编者按 一年一度的科学界盛宴——诺贝尔生理学或医学奖、物理学奖、化学奖在本周陆续揭晓。今年的获奖人有惊喜有意外，让我们来看看，为什么此次诺贝尔奖会授予他们？他们的发现带来了什么？

==============================

改变人们对于转录后基因调控的认知

10月7日下午，瑞典卡罗琳医学院宣布，2024年诺贝尔生理学或医学奖授予美国科学家维克托·安布罗斯和加里·鲁夫坎，以表彰他们在发现微小RNA（microRNA，简称miRNA）及其在转录后基因调控中的作用上所做的开创性工作。

我们知道，基因里储存着遗传信息。通常来说，这些遗传信息先会被转录成信使核糖核酸（mRNA），再编码翻译成蛋白质，行使生理功能。这里，mRNA可以被视作是遗传信息的“快递员”。除了编码蛋白质的遗传信息之外，mRNA上还有其他一些东西，其中就包括了两侧的“非翻译区”，也被称为非编码RNA。miRNA正是非编码RNA中的一种。它的长度很短，仅有20-24个核苷酸组成，在动植物中参与转录后基因表达调控。但当时，人们对其功能还知之甚少。

让我们把时钟回拨到30多年前，miRNA的研究充满了戏剧性。1993年，维克托·安布罗斯在研究秀丽线虫的发育调控中发现了第一个miRNA lin-4。但当时并没有引起科学界的重视，事情的转机发生在2000年，加里·鲁夫坎在秀丽线虫中发现了第2个miRNA let-7。特别重要的是，let-7在动物中高度保守，在人类细胞中也存在。从此，越来越多科学家加入到新的miRNA的发掘过程中，也因此带来了现在火热的非编码RNA研究的时代。

之后，越来越多的非编码RNA及其功能被发现，它们在细胞分化、生物发育及疾病发生发展过程中发挥重要调控作用。

在生物体的发育和分化过程中，miRNA起着至关重要的作用。如在心脏发育过程中，miRNA也参与调控心肌细胞的增殖、分化和功能成熟。如果miRNA的表达出现异常，就可能导致发育畸形等严重后果。

在免疫系统中，miRNA也是一个活跃的参与者。如在T细胞免疫反应中，miRNA可以调节T细胞的功能，使其能够有效地识别和清除病原体。miRNA还可以通过调控免疫相关基因的表达来影响炎症反应的强度和持续时间。

另外，由于miRNA在许多疾病中的表达具有特异性变化，因此它具有作为疾病诊断标志物的潜力。如在血液或组织样本中检测某些特定miRNA的表达水平，可以帮助医生早期诊断疾病，如癌症、心血管疾病等。

奠定人工智能时代发展的基础

10月8日下午，2024年诺贝尔物理学奖颁发给美国科学家约翰·霍普菲尔德和加拿大科学家杰弗里·欣顿，以表彰他们基于人工神经网络实现机器学习的基础性发现和发明工作。

如果你知道这两位科学家的研究背景，相信你会有一个疑问：今年的物理学奖为什么会颁发给他们？约翰·霍普菲尔德有着物理学、生物学和神经科学学术背景，他利用了描述物质特性的原子自旋原理，发明了一种具有联想记忆功能的神经网络模型，可以存储和重建图像及其他类型的数据，其结构类似于人脑中的海马体脑区。

而杰弗里·欣顿利用统计物理学的思想在霍普菲尔德研究基础上进行扩展，发明了一种可以自主查找数据属性的方法，执行和学习识别某一类数据特定元素等，相似的结构可以在人脑的大脑皮层连接模式中找到。

他们对人工智能和深度学习神经网络发展具有奠基作用，正如今年诺贝尔物理学奖委员会主席Ellen Moons所说“获奖者的工作已经产生了巨大的效益，当今物理学许多领域正在使用人工神经网络”。

传统上，研究人员通过物理实验、理论推导、计算机模拟进行科学研究，一旦遇到复杂体系时，实验成本就会很高、理论推导又太复杂，但他们开启了机器学习新范式，只要有足够多的数据，就可以搭建一个神经网络，通过训练神经网络就能找到数据之间隐藏的规律，而这种方法正应用在越来越多的研究领域。

最近几年，人工智能的“威力”井喷，影响我们生活的方方面面。而人工智能应用大多建立在深度学习神经网络之上。比如，2023年，由我国科学家基于人工智能技术自主研发的盘古气象大模型，就提出了一种适配地球坐标系统的三维神经网络，能够有效处理天气数据中的复杂过程，并通过层次化时域聚合策略来有效减少迭代误差，成功实现了精准的中期天气预报。

颠覆蛋白质塑造的理解方式

10月9日下午，美国科学家大卫·贝克因计算蛋白质设计、英国科学家戴米斯·哈萨比斯和美国科学家约翰·江珀因蛋白质结构预测共同获得2024年诺贝尔化学奖。

诺贝尔化学奖历来是最难预测的诺奖奖项。“前脚”公布的2024年诺贝尔物理学奖授予了机器学习领域的科学家，“后脚”诺贝尔化学奖又把奖项颁给了人工智能的科学家倒也不那么意外了。

蛋白质从化学成分上来讲，是一种由20种氨基酸残基所连接而成的线性分子。不同长度和不同组分的氨基酸排列组合，构成了不同的蛋白质，地球上已知的蛋白质种类上亿，未知的则更多。

在过去六十多年里，全球结构生物学家共同努力，通过使用X-射线衍射、核磁共振、冷冻电镜等多种实验手段，也仅解析了超1万多个非冗余的蛋白质的结构，这远远少于有记录的两亿条蛋白质的序列。尽管实验技术和数据计算分析能力经过了多年的提高，每个新蛋白质结构的测定依然费时耗力，而且十分昂贵，因此完全依赖实验手段来解析所有的蛋白质的结构是永远不可能完成的工程。

而最先获得决定性突破的就是大卫·贝克，他从1993年进入这个领域，开发出了一系列能够根据氨基酸序列预测蛋白质结构的软件，取名为罗塞塔（Rosetta）。直到2018年，CASP（蛋白质双盲结构预测评审会）大赛出现了一个神秘的参赛团队——戴米斯·哈萨比斯团队，也就是大名鼎鼎的DeepMind团队，他们开发的第一代基于人工智能技术的蛋白质结构预测软件AlphaFold，力压其他97个参赛者。

随后，在2020年，DeepMind团队又开发出了AlphaFold2，使最难预测的蛋白质结构的平均打分从及格再一次飞跃到优秀（大于85分），震动了整个科学界。而AlphaFold2团队的领导者就是约翰·江珀。

就在今年5月，DeepMind团队又推出了AlphaFold3，以前所未有的精确度预测了几乎所有的生命分子，包括蛋白质、DNA和RNA的三维结构，以及它们之间的相互作用模式。这项成果有望帮助科学家研究疾病并创造新的药物递送工具，具有无比巨大的潜力。