Nowy model sztucznej inteligencji OpenFold3 znacznie rozszerza dostęp do potężnego narzędzia do przewidywania interakcji białek z innymi cząsteczkami, torując drogę do szybszego opracowywania leków i lepszego zrozumienia procesów biologicznych. Zbudowany jako otwarta rekonstrukcja AlphaFold3 firmy Google DeepMind, rozwój ten jest ważnym krokiem w kierunku demokratyzacji wcześniej ograniczonej technologii.
Dystrybucja OpenFold3: reakcja na ograniczony dostęp
AlphaFold3, wydany w październiku 2023 r., stanowi znaczący postęp w dziedzinie sztucznej inteligencji, umożliwiając przewidywanie interakcji białek nie tylko z innymi białkami, ale także z małymi cząsteczkami, takimi jak te znajdujące się w lekach i kwasach nukleinowych. Jednak DeepMind początkowo ograniczył dostęp do AlphaFold3 osobom fizycznym, organizacjom non-profit i dziennikarzom, utrudniając szersze badania naukowe. Zdając sobie sprawę z potrzeby przejrzystości i szerszej współpracy, konsorcjum naukowców pod przewodnictwem Muhammada Al-Quraishi Z Columbia University starannie odtworzyło platformę AlphaFold3, w wyniku czego powstał OpenFold3. Ten model open source umożliwia firmom i badaczom wykorzystanie technologii do celów komercyjnych, w tym krytycznych wysiłków na rzecz opracowywania leków.
Dlaczego przewidywanie interakcji białek ma znaczenie
Zrozumienie, w jaki sposób białka oddziałują ze sobą i innymi cząsteczkami, ma fundamentalne znaczenie dla biologii. Białka są końmi roboczymi komórek, a ich funkcja zależy w dużej mierze od ich kształtu. “Biologia nie jest białkami w izolacji. Są to biomolekuły oddziałujące ze sobą ” – wyjaśnia Woody Sherman, założyciel i dyrektor ds. innowacji w Psivant Therapeutics oraz przewodniczący Komitetu Wykonawczego OpenFold. Przewidywanie tych interakcji jest kluczowym krokiem w opracowywaniu leków, umożliwiając naukowcom identyfikację potencjalnych celów leków i opracowanie cząsteczek, które skutecznie wiążą się i modulują aktywność białek.
Lekcje wyciągnięte z AlphaFold2
Stworzenie OpenFold2 dostarczyło cennych informacji na temat wewnętrznego działania modeli sztucznej inteligencji typu AlphaFold. Początkowo wyobrażany jako algorytm, który uczy się składania białek na podstawie sekwencji aminokwasów, badania wykazały, że AlphaFold2 zasadniczo “zapamiętuje” wcześniej zaobserwowane struktury białek i wykorzystuje te wspomnienia do przewidywania struktur podobnych białek. Zastosowanie tej wiedzy do AlphaFold3 może otworzyć podobne możliwości zrozumienia kombinacji białko-lek, prowadząc do poprawy dokładności prognozowania. Stephanie Vankovwich, biochemik strukturalny zajmujący się strukturą komputerową na Uniwersytecie Vanderbilt, podkreśla znaczenie przejrzystości kodu, stwierdzając, że “trudno jest ocenić produkt obliczeniowy bez patrzenia na oryginalne dane”.
Trudności z odtwarzaniem
Chociaż inne zespoły próbowały odtworzyć AlphaFold3, osiągnięcie wysokiej dokładności okazało się wyzwaniem. Wynika to głównie z subtelnych “sztuczek i ulepszeń” używanych przez twórców AlphaFold3, które nie są wyraźnie udokumentowane w kodzie lub materiałach towarzyszących. Sherman podkreśla znaczenie tych szczegółów, zauważając ,że”nikt na to nie wskazuje… ale szczegóły mają znaczenie, zwłaszcza gdy pracujesz z większymi modelami i dużą ilością danych”. Zespół OpenFold3 przyznaje, że istnieją pewne różnice między ich modelem a oryginalnym AlphaFold3.
Wyjście poza struktury statyczne: Integracja rzeczywistości biologicznej
Obecne modele sztucznej inteligencji, w tym AlphaFold3 i OpenFold3, generują statyczne obrazy białek. Jednak w żywych komórkach białka są otoczone wodą i jonami, nieustannie wibrują i poruszają się. Zespół OpenFold3 stara się włączyć te dynamiczne czynniki do swojego modelu, zapewniając bardziej realistyczny obraz zachowania białek w ich naturalnym środowisku.
Wspólne uczenie się w celu poprawy skuteczności opracowywania leków
Jeszcze przed oficjalnym wydaniem OpenFold3 zyskał popularność w branży farmaceutycznej. Pięć firm połączyło siły poprzez inicjatywę Federated OpenFold3, aby szkolić model sztucznej inteligencji przy użyciu zastrzeżonych zestawów danych, starając się stworzyć potężniejsze i bardziej wyspecjalizowane narzędzie predykcyjne, jednocześnie chroniąc poufne informacje. To podejście oparte na współpracy pokazuje potencjał OpenFold3 do przyspieszenia wysiłków na rzecz opracowywania leków poprzez wykorzystanie wiedzy branżowej. Obecnie tylko niewielka część struktur białkowych w publicznie dostępnych bazach danych jest związana z cząsteczkami, które mają właściwości leków, lukę, którą inicjatywa ma nadzieję wypełnić.
Stopniowy wpływ na rozwój leków
Chociaż OpenFold3 obiecuje wiele, eksperci ostrzegają przed oczekiwaniem natychmiastowych, rewolucyjnych zmian w opracowywaniu leków. “To będzie kolejna faza, kolejna faza i kolejna faza, w której naprawdę zaczniemy dostrzegać znaczący wpływ” – podsumowuje Sherman. OpenFold3 służy jako ważny punkt wyjścia do postępów w tej dziedzinie, wzmacniając naukowców i przyspieszając rozwój nowych i skutecznych metod leczenia.
