Эпическая миссия DeepMind по решению сложнейшей проблемы науки

Кто мешал другим замечательным командам с хорошим финансированием, делать нечто подобное или лучше?

Deepmind имеет доступ к лучшей в мире вычислительной и прочей инфраструктуре, лучшим в мире специалистам в любой области, легкий доступ к финансам. Во-первых, таких команд на весь мир не так уж много. Во-вторых, закономерно, что они занимаются тем, что принесет наилучший результат в их понимании и понимании тех, кто их финансирует. Обычно хороший результат означает, в т.ч. прибыль. Совершенно не очевидно, что если серьезно продвинуться в задаче компьютерного предсказания структуры белков, то из этого можно будет извлечь достаточную выгоду (монетизировать).

создать побудительные мотивы к «безбашным» задачам

Задача вычислительного предсказания структуры белков не такая уж безбашенная. Мировой «чемпионат» (CASP) по предсказанию белковой структуры существует с 1994 года (25 лет!), а первые попытки были ещё раньше. И каждые два года научное сообщество вокруг CASP демонстрирует результаты всё лучше и лучше. Гугл всего лишь сделал прогресс, который обычно занимает 4 года за 2 года, однократно. Это стало возможно благодаря крутым инженерам, огромным вычислительным ресурсам, а также небольшому развитию и обобщению тех идей, которые были разработаны за эти 25+ лет. Если Вам интересна реальная оценка значимости alphaFold — AlQuraishi написал на эту тему хороший сбалансированный пост. То, что попало в газеты практически не даёт никакого понимая того, что случилось и содержит фактические ошибки и передергивания, как цифра 25/43 против 3/43, которая попала в газеты и на самом деле довольно бессмысленна и формирует сильно искаженное восприятие ситуации. Даже в этом посте эту ошибку частично повторили.

мне хотелось бы узнать больше информации об исследованиях по предсказанию структуры белков

Если вы читаете по-английски, то можно попробовать почитать review в научных журналах:
science.sciencemag.org/content/338/6110/1042
www.nature.com/articles/nature19946
pharmrev.aspetjournals.org/content/66/1/334.short

Больше 20 лет исследований (различные команды + большие вычислительные мощности) не привели к эффективному решению

Эффективные решения сучествуют, просто не во всех случаях, но во многих. Так называемые «простые» и «средние» по сложности цели обычно удается предсказать с точностью близкой к разрешению экспериментальных методов, на сегодня. Плоховата ситуация только с «трудными» целями, для которых не существует ни одного схожего белка, исследованного ранее экспериментально. GDT_TS >80 — это уже «правильное» решение. >70 — близкое к правильному, >60 — частично правильное. На этот график не попал CASP13, в котором принимала участие AlphaFold. Это тот прогресс, который был достигнут без участия Deepmind. Я сомневаюсь, что хоть одна из команд-участниц имела такие вычислительные мощности, как у Deepmind. Уж точно ни у кого в университетах не было возможности нанять столько топовых инженеров. В научных группах часто нехватает квалифицированных инженеров — нет денег на них, наверное.
Взнос Deepmind/AlphaFold видно на графике внизу:

Может формулировка задачи на другом уровне абстракции и использование новых идей позволит достичь успеха.

Возможно, но комманда Deepmind ничего такого не предложила. Они просто повторили существующие подходы на новом инженерном уровне, в немного другой комбинации и слегка их усовершенствовали. Глубокое обучение применялось в CASP и до AlphaFold. Более того, большая часть достигнутого успеха с 1994 года обходится без Глубокого обучения.

Если данная публикация мотивирует амбициозных членов ХабраСообщества к ее решению, так это похвально.

Согласен, вполне возможно, что вдохновившись проблемой кто-то решит поступить в аспирантуру по этому направлению. Что бы приступить к её решению, к сожалению, нужно потратить год(ы) на проф. подготовку, не считая того что нужно закончить универ по одной из STEM специальностей.