TIỂU SỬ
Nhà đồng sáng lập & CEO của Deepmind.
Demis Hassabis sinh ngày 27/07/1976 là thần đồng cờ vua từ năm 4 tuổi. Ông nổi tiếng là người đã thiết kế và lập trình trò chơi Theme Park với doanh thu hàng triệu đô la ở tuổi 17. Sau khi tốt nghiệp Đại học Cambridge (1994-1997), chuyên ngành Khoa học Máy tính, ông đã tiên phong thành lập công ty trò chơi điện tử Elixir Studios (1998-2005) với nhiều trò chơi đoạt giải thưởng trên thế giới.
Sau một thập kỷ dẫn dắt các công ty khởi nghiệp công nghệ thành công, Demis trở lại giảng đường để hoàn thành bằng tiến sĩ về Khoa học thần kinh nhận thức tại Đại học College London (2005-2009), và nghiên cứu sau tiến sĩ tại Viện Công nghệ Massachusetts – MIT và Harvard.
Năm 2010, Demis đồng sáng lập Deepmind, một công ty AI trong lĩnh vực khoa học thần kinh, được Google mua lại vào tháng 1 năm 2014 – thương vụ lớn nhất châu Âu cho đến nay. Tháng 12 năm 2018, công cụ AlphaFold của DeepMind đã gây tiếng vang khi dự đoán chính xác cấu trúc cho 25 trong số 43 protein tại một cuộc thi quốc tế.
Năm 2017, ông góp mặt trong danh sách 100 người có ảnh hưởng nhất của Time, và năm 2018, ông đã được trao giải CBE – Huân chương cao cấp nhất của Đế quốc Anh cho các dịch vụ cho khoa học và công nghệ.
TS Hassabis hiện là Phó Chủ tịch Kỹ thuật tại Google DeepMind. Ông cũng là là thành viên của Hiệp hội Hoàng gia, Học viện Kỹ thuật Hoàng gia và Hiệp hội Nghệ thuật Hoàng gia Anh.
Hassabis đã giành được nhiều giải thưởng uy tín bao gồm Giải thưởng Mullard (2014), Nature’s 10 (2016), Giải cần điều khiển vàng, Giải thưởng Dan David (2020), Giải thưởng Wiley (2021), Huy chương IRI (2021), Giải thưởng Công chúa xứ Asturias (2022), và Giải thưởng Đột phá về Khoa học Đời sống (2023).
TỔNG QUAN CÔNG TRÌNH KHOA HỌC
Protein và vấn đề gấp xoắn của protein là bài toán khiến các nhà khoa học đau đầu trong suốt 50 năm. Một protein là chuỗi axit amin có thể gấp lại theo vô số cách trước khi đạt đến cấu trúc cuối cùng và cấu trúc gấp xoắn quyết định các chức năng của protein. Việc xác định cấu trúc gấp xoắn của protein là cực kỳ quan trọng để hiểu chức năng cũng như tìm ra giải pháp trong quá trình điều chế thuốc.
Jumper và Hassabis đã xây dựng một phương pháp học máy mới kết hợp kiến thức vật lý và sinh học về cấu trúc protein, giúp mô hình hóa cấu trúc của protein một cách chính xác và nhanh chóng. Với AlphaFold, trí tuệ nhân tạo đã được chứng minh rằng có thể dự đoán chính xác hình dạng của protein với độ chính xác đến cấp độ nguyên tử. AlphaFold không chỉ cung cấp giải pháp cho thách thức lớn kéo dài 50 năm mà còn là minh chứng quan trọng cho thấy, trí tuệ nhân tạo có thể tăng tốc khám phá khoa học và thúc đẩy nhân loại tiến bộ.
QUY MÔ TÁC ĐỘNG
Một hệ thống có thể dự đoán chính xác cấu trúc protein có tiềm năng to lớn mang lại lợi ích cho nhiều lĩnh vực. Đây là hướng đi giúp nâng cao hiểu biết về những căn bệnh đang gặp khó khăn trong chữa trị vì chưa hiểu cấu trúc protein, như các bệnh nhiệt đới dễ bị lãng quên (Neglected tropical diseases – NTDs). Những căn bệnh như vậy đang ảnh hưởng đến hàng triệu người mỗi năm, khiến hàng chục nghìn người tử vong và tiêu tốn hàng tỉ đô la.
Ngoài ra, một hệ thống như AlphaFold có thể giúp tìm ra các protein và enzyme có thể phân hủy chất thải nhựa công nghiệp hoặc thu giữ carbon từ khí quyển một cách hiệu quả. Do đó, tiềm năng sử dụng cấu trúc protein để hạn chế chất thải nhựa công nghiệp là rất hứa hẹn. Chỉ sau 12 tháng từ khi ra đời, AlphaFold đã được hơn nửa triệu nhà nghiên cứu truy cập và sử dụng để đẩy nhanh tiến độ giải quyết các vấn đề quan trọng trong thế giới thực, từ ô nhiễm nhựa đến kháng kháng sinh.
Cơ sở dữ liệu của AlphaFold ngày nay có hơn 300 triệu cấu trúc protein và cung cấp cho tất cả. Jumper và Hassabis đã quyết định mở mã nguồn của AlphaFold và xuất bản hai bài báo chuyên sâu trên tạp chí Nature, đã được trích dẫn hơn 4.000 lần chỉ trong hơn một năm. Đến nay, hơn 500.000 nhà nghiên cứu từ 190 quốc gia đã truy cập cơ sở dữ liệu AlphaFold để xem hơn 2 triệu cấu trúc.
Đây là nền tảng để các nhà sinh học có thể nghiên cứu về protein, từ đó giúp giải mã các biến thể gen gây bệnh và thúc đẩy nhanh hơn quá trình tìm ra nhiều phương thuốc cho nhân loại.
