5.3.2 Foldit
Foldit on proteiini-taittopeli, jonka avulla ei-asiantuntijat voivat osallistua hauskaa.
Netflix-palkinto, joka on mielenkiintoinen ja selkeä, ei kuvaa avointen projektien kokonaisuutta. Esimerkiksi Netflix-palkinnossa useimmat vakavista osallistujista olivat vuosien ajan koulutusta tilastoista ja koneoppimisesta. Avoimet puheluprojektit voivat kuitenkin osallistua myös osallistujille, joilla ei ole muodollista koulutusta, kuten Foldit, proteiini-taittopeli.
Proteiinin taittuminen on prosessi, jonka kautta aminohappojoukko ottaa sen muodon. Tämän prosessin ymmärtämisen myötä biologit voisivat suunnitella proteiineja, joilla on erityisiä muotoja, joita voitaisiin käyttää lääkkeinä. Yksinkertaistamalla melko vähän, proteiinit pyrkivät siirtymään alimman energiakokoonpanonsa, kokoonpano, joka tasapainottaa eri painikkeet ja vetää proteiinin sisällä (kuva 5.7). Joten, jos tutkija haluaa ennustaa muotoa, johon proteiini taittuu, ratkaisu kuulostaa yksinkertaiselta: kokeile vain kaikkia mahdollisia kokoonpanoja, laske niiden energioita ja ennusta, että proteiini kääntyy pienimpään energiaan. Valitettavasti kaikkien mahdollisten kokoonpanojen kokeilu on laskennallisesti mahdotonta, koska mahdollisia kokoonpanoja on miljardeja ja miljardeja. Jopa nykyisin tehokkaimpia tietokoneita - ja lähitulevaisuudessa - raa'at voimat eivät vain toimi. Siksi biologit ovat kehittäneet monia fiksuja algoritmeja etsimään tehokkaasti alimman energiakokoonpanon. Mutta huolimatta massiivisista tieteellisistä ja laskennallisista ponnisteluista huolimatta nämä algoritmit ovat vielä kaukana täydellisyydestä.
Kuva 5.7: Proteiinin taittuminen. Kuva "DrKjaergaard" / Wikimedia Commons .
David Baker ja hänen tutkimusryhmänsä Washingtonin yliopistossa olivat osa tutkijoiden yhteisöä, jotka työskentelivät luomaan laskennallisia lähestymistapoja proteiinien taittumiseen. Yhdessä projektissa Baker ja kollegat kehittivät järjestelmän, joka antoi vapaaehtoisille lahjoittaa käyttämättömän ajan tietokoneisiin simulointiproteiinien taittumisen helpottamiseksi. Vastineeksi vapaaehtoiset voivat katsella näytönsäästäjää, joka näyttää proteiinin taittumisen, joka tapahtui heidän tietokoneellaan. Useat näistä vapaaehtoisista kirjoitti Bakerille ja kollegoilleen, että he ajattelivat, että he voisivat parantaa tietokoneen suorituskykyä, jos he voisivat osallistua laskentaan. Ja näin alkoi Foldit (Hand 2010) .
Foldit kääntää proteiinien taittamisen prosessiin peli, jota kuka tahansa voi pelata. Pelaajan kannalta Foldit näyttää olevan palapeli (kuva 5.8). Pelaajille on esitetty kolmiulotteinen proteiinin rakenteen sekoitus ja ne voivat tehdä toimintoja - "tweak", "wiggle", "rebuild" - jotka muuttavat sen muotoa. Suorittamalla nämä toimet pelaajat muuttavat proteiinin muotoa, mikä puolestaan nostaa tai pienentää pisteet. Kriittisesti pisteet lasketaan nykyisen kokoonpanon energiatasosta; pienemmät energiakokoonpanot tuottavat korkeampia pisteitä. Toisin sanoen pisteet auttavat ohjaamaan pelaajia, kun he etsivät matalaenergiakokoonpanoja. Tämä peli on mahdollista vain, koska - kuten elokuvien ennustaminen Netflix Prize -proteiinin taittamisessa - on myös tilanne, jossa on helpompi tarkistaa ratkaisuja kuin luoda niitä.
Kuva 5.8: Foldit-pelinäyttö. Toistettu luvalla http://www.fold.it.
Folditin tyylikäs muotoilu antaa pelaajille vähän virallista biokemian osaamista kilpailemaan parhaiden asiantuntijoiden suunnittelimien algoritmien kanssa. Vaikka useimmat pelaajat eivät ole erityisen tyytyväisiä tehtävään, on olemassa muutamia yksittäisiä pelaajia ja pieniä pelaajia, jotka ovat poikkeuksellisia. Itse asiassa Foldit-soittimien ja huipputason algoritmien välisessä heads-to-head-kilpailussa pelaajat loivat parempia ratkaisuja 5: lle 10 proteiinista (Cooper et al. 2010) .
Foldit ja Netflix-palkinto ovat monin tavoin erilaisia, mutta molemmat käsittelevät avoimia ratkaisuja, jotka ovat helpommin tarkistettavissa kuin tuotetaan. Nyt näemme saman rakenteen vielä toisessa hyvin erilaisessa ympäristössä: patenttilainsäädännössä. Tämä viimeinen esimerkki avoimen puhelun ongelmasta osoittaa, että tätä lähestymistapaa voidaan käyttää myös asetuksissa, jotka eivät selvästikään sovellu kvantitointiin.
