Latest / Verbos: AI og Softwareudvikling / #54 - AlphaFold 3 med Alexander Mathiasen

Transcript

#54 - AlphaFold 3 med Alexander Mathiasen · Verbos: AI og Softwareudvikling

0:00
Hej allesammen og velkommen til hvad bruges podcast afsnit
0:03
nummer 54 i dag har vi Alexander mathiasen i studiet velkommen
0:09
til og Vi skal snakke. Du får lov til at introducere
0:12
dig selv lige om lidt Alexander og ja inden vi går i gang, så
0:15
tror jeg bare at Vi skal sætte scenen ved at sige at Vi skal
0:17
snakke om alt fald modellerne i dag, for Det er jo ikke
0:21
forfærdeligt længe siden. Det er jo ikke breaking news det
0:23
her, men men hvad hedder? Det er jo ikke forfærdeligt
0:25
længe siden i hvert fald at alfo 3 er ligesom er blevet
0:29
annonceret. Jeg ved ikke om den er kommet ud
0:30
endnu, men men den er i hvert fald blevet Google deepmind har
0:33
i hvert fald annonceret at de har.
0:35
At de har lavet den i hvert fald.
0:37
Det kan vi høre mere om lige detaljerne omkring det.
0:39
Men men mig og Jonas har længe gået og været irriteret over vi
0:43
ikke rigtig fatter det her med protein foldning og alfa fuldt,
0:47
og Det er så vildt siger alle ikke og men men jeg må i hvert
0:52
fald indrømme jeg fatter det sgu ikke helt, så i dag har vi fået
0:57
Alexander mathiasen med i studiet, som som fatter fatter
1:01
hvad det handler om, så vi kan stille en masse dumme spørgsmål.
1:05
Ja, så velkommen til Alexander. 1000 tak Det er så fedt at være
1:09
her. Jeg glæder mig til at snakke om
1:11
det så min baggrund Jeg har. Jeg tænker måske jeg tænker,
1:16
måske jeg tænker måske bare vi kan.
1:18
Du kan bare introducere eller starte med ligesom at ja
1:21
introducere dig selv eller fortælle lidt om hvad hvad du
1:25
din baggrund og hvad du hvad du går og.
1:27
Synes er spændende at lave og så videre.
1:30
Så jeg. Jeg har læst strategi ved Aarhus
1:33
Universitet, og jeg havde nogle af biologifaget.
1:36
Jeg har altid syntes proteiner var spændende, men jeg fik ikke
1:39
rigtig arbejdet med det. Udover de der små enkelte kurser
1:43
der Aarhus Universitet. Og så har jeg så læst PDI
1:47
mechelen. Og og så efter Det har jeg så
1:50
Jeg har så flyttet til England, så jeg bor i England lige nu,
1:53
hvor jeg så har arbejdet 2 år ved.
1:56
En konkurrent til en vilje der prøver at lave computerchips
1:59
ligesom en vilje og så er de sidste 3 måneder har jeg
2:03
arbejdet med en en far med virksomhed der bruger noget der
2:06
minder om at få folk til at prøve at lave nye typer medicin,
2:11
så Det er i hvert fald en virkelig stor ændring af
2:14
drejning lige pludselig. Så skal man snakke med folk der
2:16
har læst kemi og Sådan noget altså altså det det det alt det
2:19
du sagde, for Sådan havde jeg det også 3 måneder siden.
2:23
Jeg er glad for, at hvad kan vi, og Det er det eneste.
2:27
Så så det du kommer med nu. Det er faktisk 3 måneders
2:30
erfaring. Er.
2:33
Og bliver den giver den gas her forklarer hvad hvad alfa går ud
2:36
på det synes Jeg er meget stærkt altså.
2:39
Tag hatten af for det. Ja, men Det er jo Det er jo
2:46
altså det. Det er jo sjovt med med med
2:49
Sådan noget som altså deep learning og modellering og så
2:51
videre fordi man ofte kan man jo godt forstå selve modellerne og
2:56
de kan have noget input og det skal være på et andet format og
2:58
de bliver så trænet til at fedte et eller andet output som har et
3:02
andet format og Sådan altså på en eller anden måde.
3:04
Så kan man godt forstå hvad skal man sige selve machine learning
3:07
delen, men men data rundt om kan jo være vilkårlig, vilkårlig
3:13
kompleks og. Der kan jo, hvad skal man sige
3:15
være vilkårlig, meget domæne kendskab omkring det data man
3:20
skal vide for ligesom at forstå input output ikke Det kan være
3:24
sprog, Det kan være tidsserier, Det kan være molekyler og så
3:28
videre og så videre så. Så jeg tænker Vi skal prøve at
3:32
blive lidt lidt klogere på alt det i dag.
3:33
Det kunne jeg godt tænke mig. Måske skulle jeg bare starte med
3:37
Sådan at spørge Sådan, hvad er alpha fold egentlig?
3:41
Der har jo været alfa føle et toeren, så vidt Jeg kan huske
3:45
var den der ligesom hvor folk tænkte wow okay det her Det er
3:48
vildt og for nyligt altså kommet alt for få 3 ud, men hvad er det
3:53
egentlig for et problem som alfa løser?
3:57
Så Jeg tror Det er rigtig godt sted at starte.
3:59
Hvad er det for et problem jeg gerne vil forstå så.
4:04
En af de vigtigste ting i biologi af proteiner, og Det er
4:08
det, det hele egentlig handler om.
4:10
Så hvad er protein egentlig for noget?
4:12
Og Det har spurgt mig selv om rigtig mange gange, så du kan
4:15
tage til supermarkeder, kan du købe proteinpulver, så hvis vi
4:17
spiser det, så bliver man Sådan. Arnold schwarzenegger.
4:21
Så den måde jeg bedst kan tænke på proteiner på.
4:24
Det er det små nanotech maskiner der kan gøre ting.
4:29
Så så Det kan tage rigtig lang tid og Sådan virkelig Sådan en
4:33
en tunnel lights, hvad det egentlig betyder.
4:36
Så Jeg kan godt lige kan lade maskiner fordi Det er ting der
4:39
rent faktisk gør ting Der er Sådan en protein der kan dreje
4:43
rundt. Det er en motor den spiller
4:44
rundt 100 gange i sekundet. Og Der er et andet protein, som
4:50
kan gå på 2 ben der har 2 ben der kan gå.
4:53
Så på den måde, så er det basically Sådan nogle små
4:55
maskiner der bare kan ting og de er nano store, så de er vildt
5:00
smukt og Jeg har faktisk en film Jeg kan prøve at vise jer hvor
5:03
man kan se altså bare Sådan. Den altså Det er en helt anden
5:07
lille verden de lever i de der proteiner der.
5:12
Kan i se nu Jeg tror det. Det kan være Vi skal prøve at
5:14
beskrive, hvad der foregår til dem, der lytter, men Det kan vi
5:18
jo bare gøre. Det kan vi gøre.
5:20
Vi er jo selvfølgelig kendt for at at lave multi model ind og ud
5:26
til ting, så vi vi tager simpelthen nu og laver en en
5:31
share screen too til podcast. Okay så det jeg prøver.
5:37
At vise lige nu. Det er Sådan motor.
5:41
Så Der er Sådan en rød ting på den der drejer rundt.
5:46
Og. Den er inde i Vores krop i.
5:52
Jeg tror alle Vores celler lige nu der har vi.
5:55
Jeg ved ikke milliard af dem der drejer rundt og gør et eller
5:58
andet inde i kroppen. Der er vigtigt for at vi kan
6:01
sidde og hygge og snakke om podcast.
6:05
Ja det her Det er et spil som jeg så den laver basically
6:09
energi ind i kroppen. OK så.
6:13
Her er det. Det er Sådan.
6:19
Ja altså det Det er fuldstændig. Tror Der er lidt Der er lidt Der
6:21
er en lille Der er en lille smule forsinkelse på her, så
6:23
hvis det lyder lidt lidt kluntet en gang imellem, så tror jeg Det
6:26
er derfor man skal vide det. Men nu stopper med at tale og
6:28
så. Kan du bare give den gas,
6:31
Alexander? Så så det vi kigger på lige nu.
6:34
Det er Sådan en lille motor der drejer rundt og den kan gøre det
6:38
100 gange i sekundet og den er en vigtig del for at Jeg kan stå
6:42
og sidde og snakke lige nu, for Jeg kan tænke før Jeg kan se for
6:44
Jeg kan. Den er basically ind i alle
6:47
Vores celler. Og det, Der er så vildt ved det.
6:50
Det er at den er super super super super lille.
6:52
Den er mindre end lys faktisk. Det er Sådan, Det er svært at
6:59
forstå hvor lille den er, så hvis man lige søger størrelsen.
7:04
Den er 11 nanometer stor. Så prøv at prøve at sætte det i
7:11
perspektiv, hvis man kigger på. Lys.
7:17
Så er den altså 40 gange mindre end lys.
7:22
Og. Jeg trænede 80 nanometer, så du
7:26
kan altså på en bølge længde lys kan du have 10 af den der lille
7:29
motor. Det er Sådan, Det er Sådan helt
7:33
vanvittigt at prøve at forstå hvor lille den er.
7:36
Og den er i alle Vores celler, og.
7:42
Det viser så også lidt problemet alle får løser fordi for at
7:46
forstå hvad kroppen gør, bliver vi nødt til at forstå hvordan
7:48
den der maskine virker. Og Der er ikke kun en af dem Der
7:50
er millioner af dem. Og den er så lille.
7:53
Vi kan ikke tage et billede af den er mindre lys.
7:55
Hvordan kan du tage et billede af noget Der er mindre lys?
7:57
Det kan man ikke så så Det er ligesom det der problemet
8:01
starter. Jeg ved ikke om i har nogle
8:02
spørgsmål. Jeg tror Jeg har et spørgsmål,
8:09
men Jonas din kat. Jeg synes bare Det er
8:11
mindblowing altså det det du lige har vist er det eksempler
8:15
det Det er og Jeg synes Det er rigtig vigtigt lige de der tal
8:20
der altså Det er simpelthen 10 gange mindre end den den altså
8:24
lysets bølgelængde er det jo så så, og Det er jo klart at hvis
8:31
man skal prøve at. Observere noget, som er nødt til
8:34
at på en eller anden måde have noget lys, så man kan bruge
8:36
noget meget, meget kortbølget lys for at kunne.
8:40
Kunne komme derned eller nogle bølgelængder, som er noget andet
8:42
end lys, altså lys som det vi ser.
8:44
Jo Det er det med øjnene. Det som øjnene kan registrere,
8:46
ikke? Ja Jeg synes Det er Det er ret
8:49
vildt at tænke på. Men så siger du at at Det er
8:54
dem? Har vi Sådan Der er vildt mange
8:56
millioner af de her små proteiner og og for ligesom at
8:59
forstå hvordan organismer er bygget op, så skal vi så skal vi
9:02
lære at forstå hvordan de spiller sammen og fungerer
9:06
sammen. Er Det er det det du er ude i
9:08
når du siger Sådan? Det er det jeg tænker.
9:11
Virkelig stort centralt del af biologi.
9:13
Det er bare at forstå, hvordan proteiner arbejder sammen og
9:17
specifikt de en masse sygdomme. Så er det bare at finde ud af
9:21
der kom et kæp i hjulet på den her maskine kan Jeg kan jeg
9:24
fikse det eller kan jeg få et eller andet der lige få den her
9:26
kamp ud af maskinen? Så Det er det vi meget, meget
9:31
biologi. Det er at forstå hvordan
9:32
proteiner de hinanden maskiner integrerer sammen, hvordan de
9:36
går i stykker, og potentielt kan vi fikse dem også.
9:41
Okay det lyder spændende. Jeg har lige et spørgsmål inden
9:44
vi går videre fordi og Det kan jeg Jeg har.
9:47
Det kan godt være vi hopper for langt frem allerede, men men jeg
9:50
Det er noget Jeg er meget nysgerrig på og har tænkt meget
9:51
over nu. Siger du at den her det her
9:54
protein har den her form som du viste her og og det Det har den
9:59
og Det kan man Det er der nogen der har visualiseret det som
10:02
alfa folk gør? Det er at den forudsiger former
10:07
på proteiner så vidt Jeg kan forstå.
10:11
Men hvis man allerede har formerne, hvorfor er det så
10:14
værdifuldt at forudsige dem? Måske et andet spørgsmål.
10:17
Det er, at i og med at man kan forudsige dem, om man ligesom
10:20
har trænet til at kunne forudsige dem, så må man også
10:24
have nogle metoder til at finde dem manuelt.
10:29
Hvorfor gør man ikke bare det? Hvorfor har man brug for alt for
10:32
fuld til at forudsige dem eller estimere dem?
10:34
Formerne på de her proteiner giver det mening?
10:37
Ja helt klart det rigtige spørgsmål, så Vi har nogle
10:41
metoder og det. Det er en masse fysik vi kan
10:43
snakke med om. Det er faktisk ret spændende på
10:45
hvordan vi vi tager billeder af dem og og Jonas han har ret i.
10:48
Man skal have noget virkelig små bølgelængde noget man kan
10:50
faktisk ikke bruge lys man skal bruge x ray for det.
10:54
Og det tager typisk en hel ph d. For Jeg tror de er biokemikere,
10:58
der normalt gør det, så er det helt OD og bare scanne en.
11:03
Og det koster altså det, det afhænger af hvad Det er for en
11:06
type protein. Nogle af dem kan de slet ikke
11:08
finde ud af at lave os, men men typisk så koster det. 100.000
11:12
dollars og og scanne en af dem så det Det er ret.
11:19
Så. Vi vi kan snakke mere om hvordan
11:22
de gør. Det er faktisk virkelig
11:23
spændende den måde de gør det på, men pointen er bare at Det
11:26
er dyrt. Det tager lang tid.
11:27
Man skal bruge en partikelaccelerator på et
11:30
tidspunkt også. Altså Det er Sådan helt Det er
11:32
Sådan de tænker alle de der tricks så.
11:35
Jeg bruger den sammen altså Det er Sådan fuldstændig vanvittigt.
11:38
Det er bøvlet. Det er bøvlet af helvede til så
11:41
altså det. Det er så federe at alle forstår
11:43
bare lige på 10 sekunder kan sige Jeg tror Det er Sådan den
11:46
ser ud og det andet der irriterende Det er.
11:48
Hvis du har en eller anden form for kraft, så kan det være den
11:51
har. Fundet et protein, der der
11:55
normalt forebygger mod kræft, og så er den fundet ud af at nyde
11:57
det og protein på en anden måde. Nogle stykker kræftmedicin.
12:02
De virker bare ved at de så stopper det der snyderi og og
12:07
det der så sker Det er at Der er bare en af de der kræftceller
12:09
der lige har en et protein hvor der bare lige en enkelt
12:12
forskellig, så Der er et enkelt af de der whatever der lige
12:14
vender en anden rundt og så dør, så kan kræften bare gøre det så
12:19
så prøv at sige det på den måde. Næsten alle de her maskiner der
12:26
kan du ikke du kan ændre den med en lille smule og så virker det
12:29
stadigvæk. Så.
12:31
Det koster 100.000 per gang clay, så hvis jeg hvis Jeg vil
12:35
kigge på 1 1 1 hvis jeg nu vil prøve at ændre en anden maskine
12:37
en lille smule, så koster det 100.000 dollars igen.
12:39
Basicly. Så.
12:44
Så her handler om økonomi i virkeligheden altså Der er Der
12:48
er simpelthen økonomi i effektivisere den her proces med
12:52
opdagelse af, hvad kan man sige proteinstrukturer så men men Jeg
13:00
kan ikke lade være med at tænke på, og det det der sikkert
13:02
rigtig mange andre derude, der sidder og tænker.
13:05
Men det der med at simulere ting, Det kan vi også gøre med
13:08
vejret og Sådan nogle ting, men Det er jo ikke videnskab.
13:11
Det er jo ligesom hvad kan man sige hvordan så?
13:14
Hvis jeg nu skal være videnskabeligt, så er vi nødt
13:16
til at ligesom at. Ja, jeg forestiller mig det
13:20
skal. Vi skal have nogle rent klasser,
13:21
Vi skal det, Vi skal ind i laboratoriet, for Det er Sådan
13:23
rigtige og hvad. Hvad siger du til det?
13:26
Altså fordi. Er der Sådan en anke imod det
13:29
der kan det være er det præcis nok.
13:32
Så der Der er rigtig mange spændende spørgsmål.
13:34
Det første Det er Sådan, hvorfor skulle jeg tro på den
13:37
forudsigelse? Min model kommer op med?
13:39
Det kunne være de tog fejl og en af de fede ting jeg mener Det
13:44
er. Det er rimelig let at teste,
13:46
hvor godt den klarer sig. Den klarer sig godt på 1 1 1
13:50
testsæt hul og testsæt. Så ville vi også forvente det
13:54
klare sig godt på på nye data og Det kan man.
13:58
Det kan man og det. Det er jo basically det det
14:00
gjorde at de vandt konkurrencen, så når man scanner dem
14:05
eksperimentielt med de her fysiske ting, så får man en
14:07
fejl, og Det var cirka den størrelse af fejl deres deres
14:12
model fik. Så Der er nogen der laver en
14:16
konkurrence hvert andet år der hedder critical assessment of
14:18
Prince struktur prediction og det de gør hvad angår Det er de.
14:25
Laver måske 50 nye scanninger, så 5 millioner dollars koster
14:29
det måske eller Sådan cirka. Og så er der en konkurrence hvor
14:32
man kan være med og så kan man prøve at lave en forudsigelse.
14:34
Du får ligesom at vide hvad. Byggevejledningen af eller ikke
14:39
byggevejledningen måske de legoklodser du skal bruge til at
14:41
bygge den og så skal du selv prøve at komme op en
14:43
byggevejledning på, hvordan de legoklodser skal ind sammen, og
14:46
så giver du den her dem der har lavet i konkurrencen.
14:48
Du giver den så din forudsigelse, og så kan du så se
14:51
om du gør det gælder det rigtigt.
14:56
Ja jeg ved ikke om nu nævnte du. Jo, jo nu nævnte du noget som
15:01
Jeg tror altså en god segway indtil til det der med med data
15:04
du nævnte det Sådan lige kort man man er med i den her
15:07
konkurrence, så får man nogle byggeklodser, så Det er ligesom
15:11
det man har som data til at kunne nå ind fra A til B.
15:15
Og og hvad er hvad består de der den der vejledning af de der
15:20
byggeklodser? Hvad består de af?
15:21
Så hvad for en udgangspunkt har alfa faldt for at overhovedet at
15:25
præstere noget? Hvad for noget data skal den
15:28
bruge? Så lad mig lige prøve at finde
15:32
et billede faktisk. Jeg tror.
15:34
Et eller andet for? Fordele.
15:40
Så Det er meget sjovt det der. I biologi der har de noget de
15:46
kalder the central dogma jeg ved ikke hvorfor de kalder det det,
15:51
så Der er et billede her på min skærm.
15:53
Og. Så over til Venstre.
15:56
Der har vi d ã fleste har nok hørt om dna på et eller andet
15:59
tidspunkt. Det er ligesom det der har
16:02
opskriften til hvordan man bygger en et menneske eller
16:05
hvordan man bygger en løve eller 1 3.
16:10
Og. Det ligger ligesom kødet inde i
16:14
Sådan nogle CGA tæer. Og sekvenser ikke jeg brugte,
16:22
som vi repræsenterer det anna. Lige præcis Det var ACGTACGT og
16:27
dem har man rigtig mange flere gigabyte end mennesket.
16:33
Så. Der er en, Der er Sådan en måde
16:37
at oversætte dna til protein på basically.
16:41
Der er Sådan en. Så hvis du har et stykke dag, så
16:43
kan det blive lavet om til noget de kalder æg, og Der er Sådan en
16:46
en til en oversættelse. Så informationen i er nået og
16:50
Det er noget er basically det samme.
16:54
Og Det er æren af, kan så finde sin vej ned til en maskine.
16:58
Der så kan jeg se når jeg skulle bruge den legoklods jeg skulle
17:02
bruge den legoklods jeg skal bruge den legoklods og så
17:03
begynder det så at sætte den sammen og så ender man med at
17:07
have den her altså så efter Det kan man får man så så bliver det
17:11
der lego bygget sammen til den der motor for eksempel der kan
17:13
der kan spænde rundt. Okay.
17:20
Så må jeg lige spørge om noget jeg lige nu hurtigt er.
17:22
Ja, hvad hedder det at dna lavet ud af protein eller er protein
17:27
lavet ud af dna? Eller er der ikke noget Der er
17:29
lavet ud af det? Så det hele er bygget af.
17:34
Det hele er bygget af atomer, OK?
17:37
Så er vi på det. II elsker det her.
17:42
I byggeklodserne for protein af aminosyre.
17:49
Og det kommer amino kommer af at man skal have noget med min min
17:53
biokemi ikke så god men man skal have noget med et nitrogen end
17:56
og så syrer det noget med en carbon og en dobbeltbinding tæt
18:02
ø så Der er de Der er basically. 20 af minus syre.
18:10
Der er byggeklodser til til protein, og Det er en af at
18:15
bygget af af nogle andre byggeklodser de her nu
18:17
prøvetider. De størrelsesmæssigt er de
18:22
Sådan. Ikke så forskellige og og de er
18:25
alle sammen bygget af Sådan cirka de samme atomer, så det
18:28
ikke fordi de er altså hvis du er fysiker.
18:30
Ja, Det kan man vel sige. Det var så forskellige.
18:34
Men Det er af forskellige byggeklodser.
18:35
Ja Det er det. OK.
18:39
Det er vildt nok det Jeg kan. Jeg kan næsten det du har hvis
18:43
vi lige beskriver det du har har søgt frem der Alexander så der
18:47
så central dogmer og så er der Sådan dna som har en
18:51
transcription over til det her RN ã som så også går begge veje.
18:55
Og så har man en eller anden form for translation til det her
18:58
protein her. Hvad ligger der så i det der?
19:00
Man kunne næsten forestille sig at Det er så her hvor man kunne
19:04
erstatte det her med en en model, som måske kunne gøre det
19:09
for en er Det er det der alfa folk kommer ind i billedet.
19:14
Ja Det er det det hvis vi ville det det Der er er det fede lige
19:19
nu. Det er vildt billigt at scanne
19:21
dna. Du kan altså Jeg tror jeg fik
19:26
mit dna scannet på et tidspunkt. Jeg kan ikke huske om Det var
19:28
200 dollars eller andet koster den så Jeg har på min computer
19:32
eller andet sted en liste med hvad der skal til for at bygge
19:35
en Alexander. Jeg har alle ACG og tjene i mig
19:37
eller et sted for dig, så jeg kunne jeg kunne kigge på de
19:44
forskellige så prøv at se de her det her stykke dna det kunne
19:49
være Det er kodet for et protein og så kan jeg prøve at se kigge
19:52
på dem og så prøv selv at gætte. Og Det er mennesker virkelig
19:55
dårlige til, så jeg kunne også tage dit dna, oversætte det til
19:59
n og så give det til alle forhold.
20:02
Og så bruger vi den om den kunne gætte hvad Det var for et for et
20:05
protein. Ja og så det andet.
20:10
Det er så at normalt vi kan ikke se de proteiner og det dyre.
20:13
Det er virkelig at at tage billeder af dem og Det er så det
20:16
man kan kan komme udenom, så man skal kun scanne det ind ad og så
20:19
kan man få lov at få de her struktur billeder.
20:23
De er selvfølgelig ikke perfekte, men de koster jo
20:25
million gange mindre. Er der så Jeg er nysgerrig er
20:30
der så et one 2 many forhold mellem fordi jeg tænker at Jeg
20:35
har et dna går jeg ud fra og og men Jeg har vel mange
20:38
forskellige proteiner i min krop så jeg tænker et dna må vel
20:43
kunne hvad skal man sige svare til flere proteiner eller er der
20:47
skal Der er der et dna et protein eller kan et dna godt
20:51
bruges til at bygge flere proteiner?
20:54
Det spørgsmål, så inden i hvert fald har det fået pi er cirka 4
20:59
milliarder af hele den her, og Der er cirka 4 milliarder
21:02
bogstaver II, din vrede mennesker og de fleste.
21:07
Proteiner har måske 500 af de der i minus syre.
21:15
Og hver af minus hyrer skal du bruge 3 dna bogstaver for så så
21:21
man kan prøve at sidde og regne lidt på det.
21:22
Men det det må være Sådan noget med 4 milliarder delt med måske
21:26
1005 2000. Det er jeg ikke så hårdt til.
21:33
Den del set det her med sine honning.
21:36
Undskyld. Undskyld afbrydelsen.
21:38
Jeg kan næsten se det her machine learning problem forme
21:41
sig ved det vi vi siger nu altså det her med at man kan dele den
21:45
her lange sekvens af ting op i nogle mindre sekvenser, som lad
21:51
os kalde dem tokens, som man så kan på en eller anden måde
21:55
arbejde med. Man kan måske også lære hvad de
21:59
her tokens, hvordan det ser ud eller hvordan de skal være.
22:04
Hvad kan man sige splittet i sekvenser for at.
22:07
Man kommer hen til den her translation over til de
22:11
forskellige typer af proteiner. Og det lyder bare for mig som et
22:16
Sådan velkendt generativ. Modell problem som vi.
22:23
Vi har set i andre sammenhænge at at at jeg Sådan helt på at
22:27
overveje nu Alexander eller nærmer vi os.
22:30
Det det det det? Det er den rigtige retning, at
22:32
Det er cirka. Det er cirka det der sker.
22:34
Du går fra ernæret, og så har vi en 200.000 af de der proteiner,
22:39
hvor vi kan kan se deres struktur.
22:42
Og så har man en token for hver af de der byggeklodser.
22:49
Og så prøver man at få den her model til at gætte, altså hvor
22:54
de her aminosyre rent faktisk er.
22:58
Jeg kan prøve at Jeg kan prøve at finde et eksempel på et input
23:02
til modellen for at gøre det Sådan virkelig konkret, så Der
23:05
er noget der hedder protein database og så kan vi vise jer
23:09
den der motor der spinder rundt for den hedder etape cyntheas.
23:15
Vi er nødt til at smide nogle links II podcasten her bagefter
23:19
tror jeg så så alle kan gå med ind og når man har lyttet til
23:22
det og lige genfinde. De her fantastiske kilder og
23:27
billeder og ting og sager det. Det er ret vildt at se på.
23:32
Jeg kan finde den her. Der.
23:35
Altså mit mind Det er bare bløde.
23:36
Jeg sidder bare og lytter og forestiller mig og.
23:41
Vi må man må sige, Vi er kommet godt ud på dybt vand II.
23:44
Dag. Jeg kan Jeg kan.
23:47
Jeg kan fornemme en en snert af noget.
23:49
Jeg forstår med sekvenser, fordi sekvenser af det her Der er
23:52
modelleret for. Men men altså Det er ret
23:57
voldsomt at se på de der protein billeder.
23:59
Det er en masse kølige ting der snurrer rundt på skærmen lige
24:02
nu. Det er Det er aviser lige nu.
24:06
Det er det den der lille nano motor der spænder rundt den har
24:10
Sådan et lille hoved og tænkt. Og den er lavet af.
24:16
En en masse ting, der der Sådan drejer rundt og har farver og
24:19
hver af dem er er et protein i sig selv.
24:23
Så lige nu er der rigtig mange af proteiner, der egentlig
24:25
arbejder sammen om at lave den her motor.
24:29
Og. Det bringer byggeklodserne til
24:32
den nano maskine, som du viste os tidligere.
24:35
Det er den du viser på skærmen nu er bygget op af proteiner
24:38
simpelthen. Og hvad er proteiner er bygget
24:42
af af aminosyre r nåede koder for så så du sagde sekvens så
24:49
her ovenover novaskin er der en sekvens som er hvad den 502 lang
24:54
cirka 500 lang. Og.
24:58
Det er bare en masse bogstaver KTG å EVSI whatever og de koder
25:02
hver for et token så hver af dem her II alt fald 2 var var et
25:07
token. Som modellen ville få som input.
25:13
Og det der så er outputtet. Det er lad os se om vi kan finde
25:18
den. Jeg tror Det er den her.
25:20
Jamen jeg må få lov til at åbne den.
25:24
Fancy lige bruge Office det måtte godt så Det er en tekstfil
25:28
så den skal gætte en tekstfil lyder mærkeligt.
25:30
Men prøv at rulle lidt i den Der er en tekstfil Der er 100 sider
25:33
lige nu jeg Jeg har åbnet det i Sådan noget der minder om om
25:36
Microsoft word og på et tidspunkt så.
25:40
Ja jeg skal se der går lidt lang tid.
25:42
Det skulle gerne stå atom nummer et, så Jeg har Sådan et word
25:47
dokument åben og så står der 2 nummer et så står der n og det
25:51
betyder altså Det er den tro nogen.
25:53
Og så er der. 3 tal og Det er Det er bare XYZ koordinater så.
25:59
Den den nitrogen er den var altså i 200 237 132.
26:05
Og så siger den så bagefter det kommer der en carbon.
26:09
Og den er så af 201 så den er lige ved siden af.
26:11
Altså i hvert fald på på x koordinatet, men Det var den
26:14
også for y. 3832 så. Det er altså bare en liste af
26:20
alle atomerne du skal bruge for at bygge den der.
26:23
Det har de altså kunne tage et. Billede og Det er outputtet.
26:26
Det er det man gerne. Vil nå og det ja, Det er jo så
26:28
det. Det er det man gerne vil, så Det
26:31
er en. Sekvens.
26:34
Okay så bliver jeg lige helt mindblown nu.
26:37
Så Det er en så Det er en spillere, så er jeg helt med
26:40
her. Hvad hedder det?
26:42
Det er en sekvens af atomer og så tradition.
26:46
Koordinat. Præcis.
26:49
Hvor fedt nice. Okay Det er ret meget blå i det
26:54
der. Jeg jeg altså.
26:56
Næste ord protection slash token go home altså det der.
27:00
Det er jo fuldstændig. Ja, nå men det det gjorde jo
27:06
lige pludselig. Problemet var endnu mere mystisk
27:09
inde i mit hoved. Det er jo.
27:12
Det er jo ret konkret det du viser her Alexander.
27:14
Jeg synes Det er enormt fedt, at Vi er Sådan helt nede i
27:17
detaljen. Jeg håber virkelig at dem der
27:19
normalt lytter også lige tager et kig i den her gang, for Der
27:23
er altså noget noget ret mindblowing på skærmen.
27:26
Hvis man bare lige skal opsummere det Sådan helt Sådan
27:29
så man. Hvis man ikke ser med så er det
27:30
simpelthen bare en sekvens af af atomer hvor at hver hvad skal
27:36
man sige atom har tildelt i hvert atom i sekvensen har
27:40
tildelt et tredimensionelt. Ordinat som, så jeg går ud fra,
27:44
ligesom hvad skal man sige? Fortæller hvorhenne II proteinet
27:49
eller hvorhenne II 3 d space de forskellige atomer befinder sig.
27:59
Og en detalje, Der er lidt spændende, er at at de her
28:04
atomer har et navn, de ligesom er grupperet ind i, og Det er
28:10
altså bare den byggeklods de ligesom går sammen om så det
28:15
her. Det er livescenen tror jeg de
28:17
første her, så man ved allerede hvad Det er for nogle atomer der
28:21
vil være i fordi man kender aminosyre og man ved allerede
28:25
hvilke atomer Der er minusser, så nu skal gætte det.
28:28
Så skal du ikke. Du behøver ikke at gætte
28:30
atomerne. Det gør det en lille smule
28:32
lettere. Du skal kun gætte hvor atomerne
28:34
er så så når man så man man kun toke nice det her atom for atom
28:42
det. Det er fuldstændig vildt at gøre
28:43
det gjorde de ikke altså for 2 i alt fald 2 der repræsenterede
28:48
det bare med aminosyre, så der var det her Det var basically en
28:52
token. Og Det er det faktisk ændret i
28:56
alt. Første de første de første 9
29:00
eller 8 Der er der. Det er vel så bare være en token
29:03
i, men her i det her tilfælde fordi der de første 8 atomer som
29:07
er natriumcarbonat. Nu skal jeg i oxygene et eller
29:11
andet kalcium whatever og så er koordinat de bliver så grupperet
29:15
på et bestemt protein som så er beskrevet som LYSA og Det er
29:21
her. Hvad skal man sige brækket op i
29:23
individuelle atomer? Men i alfo 2 vil det så ligesom
29:26
bare være en token som svarede til LA.
29:29
ISA proteiner. Og så koordinat y lige præcis så
29:34
så så det ville være en aminosyre og man ved hvordan den
29:37
aminosyre normalt ser ud. Atomerne er næsten altid på
29:40
samme måde i minus hele den. Det er på en eller anden måde at
29:43
en doktor bias. Vi ved at de her i minus høre
29:47
hvordan de ser ud og prøv at finde en liste med med minus,
29:51
men også miner jo er sandt. Så man kan sige man er
29:56
constrained på en eller anden måde modellen ved at at at sige
30:01
nej nej Det er altså. Det er altså de her tokens vi
30:03
godt vi godt kender som som vi ligesom ved at det her Det er en
30:08
valid sekvens frem for at den ligesom skal på en eller anden
30:12
måde lære de her sammensætninger og selv måske lære at at ja et
30:20
ord kan være et sammensat ord for eksempel ikke altså nogle
30:23
sekvenser. Af mindre dele hvad jeg jeg
30:27
tager Sådan en analogi til til til tekst, hvor at altså enkelte
30:31
bogstaver versus versus halve ord versus opsplittede ur ord
30:36
endelser af ord og så videre og så videre, så man er vant til at
30:39
se II sproget, modellerne. Det er lidt det samme der sker
30:43
her, men hvor man bare kan sige Der er noget, Der er noget.
30:45
Vi ved, at det her Det er velkendte tokens struktur, så
30:49
den tager vi ligesom på forhånd og siger, de findes ikke.
30:53
Det er det Jeg synes er en vildt god analogi.
30:55
Ja Det er Sådan lidt Sådan at ja ord og bogstaver og.
31:02
Nogle gange er der så undtagelser til det, hvor du kan
31:04
have en aminosyre, der måske er bundet fast et eller andet
31:07
Sådan, så Det er egentlig ikke rigtigt et minus længere.
31:10
Og Det var en af grundene til et nye alfa, der modellerer de
31:16
kanten også modelleret alle 2. Og der vil specifikke tilfælde,
31:21
hvor Det er spændende, men langt de fleste tilfælde.
31:24
Der er det altså nok bare at se de her -4 som et ord et tog sig
31:28
selv du ikke behøves at bryde op.
31:33
Det er det ikke en udfordring. Er det ikke en udfordring, at
31:39
kan man sige at forestille mig det her på tabular er tokens er
31:43
ret stort sammenlignet med med sproget.
31:46
Modellernes er det ikke en udfordring rent modellerings
31:49
mæssigt at få det til at blive godt på en eller anden måde.
31:57
Der er rigtig mange problemer. Det er måske en af dem så så så.
32:03
Ja capillary for. De her aminosyre Der er
32:08
basically 20 og Det er dem jeg egentlig har her.
32:10
Jeg har vist på min skærm 1 2 3 så Det var.
32:14
En smule 9. 10 11 12 13 14 15 16 17 18 1920 Der er visselig 20 af
32:19
dem der eksisterer. Mange flere, men Det er ligesom
32:24
dem, der bliver brugt i mennesker.
32:27
Kombination af dem kan være vanvittigt stort, ligesom
32:30
kombinationen af ord kan være det.
32:32
Altså det stiger eksponentielt. Okay, så Det var faktisk ikke så
32:38
slemt. Jeg havde Sådan en ide om at der
32:40
ville være der ville være mange flere af de her mindste
32:45
byggesten, som man siger. Men Det er det jo så faktisk
32:49
ikke, Sådan som du skriver. Det det det.
32:52
Det er faktisk ikke tænkt over. Det er faktisk ret overraskende,
32:55
hvis ikke man altså hvis man for 100 år siden tænkte over det
32:58
her, Sådan hvor mange byggeklodser er der?
33:01
Jeg ville ikke give det 20. Det er lidt.
33:04
Overraskende at kende 42 var helt slået igennem 42
33:08
selvfølgelig, men men ja okay spændende.
33:13
Jeg synes det her er helt vanvittigt, og Jeg synes Vi skal
33:18
snakke om noget, der lige så vanvittigt som er.
33:23
Hvad for en model arkitektur vælger man til at.
33:27
At løse det her problem er Det er det en transformer.
33:31
Det er Sådan et ledende spørgsmål.
33:33
Jeg tror nemlig ikke Det er det. Men er det måske en blanding af
33:36
noget transformer? Og ved hvad ved man?
33:40
Det er jo ikke sikkert man ved det hele.
33:41
Nu ved jeg jo ikke har dykket ned i alfa føle paperet endnu,
33:43
men jeg ved ikke hvor åbne de er omkring det og så videre.
33:46
Så Der er jo også nogle spørgsmål der.
33:48
Ja vi kan spekulere lidt. Det plejer vi også at gøre med
33:50
de der lukkede modeller der så spekulerer vi lidt i hvad Det er
33:52
de er lavet af. Så så så.
33:58
Der er dele af en transformer inden i den den bruger attention
34:02
og har nogle mekanismer om dem. Det er nok den mest komplicerede
34:09
neurale netværk arkitektur Jeg har set altså PT er bare
34:12
fantastisk lækker, fordi den er Sådan simpel, og det tager jeg
34:15
med at gøre hvor at II alle fã modellerne.
34:18
Der er bare så mange ting alle steder der hænger sammen
34:21
komplicerede måder koden er de de har ikke.
34:30
Man kan finde åbne implikationer af den, så Jeg kan for eksempel
34:32
vise jer open food, så jeg viser nu case.
34:39
For at Der er en open source implementation.
34:44
Så man kan bruge apache tog, så du kan bruge den til lige hvad
34:47
du vil og så kan man altså bare altså bare gå ned i det hvis man
34:51
lige så meget man har lyst til. Der er noget der hedder model og
34:54
så er der en masse altså ligesom med dvs.
34:56
Så er der en masse python filer og Der er noget tjenstvillige.
35:01
Det ser velkendt ud. Der er noget indbetalings noget
35:06
noget transformer heads, noget model og et pige altså det det
35:09
altså. Det er en machine learning som
35:10
man kender det, men den er. Den er godt nok svært at få hul
35:16
på den model, så en anden ting. Det er også at at.
35:21
Nu viser jeg på min skærm et billede af protein hvor at.
35:24
Man kan se 3 gange det samme protein, hvor de næsten perfekte
35:29
overlapper en. Den er grøn og Det er ligesom
35:31
den man har taget et billede eksperimentelt, og så er der så
35:35
den forudsigelse af alfa 0 2 har lavet og den forudsigelse.
35:38
Deres open source version har lavet, og de ligger altså.
35:41
De ligger oven i hinanden. I hvert fald hvis jeg lige
35:43
skulle. Kneb mine øjne sammen.
35:46
Det ligner de de de her forudsagt nogenlunde det samme
35:49
der. Der er lige nogle Der er lige
35:51
nogle grene Sådan ude i kanten som er lidt divergerer lidt men.
35:55
Lige der ligger noget Der er noget om nogle plader og Sådan
35:59
som som hvor de lige lidt ja. O.
36:04
K men Det er så alt for få 2 det her som er implementeret i
36:09
python. Og det baseret på et paper går
36:13
man jo så ud fra men men men de har ikke lavet et paper på alt
36:16
fra foto 3 jo de har lavet noget, men Det er mere Sådan
36:20
resultater og Det er noget med det skulle i nature snart.
36:24
Så det der har overrasket mig rigtig meget, var at de her
36:28
dokumenterede, hvordan de har lavet modellen vanvittigt godt
36:31
både for at få 1, 2 og 3. Så Det er faktisk har, hvis vi
36:35
kigger på. Der er basically 20 siders af
36:39
bendix 60 siders af bendix på alfapeople 2, hvor de basically
36:43
dokumenterer alt det fuldstændig vanvittigt.
36:46
Så hvis man går ned i på nature, der har de deres artikel, som
36:49
man går ned til supplementary information, og så er der altså
36:51
bare en en 62 siders pdf fil, og så er der altså bare.
36:56
List of algorithms og Det er altså bare side 6 til side 42,
37:01
hvor man ellers bare kan få lov og sige.
37:04
Ende c collection det vil jeg godt vide hvad Det er og så
37:07
altså hvis de beskriver det pc ligesom bare det pigebarn.
37:11
Så Det er også en af grundene til folk, som har kunnet kunne
37:14
genskabe det bagefter. Klart Det er meget detaljeret
37:18
algoritme beskrivelse af det der.
37:21
Altså mere de de artikler Jeg har skrevet har været meget,
37:24
meget mindre venlige. Det er også hvis man skal en
37:29
natur, så skal man ligesom leve op til en eller anden standard.
37:32
Men det der Det er sikkert også ofte chart på en eller anden
37:34
måde. Ja altså jeg jeg.
37:38
Jeg er i hvert fald dybt taknemmelig for at de har gjort
37:39
det her, men jeg kunne forestille sig, hvis Det var
37:42
nogle af de mere traditionelle forankrede virksomheder, så har
37:44
de måske engang fortalt hende, at de havde de havde gjort det.
37:48
Så dybt taknemmelig altså. Jeg kan se at få de 3 appendix.
37:52
Den er kun 44 sider men. Ikke mere skulle hilse og sige
37:58
det tager så de tager lang tid at læse og forstå det her.
38:01
Ja det kunne jeg godt forestille mig.
38:04
Nu har vi sagt den. Den bestod lidt af en
38:06
transformer, noget attention, og Det er efterhånden Sådan
38:09
standard komponent men men alligevel så er det ikke Sådan
38:12
en klassisk transformer, tænker jeg fordi så er den jo netop
38:15
meget mere simpel i virkeligheden, og som du lidt
38:18
hentyder til med gt modellerne. De er jo dybest set lidt simple
38:22
men men Jeg har hørt at det måske i virkeligheden mere af en
38:26
defuse model er det altså. Er det forstået korrekt eller er
38:31
jeg Sådan ude på på dybt vand her og nu?
38:33
Så Det er en af de ting, der overraskede mig allermest så.
38:38
Lidt kontekst så i machine learning er der Sådan 3 rigtig
38:42
store konferencer. Der er den ene af dem den var i
38:46
vienna for 2 uger siden tror jeg da i alt fald blev publiceret i
38:50
nature, så der Der er måske 5 10.000 machining folk Der er
38:55
sammen fra hele verden i vienna og snakker om det hele og så om
39:00
onsdagen kommer den her artikel altså ud med med alfa forhold.
39:05
Og og folk går hele tiden Sådan. Gætter på hvad er der i
39:08
artiklen? Der er nogen der rigtig har tid
39:09
til at læse endnu, så der går rygter om hvordan det virker og
39:11
Sådan noget og en af de store ting Det er.
39:15
De brugte den diffusion model og der var ingen doctor biases.
39:19
Det er Sådan alle er bare Sådan faldet af der stod Det er Sådan
39:22
psykopat overraskelse. Så så de her diffuse modeller.
39:30
Er basically dem de bruger til at lave billeder, så hvis du er
39:33
inde på chat GT og spørg dem om et generelt billede, så bruger
39:37
den altså de her generative diffusion eller til at lave
39:40
billeder og. Det var altså en af de virkelig
39:43
store ting for mig. Der var nye i hjertesalat den.
39:48
Også brugt den her diffusion model.
39:52
Prøv at se om i kan finde. Der er faktisk et rigtig godt
39:54
billede her, hvor det giver et et overblik over over hvad Det
39:57
er de egentlig har gjort. Vi har jo.
40:01
Vi har jo snakket lidt om defuse modeller på podcasten jo med og.
40:06
Og. Det er jo.
40:08
Det er jo ret kompliceret arkitektur Sådan det ser ud som
40:11
model, fordi den består i virkeligheden af flere
40:13
forskellige modeller på en eller anden måde, ikke?
40:16
Spiller sammen i et eller andet, og nu ser vi også en tegning
40:18
her. Det kan være du skal prøve at
40:21
fortælle, hvad Det er, vi kigger på her.
40:23
Alexander, nu ser det så meget forvirrende.
40:26
Ja Det er det også, Det er det også.
40:28
Jeg er ikke. Jeg er ikke helt kommet til
40:29
bunds med det endnu, så det det Jeg har på min skærm, men Det er
40:32
et billede af alfa tøs arkitektur.
40:37
Og vi snakkede lidt om om inputtet og outputtet så hele
40:40
året til Venstre på figuren der der står der Der er nogle
40:43
sekvenser der går ind i med nogle pile og så helt over til
40:46
højre. Der er et billede af af Sådan et
40:49
protein. Så så end Venstre der har de der
40:53
sekvenser og så ud til højre der har du så den der proteins
40:56
struktur. Og det der var det nye og seje
41:00
ved ved alfo 3 Det var at. Den kunne gætte proteinet,
41:06
hvordan proteinerne det ser ud, men den kunne også gætte, hvad
41:09
proteinet havde gang i. Så.
41:14
Der er nogle proteiner der kan læse dna.
41:19
Og måske ændre i det, eller måske finde ud af at at det her
41:22
dna skal bygge et nyt protein af, så Der er proteiner der har
41:26
ansvar for at hjælpe med at bygge nye proteiner.
41:29
Og for eksempel styre. Hvor mange protein skal vi
41:34
bygge? Så hvis du er en hjernecelle, så
41:36
skal du lave meget anderledes ting, end hvis du var en
41:38
muskelcelle. Hvis Det var muskelcelle, så
41:40
skal du lave rigtig meget sukker om til til energi.
41:43
Hvis du neuron, så jeg ved ikke hvad de laver, men de laver
41:46
noget meget anderledes forestiller mig.
41:50
Så. Det fede ved den nye alfa
41:52
Folkemødet er. Den kan også modellere da.
41:55
Den kan også smuglere æren af, og den kan også modellere små
41:58
kemiske molekyler. Og det gør altså bare at man man
42:03
kan forstå mere af, hvordan biologien integrerer sammen.
42:07
Man laver de her forudsigelser. Så Det er ligesom.
42:12
At man kan forstå det, men man kan også gøre det hurtigere
42:15
altså man det. Det virker som om en en helt en
42:17
stor del af tricket som alt fald hjælper med er at det ligesom
42:21
gør det hurtigere og at at få resultater og ligesom at iterere
42:25
henover ting i indenfor det her. Hvis man er datalog eller Sådan
42:33
en computer, og man skal forestille sig, hvor svært Det
42:35
er at være biolog. Det er Sådan Det er en helt
42:36
anden verden. Altså Det kan være deres
42:38
integrationschef. Cykel er af 3 måneder et halvt
42:42
år, måske endda et år nogle gange og deres forsøg koster.
42:46
Altså tusindvis af dollars og og nogle gange så gør man præcis
42:51
hvad der står i de andres artikler, og så får man bare
42:53
ikke det rigtige det. Det er virkelig, virkelig,
42:56
virkelig svært for at holde til til på computere.
42:59
Den giver ikke det samme og Der er ikke nogen dybere.
43:03
Den fortæller, at hvis ikke vi det virker, så får du ikke hvor
43:05
fejlen er. Så sjovt.
43:08
Det er det der med, når vi som Vi er vant til at sidde i python
43:11
og sidde, og så prøver vi at køre scriptet, så virker det så
43:13
prøver vi og så får vi en r og så Sådan de der meget, meget
43:16
hurtige iterationer cyklusser. Og Jeg synes også lidt det vi
43:20
snakkede med med Jørgen om microchips det blevet sat ind i
43:24
den her. Hvad skal man sige den her
43:26
utroligt sløve release cycle? Og hvad skal man sige det
43:29
innovationsudvikling cyklus Der er på udvikling af chips, hvor
43:33
hvor tungt det gør det og arbejde med og hvor closed
43:35
source Det er. Ligesom er det her med at Der er
43:37
de her fysiske element i det. Det virker som om, at det gør
43:41
sig også utrolig meget gældende. II den her.
43:45
Hvad skal man sige protein verdenen, hvor man gerne, når
43:48
man gerne vil udvikle det her og forske i de her ting, så har du
43:51
altså bare den her lille bottleneck, der hedder
43:53
virkeligheden, og at de her ting, du arbejder med er.
43:57
Møghamrende, små og dyre. At hvad skal man sige?
44:02
Prøver at sætte sammen og analysere og lave eksperimenter
44:06
med. Og det synes Jeg er fascinerende
44:08
og det virker som om at en en altså alt for cool.
44:12
Du siger det igen har sagt et par gange, men det det som det
44:15
virkelig altså folk virkelig gør Det er at.
44:19
Det er virkelig øger effektiviteten, hvormed
44:22
effektiviteten, hvormed du kan drive forskning inden for det
44:26
her felt. Det Jeg kan godt lide.
44:31
Tænke på det på den måde. Ja det Det er præcis den måde
44:33
jeg tænker på det med transistorer.
44:35
Det tager dem altså det samme ske i 2 år og og lave nye chip
44:39
og måske 30% af de folk der arbejder med det de de sidder
44:43
bare og tester at gjorde vi det nu rigtigt fordi Det er så dyrt
44:46
og vildt. Det tager så lang tid og en af
44:51
de ting Jeg har virkelig. Går.
44:54
Håber på Det er at. Det er teknologi den tillader os
44:59
at designe nye proteiner. Nye nanorobotter, så biologi har
45:05
basically lavet en fabrik inde i Vores celler til at bygge en
45:10
anden maskine. Og Det er det, der ligesom er
45:12
brugt til at bygge os. Men og det Der er nogle andre
45:17
end alfa gutterne der arbejder på lige nu, har marokkanerne.
45:21
Det er at designe nye typer proteiner, der kan gøre ting, vi
45:24
gerne vil have, så for eksempel nedbryde plastik.
45:27
Eller binde til eller inde i kroppen for at fikse en sygdom,
45:33
og de bruger også diffusion modeller.
45:37
Så basically altså Jeg kan Jeg kan vise jer et eksempel på 3
45:42
minutter. Der er Sådan en open source
45:44
version. Det er ret cool, så vi kan tage
45:47
et andet protein sygdom, og så kan vi sige, Jeg vil godt have
45:50
et lille protein der prøver at at binde til den de har en
45:55
Google cola det Det er fantastisk.
45:58
Så hvis jeg siger bare. Kør.
46:02
På sin Google code app. Og så skal man så finde.
46:06
Den ting man godt vil binde til hvad kunne være et godt
46:10
eksempel? Så vil vi tilbage til, at vi
46:15
kigger på de der sekvenser. Alexander han sidder lige her i
46:20
Sådan et database og roder rundt og prøver at finde nogle nogle.
46:24
Ja nogle de her nano proteiner ja proteiner og nano maskiner de
46:30
her som er bygget af proteiner begynder at lære lidt, kan i
46:33
høre det og så sætter vi det simpelthen bare ind i gåseøjne
46:37
bare ind i en en lille cola app Sådan open source stykke
46:42
værktøj. Og og får nogle forudsigelser
46:46
eller hvad? Hvad gør ved Alexander?
46:49
Det bedste det så så jeg prøver lige at finde på et godt
46:54
eksempel på et protein vi kunne kigge på, så Der er et protein
46:57
der hedder ementor Der er involveret.
47:00
I tror man aldrig basically tror man at hvis du aktiverer den
47:06
mere så du hurtigere og hvis du aktiverer den mindre, så
47:09
allerede stod lidt langsommere. Det er stadigvæk ikke noget
47:12
biologerne Sådan er sikre på at Det er sygt kontroversielle det.
47:15
Det er bare for at få et eksempel, så det jeg bare har
47:20
skrevet ind i den her kulde. Jo Det er Jeg har skrevet Sådan
47:23
et lille navn, Der er Sådan forkortelses navn for de der
47:27
bibliotek protein er inde i biblioteket, og så er jeg bare
47:31
sagt til den. Jeg kunne godt tænke mig at du
47:32
designer en Der er hvad hvad siger du?
47:35
Hvad har i yndlingstal 42 er det skal det være 42 stor 42 42 42
47:40
skal det være? Og når det så er færdig med at
47:44
installere nu tager Sådan lidt tid ikke klikker bare kørende og
47:47
så må vi så kommer den nok lige om lidt, så begynder det bare at
47:50
designe det. Og vi får Sådan en lille film
47:54
kan sidde og kigge med i. Det er Sådan ret magisk, hvor
47:57
den ligesom altså. Altså Det er de fusion model
48:00
ligesom når man kan se at de der film undskyld film er er
48:04
billeder, hvor at at det ligner noget støj og så lige stille
48:07
bliver et ansigt får man det samme når den genererer de her
48:10
proteiner og Det er. Ret sindssygt Det kan.
48:15
Vi lige skal kaste lidt op på Vores lyttere på hvad hvad Det
48:19
er der ligger i de der defualt modeller du siger det de de er
48:22
jo bygget. De er jo bygget til at
48:24
projektere støj, som man så i en iterativ proces, ligesom fjerner
48:33
mere og mere, og ligesom kommer tættere og tættere på på et
48:36
billede af noget, som man som er ønskværdigt, som man egentlig
48:40
gerne vil præstere eller generere hedder det jo så.
48:43
Men Det er den egentlig jeg trænede til, er faktisk kan
48:45
præstere det her. Det her støj som man skal så
48:49
diffuse sig ud af, tror jeg Det er Sådan, Det er noget med den
48:53
her. Det er fuser, algoritme, Det er
48:54
vist egentlig noget der kommer. Fra fysik er Det er det rigtig
48:58
husket? Det er det Der er Sådan en
49:00
virkelig spændende sammenhæng mellem de og diffusion modeller
49:04
fysik, som jeg jeg altså jeg var jeg forelsket.
49:08
Jeg er virkelig bare Det var mig kan lide mig der.
49:12
Basically man kan kigge på det der matematik og så basically
49:16
Det er matematikken siger til dig.
49:17
Det er at. Hvis du fjerner støj og Det er
49:21
ikke for altså for for billeder, men Det er for atomerne et
49:24
protein. Så det det står i en svarer til.
49:28
Det er basically kræfter, der påvirker de forskellige atomer,
49:31
så i stedet for at fjerne støj, så flytter du basically atomerne
49:35
i retningen af de kræfter, der vil påvirke atomerne, hvor de
49:40
kræfter er lært. Af algoritmen og automatisk så
49:44
algoritmen basically de 40 modeller og lær hvordan kræfter
49:50
påvirker rutiner. Og.
49:54
De gør, ligesom det bliver lettere at indtræde på en eller
49:56
anden måde, når den begynder at generere filmperle om lidt, så
49:59
vil vi bestille kunne se at at det det svarer lidt til at den
50:03
bare rykker tingene rundt for at altså.
50:06
For at gøre det. Den er ved at designe mere
50:08
stabil. Altså basically i kan tænke på
50:11
det som om det her er basis i en fysisk simulering man har lært
50:13
fra data. Det er ret fascinerende, så i
50:20
stedet for. Den fjerner støj, så fjerner den
50:22
ellers, så tilføjer den og fjerner den ligesom forskellige
50:25
kraft, altså rykke rundt på atomer i virkeligheden.
50:27
Altså er det Sådan så smækker ligesom bare en masse atomer op
50:31
på på lærredet, og så begynder den at rykke rundt på dem,
50:33
indtil den ligesom føler den er den.
50:36
Altså kommer tættere på på det rigtige estimat.
50:40
Ja hvis man hvis man husker beskrivelsen af hvordan det
50:45
fungerer på billeder, Det er måske lidt nemmere i sine 2
50:47
todimensionelle pixels, hvor man jo har farvekodning her, så når
50:52
man tilføjer Det der gaussian nu. 60 så så er det jo en.
50:57
Hvad kan man sige en en fordeling hen over en eller
51:00
anden? Median eller eller gennemsnit
51:04
som man som man så har. Ja, men man tilføjer noget støj
51:11
rundt om omkring den sande værdi på en eller anden måde ikke.
51:13
Og så er det det man så lærer at at fjerne og genfinde.
51:18
Hvor at den sande værdi og det samme kunne man så forestille
51:21
sig. Skete her med med nu nu.
51:24
Nu ser vi det her. Vi kigger igen.
51:27
Kan du ikke lige forklare Alexander fordi det du har
51:29
zoomet ind på det? Jeg prøver at sige noget om, men
51:31
bare i proteins struktur verden. Så.
51:35
Du har helt ret. Det er præcis det du siger.
51:36
Det er bare i stedet for at Det er pixels, så er det 3 d
51:41
koordinater for de her, altså enten kunne man vælge at sige
51:44
det for aminosyrerne, men man kan også vælge at gøre det for
51:46
atomerne. Og så lægger man altså ligesom
51:48
det der støj til, og så ender man med at have noget, hvor det
51:51
hele er bare Sådan et stort. Og modellen.
51:54
Den skal så lære at give et eller andet sted ting.
51:57
Skal den så være ligesom at fjerne det støv der kom lige
51:59
før, og Det er basically det. Det fede er at vi skulle gøre
52:03
det godt. Så kan du starte for lidt støj,
52:04
og så kan du så fjerne støvet og så ender du faktisk med 1 1 1 1
52:07
protein struktur og Det er magisk Det er Det er bare magisk
52:13
og og det Der er så vanvittigt det her fysik matematik Det er
52:16
at det det svarer basically til at lære.
52:21
For atomerne, der svarer det så bare til at sige, jeg starter
52:23
fra nogle tilfældige atomer. Og så prøver jeg bare at sætte
52:27
dem i en position, hvor de er stabile.
52:30
Og det det basically stabilitet bliver målt med energi, så din
52:35
loss funktion eller whatever er energi, og den prøver det så en
52:37
minimerer. Så hvis du bruger Green decent
52:40
på energi, det vil gradienten af af energi hensyn til atom
52:45
positioner af kraft så grådig decency på.
52:48
Altså hvis du prøver at minimere energien og atomer stabiliteten
52:51
atomerne med hensyn til deres position.
52:53
Det er basically Det er sandt, så Det er Sådan og Jeg kan lidt
52:58
tænke på det her som Sådan en creating decency.
53:01
Ting faktisk hvor den tager tømmerne og flytter dem i
53:04
retning af kraften. Det.
53:07
Indtil den har et stabilitet som den som så er, hvad kan man sige
53:10
den oprindelige sande værdi og støjen er så den her
53:13
ustabilitet. Og og det og det fede er så at
53:17
altså man kan gøre det med fysik også, men Det er virkelig svært
53:20
med fysik ligningerne. Det er noget jeg arbejder med
53:23
graf for hvis du har et enkelt carbon forkert eller andet, så
53:26
kan fysisk lene blive ret sure på det og sige det her.
53:29
Det forstår jeg simpelthen ikke. Nu giver jeg der lander tilbage,
53:32
hvor at at at her der lærer man. Et nogle kræfter, der egentlig
53:38
er forkerte? Men hvis du bruger dem, så ender
53:42
den med at det rigtige det. Det er virkelig.
53:45
Magisk det det minder mig om imaginære værdier i matematik,
53:50
hvor man også tænker det der. Det er også magi altså det.
53:55
Ja, men der Det er godt nok. Det er godt nok sjovt og og
54:01
sidde og så se det her. Jeg håber virkelig dem der
54:03
lytter derude og de sidder og kigger eller de finder ud af at
54:06
kigge med også den her gang på en eller anden måde fordi det.
54:10
Det er nogle vilde ting, og nu er vi ved at være færdige med
54:13
den der video inde på cola appen kan du ikke lige give et et
54:17
indblik i hvad Det er vi kigger på her.
54:19
Jeg ser nogle nogle strukturer der flytter sig lidt rundt.
54:21
Det er jo det vi lige har snakket om i virkeligheden.
54:24
Ja altså Jeg tror den er lidt stor end Vi har lige nu.
54:27
Jeg tror ikke jeg fik den til at køre det på ugen, så det går
54:29
lidt langsomt så. Der Der er vist i.
54:34
Billedet vanvittigt par år? Ja, jeg mangler noget noget.
54:39
Jeg ved ikke hvad. Så Der er en masse farver.
54:45
En af de ting Der er virkelig cool.
54:47
Hvalfugl, Det er at den er god til.
54:49
Og gæt, når den vender rigtigt og gennem det tager fejl, så den
54:52
har Sådan en konference og den konference.
54:55
Af fungerer virkelig godt, så Der er nogle farver på det
54:59
billede jeg kigger på lige nu og Det er basically conference II
55:01
den her model. Det meste af Det er blåt, og Det
55:07
er ligesom den ting jeg fandt inde i databasen.
55:09
Det er en af de her mekanismer i cellen, Der er med til at styre.
55:13
Tror man aldringsprocesser. Og Der er Sådan en lille rød en
55:19
Der er ved siden af og Det er altså den vi vil ved at prøve at
55:22
designe, som vi så vil have til at binde på den her aldrings
55:26
ting og måske en måde man kan tænke på det.
55:32
Det er at. Der er Sådan en speeder inde i
55:36
de her celler der ligesom siger hvor.
55:40
For meget energi. Kroppen skal bruge, og Det er
55:42
ligesom den her. Det er en af de hersens
55:44
speedere, så så hvis du spiser en masse, så så får du ligesom
55:47
trukket lidt ned, og så kører du hurtigere i din bil, og så kan
55:50
det være det bliver lidt hurtigere hvor at man har fundet
55:53
nogle ting der kan binde til den her og så få den til at altså
55:58
løfte foden af speederen lidt og.
56:02
I nogle dyr så? Så i nogle modeller i dyr lever
56:08
de rent faktisk længere, hvis man stopper den her.
56:13
Det er ret crazy. Jeg skal også siges.
56:15
Jeg er ikke biolog så jeg altså hvis Der er nogle videoer der
56:17
lytter på det her ikke og og og og bliver lidt sur for mig så så
56:21
Jeg kan godt se. Det er sjovt.
56:22
Det er sjovt der hedder det. Jeg oplever en lidt Sådan en
56:27
light version af det der i øjeblikket.
56:30
Det er Sådan lidt meget en del mindre kompliceret, men også OK
56:33
kompliceret. Jeg er jo lige blevet ansat i
56:36
dinero hvor Det er den. Det er et regnskabsprogram, så
56:39
Det er lidt mindre low science kan man sige men men hvad hedder
56:43
det? Men det det kræver jo også
56:45
ligesom at man skal forstå en eller anden en eller anden grad
56:47
skal forstå regnskab altså hvad det går ud på og hvad hvad
56:51
hvordan data ser ud og hvad det giver mening at forudsige.
56:54
Altså hvordan kan vi modellere det her på en eller anden måde
56:56
ikke? Så Det er Sådan en sjov jeg.
56:59
Jeg har ikke revisor eller bogholder eller et eller andet
57:03
og kender ikke til de der ting, men men jeg forstår lige præcis
57:06
nok til at jeg ved hvordan jeg skal modellere det og Jeg kan
57:10
tænke i hvordan jeg skal moderere det.
57:11
Jeg forestiller mig lidt det samme med med i din situation og
57:14
Alexander det her med at du kommer ind.
57:16
Du det Der er Sådan en kæmpe felt du ved altså du har brugt
57:20
lang tid nok på ligesom at dygtiggøre dig II machine
57:22
learning og a og så videre Der er det her kæmpe fælles som skal
57:25
modelleres hvor at man ligesom Sådan prøve at sige okay
57:29
fokusere på de der små dele. Problemer og så forstå dem,
57:33
forstå en output og så ligesom arbejde sig ud derfra.
57:36
Men Det er sygt fascinerende. Altså virkelig ja.
57:43
Hold da op. Det er den sidste.
57:49
Det må man sige. Bare lige et sidste spørgsmål
57:51
her, fordi nu er vi hvad hedder det nu er vi?
57:53
Har vi efterhånden siddet og snakket en times tid at så Vi
57:55
skal også til at slå runde af her bare lige et sidste
57:59
spørgsmål til hvad nu? Du er måske kommet lidt ind på
58:03
det det her med at så har man det her det her protein man mm.
58:09
Jeg tænker at have noget at gøre med alle, ikke.
58:10
Så kunne man forestille sig at man gerne ville designe et
58:12
molekyle eller et protein, som ligesom hægter bliver hægtet på
58:16
det her og på på en måde kan sløve det ned.
58:20
Så Det er det Jeg tror bare mit spørgsmål er helt konkret, hvad
58:23
er det man kan? Ønsker at udvikle, når man
58:30
udvikler proteiner. Det virker som om, at man ønsker
58:32
at udvikle proteiner, som kan noget bestemt i nogle bestemte
58:36
sammenhænge. I andre proteiner er det Sådan
58:39
rigtig nogenlunde forstået eller ja.
58:43
Det er så mange proteiner, de virker ved de være fysisk rammer
58:47
et eller andet protein. Og det gør hvad du gerne vil
58:50
stoppe det. Så du sætter bare en kæp i
58:51
hjulet. Altså Det er ikke Det er ikke
58:53
nogle tilfælde. Er det ikke mere kompliceret?
58:55
Det er meget fysisk i, at hvis du kunne finde et eller andet
58:57
der binder rigtig godt til den anden, så så kan de ikke altså
59:00
så fysisk kan de bare ikke ramme nej så den del af.
59:03
Det så er det Sådan okay primitivt i virkeligheden.
59:06
Nogle af de kræftmedicin adam på markedet i dag.
59:09
Det er lidt vildt bare det at altså man kan sige de der
59:12
artikler Der er noget kraft og så har de givet dem så der ikke
59:15
noget længere og så er det basalt bare et molekyle der har
59:18
bundet til protein. Og Det er det.
59:21
Er det det Der er rigtigt. Så det skal altså.
59:33
Det skal understreges. Det er virkelig, virkelig,
59:34
virkelig svært at lave ny type medicin.
59:36
Succesraten er 10% så ud af 100 ting der bliver brugt så 90% af
59:42
altså 90 af dem det det lykkedes ikke og ud af de 10 der virker
59:46
har jeg hørt at det kun er 3 der virkede på grund af grunden.
59:50
Altså er det man troede det ville virke så så 7 af de rent
59:53
faktisk lykkedes hvor Det er en stor succes at patienterne får
59:57
det bedre der. Hvad var det altså i grunden man
1:00:00
ikke havde forudset, så Det er virkelig, virkelig kompliceret
1:00:05
der. Der er bare så mange ting du
1:00:07
skal have din medicin du skal du tit vil man godt have du skulle
1:00:10
spise det, så det skal ligesom først og fremmest skal kunne ned
1:00:13
i maven og ikke dræbe dig lidt ned i maven vej, så det skal
1:00:16
helst ikke gøre noget og så skal det kunne komme ind i blodet
1:00:19
eller det skal det helst kunne komme hen til det sted du gerne
1:00:21
vil have. Så det det det bedste medicin
1:00:26
det Det er Sådan lidt en ortogonal vektor.
1:00:28
Den gør intet overhovedet udover den ting, du gerne vil ændre på.
1:00:33
Det er lidt ligesom en vektor, der kun er gået i én retning, og
1:00:38
du har. Så Der er rigtig meget design
1:00:40
ind over det her. Ja man kan godt se hvorfor Der
1:00:45
er brug for. Hvad kan man sige?
1:00:47
Ja Det er en tung proces der komme derhen.
1:00:49
Det har vi også været inde på og hvorfor?
1:00:51
Hvorfor Der er det her behov. For ligesom at at at at kunne
1:00:57
gøre det smartere og bedre. Og Det er vel også det Google og
1:01:02
andre der arbejder med at udvikle i den her slags
1:01:05
teknologier? For Det er jo selvfølgelig ikke
1:01:07
kun Google, men de får jo rampelyset engang imellem kan
1:01:10
man sige men. Ja fascinerende.
1:01:15
Ja hvad hedder det? Jeg tænker på jeg tænker på at
1:01:19
Vi skal til at runde af nu. Her er der et eller andet her
1:01:22
på, for vi før vi slutter af Alexander som du godt kunne
1:01:26
tænke dig at at sige. Jeg har et spørgsmål Jeg har
1:01:31
besvaret dig om i en time. Nu er det bas bagved dig og
1:01:35
altså hvad hvad? Hvad?
1:01:38
Hvad er det for nogle? Spillere Det er en Det er en
1:01:41
bas. Det er en bas og en tamburin og
1:01:44
Jonas. Han har et trommesæt i
1:01:46
baggrunden, så Vi har basis for et rigtigt godt drama base base
1:01:51
band. Det må vi lige gøre én dag Jonas
1:01:53
så tager vi sgu min base hjemme hos dig, så laver vi det live et
1:01:55
eller andet. Vi har endnu ikke leveret en
1:01:57
jingle, men Vi har en plan med mine naboer om, at Vi skal have
1:02:01
noget noget jingle musik ind i podcasten, og Jeg har også en
1:02:04
plan om, at Vi skal have Sådan 1 1 1 knap for vor Norden niveauet
1:02:09
er. Fordi jeg havde jeg manglede den
1:02:11
tidligere her i podcasten, hvor der var nørdet niveauet bare
1:02:15
fuld max her. Så kan jeg Sådan en knap der
1:02:18
bare lyser og siger nu skal i være obs derude spids ørerne så
1:02:23
det. Det kunne jeg godt tænke mig
1:02:24
fordi det ville være. Det ville være virkelig sjovt at
1:02:26
den var. Jeg så på max i den her episode
1:02:29
her Alexander, Det var en fornøjelse at høre de der meget
1:02:33
detaljerede gennemgange af af den her teknologi her.
1:02:38
Ja. Ja det tror jeg fordi.
1:02:41
Det er være så sjovt. Ja helt sikkert og 1000 tak
1:02:46
fordi du var med og jeg må indrømme Jeg har nok også lært
1:02:48
en hel del mere end jeg anede nogen altså overhovedet havde
1:02:53
anede for omkring hvordan de har anbefalet modeller virker, men
1:02:57
også hvordan det ligesom giver mening II altså hvad hvad de
1:03:00
bliver brugt til og og så videre så så så Det er utrolig glad
1:03:05
for. Men Jeg tror på grund af for i
1:03:07
dag Vi har snakket en time og 3 minutter, så skyggerne ved at
1:03:10
blive lange som vi plejer at sige men alle sammen 1000 tak
1:03:14
fordi i lyttede med og. Jeg håber, at i lærer så meget
1:03:17
som vi gjorde. Det kan selvfølgelig være, hvis
1:03:19
det hele i forvejen, men det gjorde vi ikke, så vi føler, Vi
1:03:22
har lært rigtig meget i hvert fald.
1:03:24
Og det andet er der ikke tilbage og sige, end at vi ses eller
1:03:28
lyttes igen i næste uge. Hey.