John M. Jumper est un chimiste et informaticien américain affilié à Google DeepMind. Il est surtout connu pour avoir dirigé le développement d'AlphaFold, un système d'intelligence artificielle qui prédit les structures tridimensionnelles des protéines à partir de séquences d'acides aminés, une avancée qui lui a valu une part du prix Nobel de chimie 2024.
Les travaux de Jumper font le pont entre apprentissage automatique et biologie structurale, démontrant comment apprentissage profond peut résoudre des défis scientifiques de longue date. Ses contributions ont eu des implications profondes pour la découverte de médicaments, la conception d'enzymes et la compréhension des mécanismes des maladies.
Jeunesse et éducation
Jumper est né aux États-Unis. Il a poursuivi des études de premier cycle en physique et en mathématiques, obtenant un baccalauréat de l'Université Vanderbilt en 2007. Il a ensuite complété une maîtrise en physique de l'Université de Cambridge en 2008. Jumper s'est ensuite tourné vers la chimie, obtenant un doctorat en chimie théorique de l'Université de Toronto en 2017, où ses recherches portaient sur les méthodes computationnelles pour le repliement des protéines.
Carrière chez DeepMind
En 2017, Jumper a rejoint DeepMind (maintenant partie de Google DeepMind) en tant que chercheur scientifique. Il est rapidement devenu le chef du projet AlphaFold, qui visait à appliquer intelligence artificielle à la prédiction de structures protéiques. Le premier succès majeur du projet est survenu en 2018 lorsqu'AlphaFold a remporté la 13e compétition Critical Assessment of Structure Prediction (CASP), surpassant d'autres méthodes. En 2020, AlphaFold 2 a atteint une précision quasi expérimentale, un résultat qui a stupéfié la communauté scientifique et a été décrit comme résolvant un défi majeur vieux de 50 ans en biologie.
AlphaFold et son impact
AlphaFold 2 utilise une architecture de réseau de neurones qui intègre des mécanismes d'attention, similaires à ceux des transformateurs, pour modéliser les interactions entre acides aminés. Le système a été entraîné sur un grand ensemble de données de structures protéiques connues provenant de la Protein Data Bank. En 2021, DeepMind a publié la base de données AlphaFold Protein Structure, fournissant des structures prédites pour presque toutes les protéines humaines et des millions d'autres protéines, librement accessibles aux chercheurs du monde entier.
La base de données a été utilisée par plus d'un million de chercheurs, accélérant les études dans des domaines tels que les maladies tropicales négligées, la résistance aux antibiotiques et la biologie synthétique. Le leadership de Jumper a été déterminant pour coordonner l'équipe interdisciplinaire qui a développé AlphaFold, comprenant des experts en apprentissage automatique, en biologie et en ingénierie logicielle.
Prix et reconnaissance
Jumper a reçu le prix Nobel de chimie 2024 conjointement avec Demis Hassabis, PDG de Google DeepMind, pour leurs travaux sur la prédiction de structures protéiques. Le prix a reconnu leur développement d'AlphaFold, que le comité Nobel a décrit comme une avancée ayant permis la prédiction de structures protéiques complexes avec une précision remarquable. Jumper a également reçu d'autres honneurs, notamment le prix Breakthrough en sciences de la vie 2023 et le prix international Canada Gairdner 2022, tous deux partagés avec Hassabis et d'autres collaborateurs.
Travaux actuels et orientations futures
En 2025, Jumper continue de travailler chez Google DeepMind, se concentrant sur l'extension des capacités d'AlphaFold à d'autres molécules biologiques, telles que l'ARN et les complexes protéine-ligand. Ses intérêts de recherche incluent l'intégration de apprentissage profond avec la biologie structurale expérimentale et l'exploration d'applications dans la conception de médicaments. Jumper a souligné l'importance de la science ouverte, rendant le code et les prédictions d'AlphaFold publiquement disponibles pour maximiser l'impact scientifique.
Les réalisations de Jumper ont inspiré une nouvelle génération de chercheurs à appliquer IA à des problèmes scientifiques, et son travail est considéré comme un exemple marquant du potentiel transformateur de apprentissage automatique dans les sciences naturelles.