Un nuovo modello di intelligenza artificiale, OpenFold3, sta espandendo in modo significativo l’accesso a un potente strumento per prevedere come le proteine interagiscono con altre molecole, aprendo la strada alla scoperta accelerata di farmaci e a una migliore comprensione dei processi biologici. Costruito come una ricostruzione open-source di AlphaFold3 di Google DeepMind, questo sviluppo segna un passo cruciale verso la democratizzazione di una tecnologia precedentemente limitata.
L’ascesa di OpenFold3: una risposta all’accesso limitato
AlphaFold3, pubblicato nell’ottobre 2023, rappresenta un significativo progresso nell’intelligenza artificiale, consentendo previsioni su come le proteine interagiscono non solo con altre proteine, ma anche con piccole molecole come quelle presenti nei farmaci e negli acidi nucleici. Tuttavia, DeepMind inizialmente limitò l’accesso ad AlphaFold3 a individui, organizzazioni non commerciali e giornalisti, ostacolando una più ampia esplorazione scientifica. Riconoscendo la necessità di trasparenza e di una collaborazione più ampia, un consorzio di ricercatori guidato da Mohammed AlQuraishi della Columbia University ha ricreato scrupolosamente la piattaforma AlphaFold3, dando vita a OpenFold3. Questo modello open-source consente alle aziende e ai ricercatori di utilizzare la tecnologia per scopi commerciali, compresi gli sforzi cruciali per lo sviluppo di farmaci.
Perché predire le interazioni proteiche è importante
Capire come le proteine interagiscono tra loro e con altre molecole è fondamentale per la biologia. Le proteine sono i cavalli da lavoro delle cellule e la loro funzione è fortemente influenzata dalla loro forma. “La biologia non è proteine isolate. Sono biomolecole che interagiscono tra loro”, spiega Woody Sherman, fondatore e chief Innovation officer di Psivant Therapeutics e presidente del comitato esecutivo di OpenFold. Prevedere queste interazioni è un passo fondamentale nella progettazione dei farmaci, consentendo ai ricercatori di identificare potenziali bersagli farmacologici e sviluppare molecole che si legano efficacemente e modulano l’attività delle proteine.
Lezioni apprese da AlphaFold2
La creazione di OpenFold2 ha fornito preziose informazioni sul funzionamento interno dei modelli AI in stile AlphaFold. Mentre inizialmente presentato come un algoritmo che impara come le proteine si piegano sulla base di sequenze di aminoacidi, la ricerca ha rivelato che AlphaFold2 principalmente “memorizza” strutture proteiche precedentemente osservate e utilizza quei ricordi per prevedere le strutture di proteine simili. L’applicazione di questa comprensione ad AlphaFold3 potrebbe sbloccare le simili comprensioni negli accoppiamenti della proteina-droga, piombo all’accuratezza migliore di previsione. Stephanie Wankowicz, biologa strutturale computazionale presso la Vanderbilt University, sottolinea l’importanza della trasparenza del codice, affermando che è “difficile valutare un prodotto computazionale senza vedere le informazioni grezze.”
Le sfide della replica
Mentre altri team hanno tentato di replicare AlphaFold3, raggiungere un’alta precisione si è rivelato difficile. Ciò è in gran parte dovuto ai sottili “trucchi e modifiche” impiegati dai creatori di AlphaFold3 che non sono esplicitamente documentati nel codice o nei materiali di supporto. Sherman sottolinea il significato di questi dettagli, notando che “Nessuno lo specifica Nobody ma i dettagli contano, specialmente quando hai a che fare con modelli di grandi dimensioni e con molti dati.”Il team di OpenFold3 riconosce che rimangono alcune differenze tra il loro modello e l’originale AlphaFold3.
Andare oltre le strutture statiche: incorporare realtà biologiche
Gli attuali modelli di intelligenza artificiale, tra cui AlphaFold3 e OpenFold3, generano immagini statiche di proteine. Tuttavia, nelle cellule viventi, le proteine sono circondate da acqua e ioni, costantemente vibranti e in movimento. Il team di OpenFold3 mira a incorporare questi fattori dinamici nel loro modello, fornendo una rappresentazione più realistica di come le proteine si comportano nel loro ambiente naturale.
Formazione collaborativa per una maggiore scoperta di farmaci
Anche prima della sua uscita ufficiale, OpenFold3 ha guadagnato trazione all’interno dell’industria farmaceutica. Cinque aziende hanno unito le forze attraverso l’iniziativa federata OpenFold3 per addestrare il modello di intelligenza artificiale utilizzando set di dati proprietari, con l’obiettivo di costruire uno strumento di previsione più potente e specializzato proteggendo al contempo le informazioni riservate. Questo approccio collaborativo dimostra il potenziale di OpenFold3 per accelerare gli sforzi di scoperta di farmaci sfruttando le conoscenze specifiche del settore. Attualmente, solo una piccola percentuale di strutture proteiche nei database disponibili pubblicamente sono accoppiate con molecole con proprietà simili ai farmaci, una lacuna che questa iniziativa spera di colmare.
Un impatto graduale sulla scoperta di farmaci
Mentre OpenFold3 offre enormi promesse, gli esperti mettono in guardia dall’aspettarsi cambiamenti immediati e rivoluzionari nella scoperta di farmaci. “Sarà la prossima fase, e la prossima fase e la prossima fase che sono dove stiamo davvero andando a vedere che l’impatto significativo,” Sherman conclude. OpenFold3 funge da punto di partenza fondamentale per i progressi nel campo, potenziando i ricercatori e accelerando lo sviluppo di terapie nuove ed efficaci.
