Een nieuw AI-model, OpenFold3, breidt de toegang tot een krachtig hulpmiddel voor het voorspellen van hoe eiwitten interageren met andere moleculen aanzienlijk uit, waardoor de weg wordt vrijgemaakt voor versnelde geneesmiddelenontdekking en een beter begrip van biologische processen. Gebouwd als een open-source reconstructie van Google DeepMind ‘ s AlphaFold3, markeert deze ontwikkeling een cruciale stap in de richting van het democratiseren van een eerder Beperkte technologie.
De opkomst van OpenFold3: een reactie op beperkte toegang
AlphaFold3, uitgebracht in oktober 2023, vertegenwoordigt een belangrijke vooruitgang in kunstmatige intelligentie, waardoor voorspellingen mogelijk zijn over hoe eiwitten niet alleen met andere eiwitten interageren, maar ook met kleine moleculen zoals die in geneesmiddelen en nucleïnezuren. DeepMind beperkte echter aanvankelijk de toegang tot AlphaFold3 tot individuen, niet-commerciële organisaties en journalisten, waardoor bredere wetenschappelijke verkenning werd belemmerd. Een consortium van onderzoekers onder leiding van Mohammed AlQuraishi aan de Columbia University erkende de noodzaak van transparantie en bredere samenwerking en creëerde het AlphaFold3-platform zorgvuldig opnieuw, wat resulteerde in OpenFold3. Dit open-source model stelt bedrijven en onderzoekers in staat om de technologie te gebruiken voor commerciële doeleinden, inclusief cruciale inspanningen voor geneesmiddelenontwikkeling.
Why Predicting Protein Interactions Matters
Het begrijpen van hoe eiwitten met elkaar en met andere moleculen in wisselwerking staan, is fundamenteel voor de biologie. Eiwitten zijn de werkpaarden van cellen en hun functie wordt sterk beïnvloed door hun vorm. “Biologie is geen eiwitten in isolatie. Het zijn biomoleculen die met elkaar interageren”, legt Woody Sherman uit, oprichter en chief innovation officer bij Psivant Therapeutics en voorzitter van het openfold executive committee. Het voorspellen van deze interacties is een cruciale stap in het ontwerp van geneesmiddelen, waardoor onderzoekers potentiële geneesmiddeldoelen kunnen identificeren en moleculen kunnen ontwikkelen die effectief binden aan en de eiwitactiviteit moduleren.
Lessen geleerd van AlphaFold2
De creatie van OpenFold2 leverde waardevolle inzichten in de innerlijke werking van AlphaFold-achtige AI-modellen. Hoewel het aanvankelijk werd gepresenteerd als een algoritme dat leert hoe eiwitten vouwen op basis van aminozuursequenties, onthulde onderzoek dat AlphaFold2 in de eerste plaats eerder waargenomen eiwitstructuren “memoriseert” en die herinneringen gebruikt om de structuren van vergelijkbare eiwitten te voorspellen. Het toepassen van dit begrip op AlphaFold3 zou vergelijkbare inzichten in eiwit-geneesmiddelparen kunnen ontsluiten, wat leidt tot een verbeterde voorspellingsnauwkeurigheid. Stephanie Wankowicz, een computationele structurele bioloog aan de Vanderbilt University, benadrukt het belang van code transparantie, waarin staat dat het “moeilijk is om een computationeel product te evalueren zonder de ruwe informatie te zien.”
De uitdagingen van replicatie
Terwijl andere teams hebben geprobeerd AlphaFold3 te repliceren, is het moeilijk gebleken om hoge precisie te bereiken. Dit is grotendeels te wijten aan de subtiele “trucs en tweaks” die door de alphafold3-makers worden gebruikt en die niet expliciet zijn gedocumenteerd in de code of het ondersteunende materiaal. Sherman benadrukt de Betekenis van deze details, en merkt op dat “niemand dat specificeert… maar details zijn belangrijk, vooral als je te maken hebt met grote modellen en met veel gegevens.”Het OpenFold3-team erkent dat er nog enkele verschillen zijn tussen hun model en de originele AlphaFold3.
Moving Beyond Static Structures: Incorporating Biological Realities
Huidige AI-modellen, waaronder AlphaFold3 en OpenFold3, genereren statische beelden van eiwitten. In levende cellen worden eiwitten echter omringd door water en ionen, die voortdurend trillen en bewegen. Het OpenFold3-team wil deze dynamische factoren in hun model opnemen en een realistischer beeld geven van hoe eiwitten zich in hun natuurlijke omgeving gedragen.
Collaboratieve Training voor verbeterde Geneesmiddelenontdekking
Zelfs voor de officiële release kreeg OpenFold3 aan populariteit in de farmaceutische industrie. Vijf bedrijven hebben hun krachten gebundeld via het Federated OpenFold3-initiatief om het AI-model te trainen met behulp van eigen datasets, met als doel een krachtiger en specialer voorspellingsinstrument te bouwen en tegelijkertijd vertrouwelijke informatie te beschermen. Deze samenwerkingsbenadering toont het potentieel van OpenFold3 aan om de inspanningen op het gebied van geneesmiddelenontdekking te versnellen door gebruik te maken van branchespecifieke kennis. Momenteel is slechts een klein percentage van de eiwitstructuren in openbaar beschikbare databases gekoppeld aan moleculen met geneesmiddelachtige eigenschappen, een kloof die dit initiatief hoopt te overbruggen.
A Gradual Impact on Drug Discovery
Hoewel OpenFold3 een enorme belofte biedt, waarschuwen experts tegen het verwachten van onmiddellijke, revolutionaire veranderingen in geneesmiddelenontdekking. “Het wordt de volgende fase, en de volgende fase en de volgende fase waarin we echt die betekenisvolle impact gaan zien”, besluit Sherman. OpenFold3 dient als een essentieel uitgangspunt voor vooruitgang in het veld, het versterken van onderzoekers en het versnellen van de ontwikkeling van nieuwe en effectieve therapieën.
