von Deep Learning deutlich. Sie sind große Vorbilder für die Leistungsfähigkeit von Deep Learning.“ Natürlich, mit dieser Macht,Baker nutzte Deep Learning nicht nur zur Vorhersage von Proteinstrukturen und brachte RoseTTAFold auf den Markt, sondern setzte es auch für das Proteindesign ein.

Bakers Schüler Shen Hao ist davon überzeugt, dass sein Lehrer „einen Innovationsgeist besitzt und große Fortschritte macht“ und sich auf wichtige und anspruchsvolle Aufgaben konzentriert, wie etwa die Entwicklung völlig neuer Proteine. Baker ist der Ansicht, dass die Menschheit mit zahlreichen neuen und dringenden Problemen konfrontiert ist, wie etwa neuen Krankheiten, die durch die längere Lebenserwartung und die Umweltverschmutzung verursacht werden. Wenn wir darauf warten, dass die natürliche Evolution die Probleme löst, kann es Millionen von Jahren dauern, aber durch Proteindesign können wir schnell neue Proteine entwickeln, um aktuelle Probleme zu lösen.

Tatsächlich dachte Bakers Team schon vor langer Zeit, dass es, da Aminosäuresequenzen in Rosetta eingegeben werden können, um Proteinstrukturen vorherzusagen, möglich sei, die Software umgekehrt zu verwenden, eine gewünschte Proteinstruktur einzugeben, die entsprechenden Aminosäuresequenzvorschläge zu erhalten und die entworfenen Sequenzgene in Bakterien einzuführen, um den Bakterien die Produktion des gewünschten Proteins zu ermöglichen.

Auf dieser GrundlageIm Jahr 2003 gelang es Bakers Team, das weltweit erste neue Protein, Top7, zu entwickeln.Diese bahnbrechende Entdeckung hat die Forschung in verwandten Bereichen stark inspiriert.

Nachdem Baker das enorme Potenzial von Deep Learning für das Proteindesign erkannt hatte, begann er sich auch folgende Frage zu stellen: Kann Deep Learning umgekehrt genutzt werden, um Aminosäuresequenzen für die Entwicklung funktionaler neuer Proteine zu generieren? Zu diesem Thema leitete er sein Team bei der Entwicklung einer Reihe von Ergebnissen.

Baker veröffentlichte in der Zeitschrift Nature einen Artikel mit dem Titel „De novo design of protein structure and function with RFdiffusion“. Die Forscher haben das Strukturvorhersagenetzwerk RoseTTAFold bei der Aufgabe der Proteinstruktur-Rauschunterdrückung fein abgestimmt.Es wurde ein generatives RF-Diffusionsmodell entwickelt.Das Modell eignet sich gut für die Entwicklung von Proteinbindern, Gerüsten für aktive Enzymzentren usw. Noch wichtiger ist jedoch, dass das Modell über eine hervorragende Vielseitigkeit verfügt und Open Source ist.

RFdiffusion-Projektadresse:https://github.com/RosettaCommons/RFdiffusion

Gleichzeitig, um die Möglichkeiten der RF-Diffusion zu erweitern,Baker entwickelte außerdem eine auf Deep Learning basierende Methode zum Design von Proteinsequenzen: ProteinMPNN.ProteinMPNN verwendet die Proteinstruktur als Eingabe und generiert neue Aminosäuresequenzen, die sich innerhalb von 1 Sekunde in das entsprechende Rückgrat falten können. In Kombination mit strukturgenerierenden Werkzeugen wie RFdiffusion können damit Proteine mit noch nie dagewesenen Sequenzen, Strukturen und Funktionen entworfen werden. Darüber hinaus zeigte die Studie auch, dass die Sequenzwiederherstellungsrate von ProteinMPNN auf dem natürlichen Proteinrückgrat 52,4% betrug, während das vorherige physikalische Design auf Basis von Rosetta nur 32,9% betrug. Die Forschungsarbeit mit dem Titel „Robustes, auf Deep Learning basierendes Protein-Sequenzdesign mit ProteinMPNN“ wurde von Science angenommen.

ProteinMPNN-Projektadresse:https://github.com/dauparas/ProteinMPNN

Darüber hinaus optimierte Bakers Team auch die zuvor erwähnten Strukturvorhersagetools Rosetta und Foldit.Durch die Einführung neuer Module und Algorithmen in die Software sind beide nicht auf die Vorhersage von Proteinstrukturen beschränkt, sondern werden auch auf Aspekte wie Antikörperdesign, Enzymdesign und Andocken kleiner Moleküle erweitert. Baker sagte hierzu: „Foldit wurde ursprünglich für die Vorhersage von Proteinstrukturen entwickelt, hat sich mittlerweile aber dem Proteindesign zugewandt. Wir werden die Level für die Spieler weiterhin aktualisieren und es wird sich entsprechend unseren Forschungsinteressen weiterentwickeln.“

Durch die Kombination von KI-Techniken mit physikalischen Methoden hat Bakers Labor viele neue Proteine geschaffen.Beispiele hierfür sind Proteine, die Viren neutralisieren, Krebszellen angreifen oder sogar als Katalysatoren für chemische Reaktionen wirken können. Darüber hinaus entwickelt Baker auch Proteine, die an anorganische Materialien binden können, und erforscht die Möglichkeit, Proteine zur Regulierung des Wachstums anorganischer Kristalle einzusetzen. Es wird erwartet, dass diese Forschung in Bereichen wie der Halbleiterherstellung Anwendung findet.

Technologieimplementierung durch Unternehmensgründung fördern

Bakers Lehrer David Agard bemerkte einmal: „David Bakers Arbeit hat die Entwicklung des Bereichs des Proteindesigns fast im Alleingang vorangetrieben.“ Tatsächlich hat Baker bis Ende 2024 mehr als 110 Artikel veröffentlicht, und die Zahl dieser Erfolge ist ziemlich unglaublich. Noch überraschender ist jedoch, dass Baker jedes Mal, wenn er glaubt, dass die von ihm erforschte Technologie grundsätzlich ausgereift ist, ein neues Unternehmen gründet oder in ein von ihm in der Vergangenheit gegründetes Unternehmen investiert, um die Technologie zu entwickeln und so die Industrialisierung der Technologie voranzutreiben. Laut der offiziellen Website des Institute for Protein Design an der University of WashingtonBaker war als Gründer an 21 Unternehmen direkt beteiligt und fungiert auch als Berater für andere.

Insbesondere Xaira Therapeutics, ein im April dieses Jahres gegründetes Unternehmen, hat die oben erwähnte RFdiffusion und ProteinMPNN angewendet.Das Unternehmen hat sich der Neugestaltung und Entwicklung von Medikamenten durch neue KI-Technologien verschrieben. Die Leitung liegt bei Dr. Marc Tessier-Lavigne, dem ehemaligen Präsidenten der Stanford University, als CEO und Baker als Mitbegründer. Bemerkenswerterweise haben sich auch mehrere Wissenschaftler aus Bakers Labor in Vollzeit Xaira angeschlossen.

Xaira kann Modelle mit hoher Qualität trainieren, indem es riesige Datenmengen zu molekularen und biologischen Merkmalen im Zusammenhang mit menschlichen Krankheiten integriert. Darüber hinaus hat das Unternehmen eine industrialisierte Trocken- und Nass-Experimentierplattform aufgebaut, mit der der Grad der Adhäsion von Proteinen an bestimmten Zellzielen im Labor getestet und wichtige Eigenschaften wie die Stabilität bewertet werden können. Die resultierenden Daten werden schnell wieder in das Proteinmodell eingespeist und ermöglichen so die nächste Iteration des Moleküldesigns.

Offizielle Xaira-Website:https://xaira.com

Archon Biosciences wurde 2023 gegründet und hat sich der Entwicklung eines neuen Typs biologischer Arzneimittel verschrieben: Antikörperkäfige (AbC) durch generative KI.AbC kombiniert KI-Design mit Strukturkontrolle, um die Ausrichtung, Valenz, Größe, Form und Steifheit der Antikörper vollständig zu kontrollieren. Diese strukturelle Kontrolle ermöglicht eine präzise Bioverteilung und gezielte Anbindung an Zellen und kann in Kombination mit internen klinischen Daten die Wirksamkeit von Antikörpern schnell überprüfen. Das Unternehmen, das von einer Reihe von Unternehmen, darunter Nvidia, unterstützt wird, verwendet eine Technologie, die auf der Arbeit basiert, für die Baker 2024 mit dem Nobelpreis für Chemie ausgezeichnet wurde.

Offizielle Archon-Website:https://www.archon.bio

Darüber hinaus brachte Monod Bio im Juli dieses Jahres das weltweit erste vollständig de novo-Proteinprodukt auf den Markt: LuxSit™ Pro, eine Luciferase für die biowissenschaftliche Forschung und Diagnostik.Baker sagte hierzu: „Dies ist ein wichtiger Meilenstein in der Biologie und Informatik. Ich bin überzeugt, dass wir in den nächsten Monaten oder Jahren mehr von Grund auf neu entwickelte Proteine erleben werden, die in ausgereifte kommerzielle Produkte umgesetzt werden.“ Die Technologie stammt aus einem 2023 von Baker in Nature veröffentlichten Artikel.

Darüber hinaus gibt es Unternehmen wie Arzeda (gegründet 2009), Cyrus Biotech (gegründet 2014) und A-Alpha Bio (gegründet 2018), die Bakers neueste KI-Technologie aktiv eingeführt haben, in der Hoffnung, mehr neue Proteine für die Herstellung neuer Medikamente, Impfstoffe, Krankheitsbehandlungen und sogar neuer Materialien zu entwickeln.

Offizielle Arzeda-Website:https://arzeda.com/
Offizielle Website von Cyrus Biotech:https://cyrusbio.com/
Offizielle Website von A-Alpha Bio:https://www.aalphabio.com/

Von seinen anfänglichen philosophischen Erkundungen bis zu seiner aktuellen Rolle als „Magier“ des Proteindesigns ist jeder Schritt Bakers von der Sehnsucht nach dem Unbekannten und dem Engagement für Innovation geprägt. Er hat stets darauf bestanden, dass eine Win-Win-Kooperation die langfristige Lösung darstellt, und hat zahllose Forscher und Wissenschaftsbegeisterte auf der ganzen Welt dazu inspiriert, sich im Geiste der Offenheit und des Teilens der Entwicklung dieses Bereichs zu widmen. Seine Forschungsergebnisse haben nicht nur zu großen Durchbrüchen in der Wissenschaft geführt, sondern fanden auch ihren Weg vom Labor in die Industrie, wo sie viele Bereiche wie Krankheitsbehandlung, Lebensmittelproduktion und Materialwissenschaften voranbringen und dem menschlichen Leben mehr Möglichkeiten eröffnen.

Quellen:
1.https://news.bioon.com/article/9068e156469f.html
2.https://news.qq.com/rain/a/20241010A02IB300
3.https://zh.wikipedia.org/zh-cn/Rosetta@home
4.https://www.ipd.uw.edu/2021/07/rosettafold-accurate-protein-structure-prediction-accessible-to-all/
5.https://news.qq.com/rain/a/20241010A04VNA00
6.https://m.thepaper.cn/newsDetail_forward_28994096
7.https://www.nobelprize.org/prizes/chemistry/2024/baker/interview/
8.https://finance.sina.com.cn/tech/roll/2024-10-10/doc-incsarnm2004532.shtml
9.https://news.qq.com/rain/a/20241011A02XB000