Ein neues KI-Modell, OpenFold3, erweitert den Zugang zu einem leistungsstarken Werkzeug zur Vorhersage der Interaktion von Proteinen mit anderen Molekülen erheblich und ebnet den Weg für eine beschleunigte Wirkstoffentdeckung und ein besseres Verständnis biologischer Prozesse. Diese Entwicklung wurde als Open-Source-Rekonstruktion von Google DeepMinds AlphaFold3 entwickelt und markiert einen entscheidenden Schritt zur Demokratisierung einer zuvor eingeschränkten Technologie.
Der Aufstieg von OpenFold3: Eine Antwort auf eingeschränkten Zugriff
AlphaFold3, veröffentlicht im Oktober 2023, stellt einen bedeutenden Fortschritt in der künstlichen Intelligenz dar und ermöglicht Vorhersagen darüber, wie Proteine nicht nur mit anderen Proteinen interagieren, sondern auch mit kleinen Molekülen, wie sie in Medikamenten und Nukleinsäuren vorkommen. DeepMind beschränkte jedoch zunächst den Zugang zu AlphaFold3 auf Einzelpersonen, nichtkommerzielle Organisationen und Journalisten, was eine breitere wissenschaftliche Erforschung behinderte. In Anerkennung der Notwendigkeit von Transparenz und umfassenderer Zusammenarbeit hat ein Forscherkonsortium unter der Leitung von Mohammed AlQuraishi von der Columbia University die AlphaFold3-Plattform sorgfältig nachgebildet, was zu OpenFold3 führte. Dieses Open-Source-Modell ermöglicht es Unternehmen und Forschern, die Technologie für kommerzielle Zwecke zu nutzen, einschließlich entscheidender Bemühungen in der Arzneimittelentwicklung.
Warum die Vorhersage von Proteininteraktionen wichtig ist
Zu verstehen, wie Proteine miteinander und mit anderen Molekülen interagieren, ist für die Biologie von grundlegender Bedeutung. Proteine sind die Arbeitspferde von Zellen, und ihre Funktion wird stark von ihrer Form beeinflusst. “Biologie besteht nicht aus isolierten Proteinen. Es sind Biomoleküle, die miteinander interagieren”, erklärt Woody Sherman, Gründer und Chief Innovation Officer bei Psivant Therapeutics und Vorsitzender des OpenFold Executive Committee. Die Vorhersage dieser Wechselwirkungen ist ein kritischer Schritt beim Wirkstoffdesign, der es Forschern ermöglicht, potenzielle Wirkstoffziele zu identifizieren und Moleküle zu entwickeln, die effektiv an die Proteinaktivität binden und diese modulieren.
Lehren aus AlphaFold2
Die Erstellung von OpenFold2 lieferte wertvolle Einblicke in das Innenleben von KI-Modellen im AlphaFold-Stil. Während es ursprünglich als Algorithmus vorgestellt wurde, der lernt, wie sich Proteine basierend auf Aminosäuresequenzen falten, ergab die Forschung, dass AlphaFold2 sich in erster Linie zuvor beobachtete Proteinstrukturen “merkt” und diese Erinnerungen verwendet, um die Strukturen ähnlicher Proteine vorherzusagen. Die Anwendung dieses Verständnisses auf AlphaFold3 könnte ähnliche Einblicke in Protein-Wirkstoff-Paarungen ermöglichen, was zu einer verbesserten Vorhersagegenauigkeit führt. Stephanie Wankowicz, eine computergestützte Strukturbiologin an der Vanderbilt University, hebt die Bedeutung der Code-Transparenz hervor und erklärt, dass es “schwierig ist, ein Computerprodukt zu bewerten, ohne die Rohinformationen zu sehen.”
Die Herausforderungen der Replikation
Während andere Teams versucht haben, AlphaFold3 zu replizieren, hat sich das Erreichen einer hohen Präzision als schwierig erwiesen. Dies liegt hauptsächlich an den subtilen “Tricks und Optimierungen” der AlphaFold3-Entwickler, die nicht explizit im Code oder in den unterstützenden Materialien dokumentiert sind. Sherman betont die Bedeutung dieser Details und merkt an, dass “niemand das spezifiziert … aber Details sind wichtig, besonders wenn Sie mit großen Modellen und vielen Daten zu tun haben.” Das OpenFold3-Team erkennt an, dass einige Unterschiede zwischen ihrem Modell und dem ursprünglichen AlphaFold3 bestehen.
Über statische Strukturen hinausgehen: Biologische Realitäten einbeziehen
Aktuelle KI-Modelle, darunter AlphaFold3 und OpenFold3, erzeugen statische Bilder von Proteinen. In lebenden Zellen sind Proteine jedoch von Wasser und Ionen umgeben, die ständig vibrieren und sich bewegen. Das OpenFold3-Team zielt darauf ab, diese dynamischen Faktoren in ihr Modell einzubeziehen, um eine realistischere Darstellung des Verhaltens von Proteinen in ihrer natürlichen Umgebung zu erhalten.
Kollaboratives Training für verbesserte Wirkstoffforschung
Schon vor seiner offiziellen Veröffentlichung hat OpenFold3 in der Pharmaindustrie Fuß gefasst. Fünf Unternehmen haben sich im Rahmen der föderierten OpenFold3-Initiative zusammengeschlossen, um das KI-Modell mithilfe proprietärer Datensätze zu trainieren, um ein leistungsfähigeres und spezialisierteres Vorhersagewerkzeug zu entwickeln und gleichzeitig vertrauliche Informationen zu schützen. Dieser kollaborative Ansatz zeigt das Potenzial von OpenFold3, die Wirkstoffforschung durch die Nutzung branchenspezifischer Kenntnisse zu beschleunigen. Derzeit ist nur ein kleiner Prozentsatz der Proteinstrukturen in öffentlich zugänglichen Datenbanken mit Molekülen mit arzneimittelähnlichen Eigenschaften gepaart, eine Lücke, die diese Initiative zu schließen hofft.
Ein allmählicher Einfluss auf die Wirkstoffentdeckung
Während OpenFold3 ein enormes Versprechen bietet, warnen Experten davor, sofortige, revolutionäre Veränderungen in der Wirkstoffforschung zu erwarten. “Es wird die nächste Stufe sein, und die nächste Stufe und die nächste Stufe, in der wir wirklich anfangen werden, diese bedeutungsvollen Auswirkungen zu sehen”, schließt Sherman. OpenFold3 dient als wichtiger Ausgangspunkt für Fortschritte auf diesem Gebiet, befähigt Forscher und beschleunigt die Entwicklung neuer und wirksamer Therapien.
