- AlphaFold 3 (AF3) – wprowadzony w maju 2024 – to najnowsza sztuczna inteligencja Google DeepMind do przewidywania trójwymiarowych struktur molekularnych. W przeciwieństwie do AlphaFold 2, AF3 modeluje wszystkie cząsteczki życia – białka, DNA, RNA, małe ligandy i ich kompleksy – w jednym zintegrowanym systemie blog.googlestatnews.com.
- AF3 wykorzystuje architekturę nowej generacji (ulepszony moduł Evoformer oraz sieć „montażową” opartą na dyfuzji), aby wspólnie przewidywać całe kompleksy molekularne blog.google. DeepMind informuje, że AF3 jest o około 50% dokładniejszy niż tradycyjne metody oparte na fizyce w przewidywaniu wiązania białko–ligand lub przeciwciało–białko blog.google, i znacznie przewyższa istniejące narzędzia w zadaniach testowych blog.googlenature.com. Jest to „pierwszy system AI, który przewyższa narzędzia oparte na fizyce w przewidywaniu struktur biomolekularnych” blog.google.
- Szerokie zastosowania: AF3 jest wyraźnie ukierunkowany na odkrywanie leków, biologię syntetyczną i genomikę. Może przewidywać, jak cząsteczki podobne do leków (ligandy, przeciwciała, małe związki) wiążą się z białkami blog.google, a nawet jak białka wiążą się z DNA/RNA nature.com. DeepMind podaje wzrost dokładności o ponad 50% w kluczowych testach interakcji (podwajając dokładność w niektórych kategoriach) blog.googlepharmavoice.com. W praktyce AF3 powinien przyspieszyć identyfikację celów, projektowanie leków i inżynierię enzymów. Naukowcy wykorzystywali AF2 do szczepionek na malarię, badań nad rakiem i projektowania enzymów pharmavoice.com; rozszerzony zakres AF3 może podobnie odblokować biorenowacje, odporność upraw, regulację genów i inne możliwości blog.googlelabiotech.eu.
- Współpraca i dostęp: AF3 został współopracowany przez Google DeepMind i Isomorphic Labs (spółkę-córkę Alphabet zajmującą się odkrywaniem leków) blog.google. Serwer badawczy AF3 został uruchomiony bezpłatnie do niekomercyjnego użytku akademickiego (biolodzy mogą uruchamiać przewidywania dla wielu cząsteczek przez interfejs webowy) blog.google. W listopadzie 2024 DeepMind udostępnił kod AF3 i wytrenowane wagi użytkownikom akademickim blog.googlenature.com. (Początkowo DeepMind wstrzymał pełny kod, wywołując debatę nature.com, ale ostatecznie spełnił obietnicę jego otwarcia do celów badawczych.)
- Wpływ i uznanie: Przełom AlphaFold2 z 2020 roku (przewidzenie 200 mln białek) przyniósł globalne zastosowanie i nagrody (ponad 20 000 cytowań, Nagroda Breakthrough Prize in Life Sciences oraz Nagroda Nobla w dziedzinie chemii w 2024 roku dla Demisa Hassabisa i Johna Jumpera) nobelprize.org, blog.google. AF3 rozwija to dziedzictwo. Eksperci branżowi nazywają AF3 „rewolucyjnym” i „godnym Nagrody Nobla”pharmavoice.com. Oczekuje się, że skróci czas i koszty opracowywania leków dzięki umożliwieniu in silico przesiewania tysięcy związków zamiast powolnych testów laboratoryjnych pharmavoice.com, reuters.com.
Czym jest AlphaFold 3 i czym różni się od AlphaFold 2
AlphaFold 3 to najnowsza generacja AI DeepMind do przewidywania struktury molekularnej. Podobnie jak AlphaFold 2, przyjmuje sekwencje genetyczne lub molekularne jako dane wejściowe i przewiduje kształty 3D. Kluczowa różnica to zakres: AF2 koncentrował się na pojedynczych białkach (i małych kompleksach białkowych), podczas gdy AF3 modeluje całe kompleksy molekularne różnych typów. Jak wyjaśnia DeepMind, AF3 potrafi przewidzieć wspólną strukturę „dużych biomolekuł, takich jak białka, DNA i RNA, a także małych cząsteczek (ligandów)”, w tym modyfikacje chemiczne i jony blog.google. W praktyce może modelować, jak białka oddziałują z nićmi DNA/RNA, cząsteczkami podobnymi do leków i przeciwciałami za jednym razemnature.com, statnews.com.
Ten przełom jest szeroko zauważany. Redaktorzy Nature podkreślają, że AF3 „może przewidywać nie tylko struktury kompleksów białkowych, ale także gdy białka oddziałują z innymi rodzajami cząsteczek, w tym DNA i RNA” nature.com. Podsumowanie w podcaście naukowym również zauważa, że AF3 „dokładnie przewiduje kompleksy białko–cząsteczka zawierające DNA, RNA i inne” nature.com. Krótko mówiąc, AF3 wykracza „poza białka, obejmując szerokie spektrum biomolekuł” blog.google. Skutecznie łączy wiele wyspecjalizowanych predyktorów w jeden. DeepMind informuje, że dokładność AF3 w przewidywaniu wiązania białko–ligand lub przeciwciało–białko jest około o 50% wyższa niż w przypadku dotychczas najlepszych metod, a w niektórych przypadkach podwaja dokładność blog.googlepharmavoice.com. Dzięki całościowemu podejściu do różnych typów cząsteczek, AF3 oferuje nowe „okno na cząsteczki życia”, którego AF2 nie mógł zapewnić blog.google.
Postępy techniczne i naukowe
AlphaFold 3 wprowadza kilka kluczowych innowacji AI. Jego podstawą jest ulepszony moduł głębokiego uczenia „Evoformer” (z AF2) połączony z nowatorskim montażem dyfuzyjnym. Model najpierw przetwarza sekwencje za pomocą głębokich bloków podobnych do Transformera, a następnie składa strukturę atomową za pomocą sieci dyfuzyjnej, podobnie jak generatory obrazów udoskonalają piksele blog.google. W praktyce AF3 zaczyna od „chmury atomów” i iteracyjnie udoskonala je w dokładny kompleks molekularny blog.google. To podejście oparte na dyfuzji (w przeciwieństwie do predyktora ramek reszt w AF2) umożliwia elastyczne przetwarzanie różnych typów cząsteczek.
Architektura AF3 upraszcza niektóre elementy AF2. Na przykład, sieć neuronowa AlphaFold3 bezpośrednio przewiduje współrzędne 3D za pomocą dyfuzji, zamiast budować je na ramach aminokwasów, i używa mniejszej liczby bloków Transformera (uproszczony projekt „pairformer”)nature.com. Pomimo objęcia większej liczby zagadnień chemicznych, ogólny projekt ma „mniej oddzielnych komponentów” niż AF2 labiotech.eu. Artykuł DeepMind w Nature pokazuje, że AF3 osiąga znacznie wyższą dokładność w przypadku kompleksów biomolekularnych. W testach porównawczych AF3 znacznie przewyższa najlepsze narzędzia dokujące i biofizyczne: zapewnia „znacznie większą dokładność dla interakcji białko–ligand w porównaniu z najnowocześniejszym dokowaniem” oraz duże zyski w przypadku kompleksów przeciwciało lub kwasów nukleinowych nature.com.
Te postępy sprawiają, że AF3 jest pierwszą sztuczną inteligencją, która pokonuje tradycyjne metody oparte na fizyce w złożonych zadaniach wiązania. Na przykład DeepMind informuje, że AF3 jest o 50% dokładniejszy niż konwencjonalne narzędzia w teście RCSB PoseBusters, bez żadnych danych eksperymentalnych blog.googlelabiotech.eu. (Labiotech również zauważa: „AlphaFold3 jest o 50% dokładniejszy niż najlepsze tradycyjne metody w teście PoseBusters” labiotech.eu.) Pod względem wydajności, przewidywania AF3 „przewyższają dokładnością wszystkie istniejące systemy” dla interakcji molekularnych blog.google. Pracując z rozdzielczością atomową, jest zgodny z rzeczywistością fizyczną; analiza Labiotech podkreśla, że AF3 „zgadza się z fizyką na poziomie atomowym, co czyni go bardziej wydajnym i niezawodnym” oraz przewyższa metody oparte na fizyce labiotech.eu. W praktyce oznacza to, że naukowcy mogą ufać AF3 w bardzo wymagających zadaniach, takich jak białko związane z dwuniciowym DNA: w jednym z przykładów przewidziany przez AF3 kompleks (białko+DNA) był „prawie idealnie zgodny” ze strukturą eksperymentalną blog.google.
Kluczowe zastosowania i przypadki użycia
Odkrywanie leków i terapie
Firmy farmaceutyczne postrzegają AF3 jako przełom. Dzięki przewidywaniu, jak leki wiążą się na poziomie atomowym, obiecuje skrócić lata pracy nad rozwojem. Jak zauważa DeepMind, AF3 „tworzy możliwości projektowania leków dzięki przewidywaniom dla cząsteczek powszechnie stosowanych w lekach, takich jak ligandy i przeciwciała, które wiążą się z białkami” blog.google. Może symulować całe wiązanie lek-cel przed jakimikolwiek testami laboratoryjnymi. Podczas konferencji prasowej CEO DeepMind Demis Hassabis wyjaśnił: „Dzięki tym nowym możliwościom możemy zaprojektować cząsteczkę, która zwiąże się w konkretnym miejscu na białku, i możemy przewidzieć, jak silnie się zwiąże… To kluczowy krok, jeśli chcemy projektować leki i związki, które pomogą w leczeniu chorób” reuters.com.
Eksperci branżowi to potwierdzają. Technolog farmaceutyczny dr Nicole Wheeler twierdzi, że AF3 „może znacząco przyspieszyć proces odkrywania leków, ponieważ fizyczna produkcja i testowanie projektów biologicznych to obecnie duże wąskie gardło w biotechnologii” reuters.com. Patrick Bangert (SVP w firmie AI Searce) nazywa AF3 „wynalazkiem godnym Nagrody Nobla” o „transformacyjnym potencjale w odkrywaniu leków” pharmavoice.com. Zauważa, że zamiast przeprowadzać setki prób laboratoryjnych, naukowcy mogą teraz przesiewać dziesiątki tysięcy opcji in silico: „Zamiast testować sto opcji w laboratorium… mogę testować dziesiątki tysięcy opcji in silico”, co może skrócić czas opracowywania leków o lata (a nawet miliardy dolarów) pharmavoice.com. Jego zdaniem AF3 pozwala skrócić typowy 10-letni proces rozwoju leku do 7 lat, przy niewielu wadach pharmavoice.com.
AF3 doskonale przewiduje interakcje podobne do leków. To pierwsza sztuczna inteligencja, która przewyższa narzędzia dokujące do wiązania białko–ligand: DeepMind informuje, że AF3 jest o 50% dokładniejszy na PoseBusters niż najlepsze tradycyjne metody, bez żadnych danych strukturalnych blog.googlelabiotech.eu. Modeluje także wiązanie przeciwciało–białko – kluczowe dla immunoterapii – z niespotykaną dotąd dokładnością blog.google. W praktyce partnerzy farmaceutyczni (za pośrednictwem Isomorphic Labs) już wykorzystują AF3 do rozwiązywania trudnych celów. Według DeepMind, Isomorphic Labs „pracuje nad projektowaniem leków zarówno dla projektów wewnętrznych, jak i z partnerami farmaceutycznymi”, wykorzystując AF3 do celowania w choroby, które wcześniej uważano za nieosiągalne blog.google.
Zastosowania wykraczają poza samo projektowanie cząsteczki leku. Ujawniając, jak cele i niepożądane cele wiążą się, AF3 pomaga przewidywać skutki uboczne. DeepMind zauważa, że AF3 pozwoli „zrozumieć, jak leki i związki oddziałują w całej komórce” – na przykład modelując enzym z cukrami, aby pomóc w opracowywaniu leków przeciwwirusowych blog.google. Połączenie AF3 z dużymi bazami danych białek otwiera również badania na skalę genomową: naukowcy mogą teraz mapować strukturę i interakcje praktycznie dowolnego produktu genu, co przyspiesza genomikę i medycynę spersonalizowaną blog.google.
Biologia syntetyczna, genomika i nie tylko
Szeroki zakres AlphaFold 3 oznacza, że znajduje zastosowanie w wielu dziedzinach. W biologii syntetycznej i inżynierii enzymów AF3 może wspierać projektowanie nowych białek i szlaków metabolicznych. Na przykład modelowanie interakcji białko–ligand i białko–białko umożliwia tworzenie niestandardowych enzymów (np. do biodegradacji lub biosyntezy) z precyzją atomową. DeepMind sugeruje, że AF3 może pomóc „rozwijać materiały biorenewalne i bardziej odporne uprawy” blog.google oraz zwalczać zaniedbane choroby poprzez modelowanie enzymów patogenów lub szkodników roślin. W rzeczywistości AF3 został już zastosowany do enzymu grzyba glebowego szkodzącego uprawom; jego przewidywanie może pomóc w opracowaniu roślin odpornych na choroby blog.google.
AF3 ma również szansę wspierać nauki podstawowe. Jak zauważają redaktorzy Nature, ta sztuczna inteligencja będzie „ważna zarówno w badaniach podstawowych, jak i odkrywaniu leków” nature.com. Biolodzy mogą jej używać do składania dużych maszyn molekularnych (takich jak rybosomy czy polimerazy) od podstaw, prowadząc eksperymenty, które wcześniej były nieosiągalne. Na przykład naukowcy użyli AF2 do modelowania części ogromnego ludzkiego kompleksu porów jądrowych nature.com; AF3 może teraz rozszerzyć to o modelowanie, jak białka porów wiążą DNA lub regulatory. W mikrobiologii AF3 powinien przyspieszyć zrozumienie interakcji wirus–gospodarz lub enzymów mikrobiomu, ponieważ potrafi przewidywać kompleksy z kwasami nukleinowymi i kofaktorami.
Eksperci podkreślają wszechstronność AF3. Dr Yvonne Tan z firmy biotechnologicznej Nuclera mówi, że AF3 „rozszerza swoje możliwości poza przewidywanie struktury pojedynczych białek, dostarczając szczegółowych i precyzyjnych informacji na temat złożonych interakcji molekularnych. Jednym z najbardziej ekscytujących osiągnięć jest zdolność przewidywania interakcji białko-białko… z wysoką precyzją, co daje naukowcom głębsze zrozumienie, jak białka tworzą kompleksy i realizują swoje funkcje biologiczne. AlphaFold3 rozszerza swoje możliwości przewidywania na interakcje białko-DNA, białko-RNA, białko-ligand oraz białko-mała cząsteczka” labiotech.eu. Krótko mówiąc, AF3 jest postrzegany jako platforma dla biologii cyfrowej – model bazowy do rozumienia i inżynierii chemii życia.
Współprace i organizacje
AlphaFold 3 jest produktem ekosystemu Google. Został opracowany przez DeepMind we współpracy z Isomorphic Labs, londyńską spółką zależną Alphabet zajmującą się odkrywaniem leków blog.google. Obie organizacje nadzoruje współzałożyciel Demis Hassabis reuters.com. To partnerstwo publiczno-prywatne odzwierciedla połączenie wiedzy z zakresu AI i przemysłu: DeepMind wnosi badania nad sztuczną inteligencją; Isomorphic Labs koncentruje się na zastosowaniach biomedycznych. Poprzez Isomorphic, AF3 jest wykorzystywany we wspólnych projektach z czołowymi firmami farmaceutycznymi (nieujawnionymi publicznie) do projektowania rzeczywistych terapii blog.googleblog.google.
AlphaFold 3 opiera się również na wcześniejszych współpracach. Baza danych AlphaFold 2, zawierająca ponad 200 milionów struktur białek (utrzymywana przez EMBL-EBI), będzie uzupełniać AF3, dostarczając punktów wyjścia. Nowy AlphaFold Server DeepMind (darmowe narzędzie online) został uruchomiony, aby udostępnić AF3 na całym świecie blog.google. Serwer ten pozwala naukowcom wprowadzać sekwencje białek lub DNA i uzyskiwać przewidywane struktury 3D oraz kompleksy w ciągu kilku minut, obniżając barierę dla laboratoriów bez dużych zasobów obliczeniowych reuters.com, blog.google. DeepMind rozszerza także działania edukacyjne: współpracuje z EMBL-EBI i innymi grupami, aby szkolić naukowców (szczególnie z Globalnego Południa) w korzystaniu z tych narzędziblog.google.
Środowisko akademickie jest również głęboko zaangażowane. Badania nad AF3 zostały opublikowane w Nature (Abramson et al., 2024), a na liście autorów znaleźli się przedstawiciele DeepMind, Isomorphic, środowiska akademickiego (np. laboratoria Serpentine z Oksfordu) oraz firm farmaceutycznych (w tym liderzy z GlaxoSmithKline i AstraZeneca). Po publikacji DeepMind odpowiedział na apele naukowców i udostępnił kod modelu AF3 oraz wagi do niekomercyjnego użytku akademickiegoblog.googlenature.com. (Redakcja Nature prowadziła na ten temat dyskusję, zauważając, że pseudokod AF3 był kompromisem umożliwiającym recenzję naukową przy jednoczesnej pracy nad głównie prywatnym projektem B+R nature.com.)
Komentarze i analizy ekspertów
Liderzy w dziedzinie AI i biotechnologii są jednogłośnie entuzjastyczni wobec AlphaFold 3. John Jumper z DeepMind (współtwórca AF) podkreśla dostępność narzędzia: „To będzie naprawdę ważne, jak bardzo serwer AlphaFold ułatwi biologom – którzy są ekspertami w biologii, a nie informatyce – testowanie większych, bardziej złożonych przypadków” reuters.com. Demis Hassabis podkreśla praktyczny wpływ: AF3 pozwala naukowcom „zaprojektować cząsteczkę, która zwiąże się w określonym miejscu na białku, a my możemy przewidzieć, jak silnie się zwiąże” reuters.com, co „jest kluczowym krokiem” w projektowaniu leków.
Eksperci branżowi również określają AF3 jako rewolucyjny. Patrick Bangert (Searce) nazywa to „wynalazkiem godnym Nagrody Nobla” pharmavoice.com i oczekuje, że dramatycznie skróci czas wprowadzenia leków na rynek. Jego zdaniem, znalezienie terapii kiedyś wymagało lat prób i błędów, ale AF3 pozwala na natychmiastowe przeszukanie „dziesiątek tysięcy opcji” pharmavoice.com. Bangert zauważa nawet, że model praktycznie nie ma wad, ponieważ wszelkie błędy pojawiają się na wczesnym etapie rozwoju, zanim rozpoczną się kosztowne badania kliniczne pharmavoice.com. Dr Nicole Wheeler (Uniwersytet w Birmingham) wskazuje, że AF3 bezpośrednio rozwiązuje największe wąskie gardło w biotechnologii: walidację eksperymentalną, umożliwiając badaczom szybkie testowanie hipotez in silico reuters.com.
Analitycy akademiccy również są entuzjastycznie nastawieni. Podcast Nature zauważa, że naukowcy są „podekscytowani [większym zakresem możliwości predykcyjnych AF3 i perspektywą szybszego odkrywania leków” nature.com. Analiza PharmaVoice odnotowuje, że premiera AF3 została przyjęta jako „przełomowa” i mająca ogromny potencjał komercyjny pharmavoice.com. Sam DeepMind pisze, że AF3 „ujawnia, jak [cząsteczki] łączą się ze sobą” w całej swojej złożoności, wprowadzając świat biologii „w wysokiej rozdzielczości” blog.google. Eksperci podkreślają, że przewidywania AF3 – obejmujące białka związane z DNA, cukrami, jonami itp. – stworzą „nowe hipotezy do przetestowania w laboratorium” i przyspieszą innowacje w całej biologii blog.googlelabiotech.eu.
Jednocześnie badacze zauważają ograniczenia. Korzystanie z AF3 nadal wymaga wiedzy biologicznej i danych. Jak ostrzega Labiotech, „AlphaFold3 nadal wymaga, aby ktoś miał stosunkowo dobrą znajomość biologii, aby skutecznie z niego korzystać”, a każda przewidywana struktura „musi zostać wytworzona lub wyizolowana w laboratorium” labiotech.eu. Społeczność przypomina sobie również debatę na temat otwartości: redakcja Nature przyznaje, że pojawiły się obawy, iż AF3 początkowo został opublikowany tylko z pseudokodem (bez pełnego kodu) nature.com. Na szczęście DeepMind od tego czasu udostępnił model środowisku akademickiemu i nadal konsultuje się z ekspertami w sprawie bezpiecznego wdrażania blog.google.
Podsumowując, eksperci zgadzają się, że AlphaFold 3 to przełomowy postęp. Dzięki uchwyceniu niespotykanego dotąd zakresu interakcji biomolekularnych, technologia ta obiecuje napędzać nowe odkrycia w medycynie, biologii syntetycznej i nie tylko. Jak ujęto to w jednym z ogłoszeń Google, dopiero „widząc, jak [białka, DNA i inne cząsteczki] oddziałują ze sobą… możemy zacząć naprawdę rozumieć procesy życiowe” blog.google. To nowe okno AI na biologię komórki – chwalone przez naukowców na całym świecie – ma szansę zmienić sposób, w jaki badamy i projektujemy systemy żywe.
Źródła: Najnowsze publikacje i komentarze dotyczące AlphaFold 3 blog.google, nature.com, reuters.com, nature.com, statnews.com, pharmavoice.com, labiotech.eu, w tym ogłoszenia DeepMind/Isomorphic Labs, Nature, Science/raporty Reuters oraz wypowiedzi ekspertów. Wszystkie fakty i cytaty pochodzą z tych źródeł.
