Нова модель штучного інтелекту OpenFold3 значно розширює доступ до потужного інструменту для прогнозування взаємодії білків з іншими молекулами, відкриваючи шлях до прискорення розробки ліків та кращого розуміння біологічних процесів. Побудована як відкрита реконструкція AlphaFold3 від Google DeepMind, ця розробка є важливим кроком до демократизації раніше обмеженої технології.
Розповсюдження OpenFold3: реакція на обмежений доступ
AlphaFold3, випущений у жовтні 2023 року, є значним прогресом у галузі штучного інтелекту, що дозволяє прогнозувати, як білки взаємодіють не тільки з іншими білками, але і з невеликими молекулами, такими як ті, що містяться в ліках та нуклеїнових кислотах. Однак DeepMind спочатку обмежив доступ до AlphaFold3 окремим особам, некомерційним організаціям та журналістам, що перешкоджало більш широкому науковому дослідженню. Усвідомлюючи необхідність прозорості та ширшої співпраці, Консорціум дослідників на чолі з Мухаммедом Аль-Курайші з Колумбійського університету старанно відтворив платформу AlphaFold3, в результаті чого З’явився OpenFold3. Ця модель з відкритим кодом дозволяє компаніям та дослідникам використовувати технологію в комерційних цілях, включаючи критичні зусилля з розробки ліків.
Чому прогнозування взаємодії білків має значення
Розуміння того, як білки взаємодіють між собою та з іншими молекулами, є фундаментальним для біології. Білки-це робочі коні клітин, і їх функція багато в чому залежить від їх форми. “Біологія-це не білки в ізоляції. Це біомолекули, які взаємодіють один з одним”, – пояснює Вуді Шерман, засновник і директор з інновацій компанії Psivant Therapeutics і голова виконавчого комітету OpenFold. Прогнозування цих взаємодій є критичним кроком у розробці ліків, що дозволяє дослідникам виявляти потенційні мішені для лікарських засобів та розробляти молекули, які ефективно зв’язуються та модулюють активність білків.
Уроки, отримані з AlphaFold2
Створення OpenFold2 дало цінні уявлення про внутрішню роботу моделей штучного інтелекту типу AlphaFold. Спочатку представлялася як алгоритм, який вчиться складатися білків на основі послідовності амінокислот, дослідження показали, що AlphaFold2 в основному «запам’ятовує» раніше спостерігаються структури білків і використовує ці спогади для прогнозування структур схожих білків. Застосування цих знань до AlphaFold3 може відкрити подібні можливості для розуміння комбінацій білок-ліки, що призведе до поліпшення точності прогнозування. Стефані Ванковвіч, структурний біохімік, що займається комп’ютерною структурою в університеті Вандербільта, підкреслює важливість прозорості коду, заявляючи, що «важко оцінити обчислювальний продукт без перегляду вихідних даних».
Труднощі відтворення
Хоча інші команди намагалися відтворити AlphaFold3, досягнення високої точності виявилося складним завданням. В основному це пов’язано з тонкими «хитрощами та вдосконаленнями», які використовують творці AlphaFold3, які явно не задокументовані в коді чи супровідних матеріалах. Шерман наголошує на важливості цих деталей, зазначаючи, що «ніхто не вказує на це… але деталі мають значення, особливо коли ви працюєте з великими моделями та з великою кількістю даних». Команда OpenFold3 визнає, що між їх моделлю та оригінальною AlphaFold3 залишаються деякі відмінності.
Вихід за межі статичних структур: інтеграція біологічної реальності
Сучасні моделі штучного інтелекту, включаючи AlphaFold3 та OpenFold3, генерують статичні зображення білків. Однак в живих клітинах білки оточені водою і іонами, постійно вібрують і рухаються. Команда OpenFold3 прагне включити ці динамічні фактори у свою модель, надаючи більш реалістичне уявлення про те, як білки поводяться у своєму природному середовищі.
Спільне навчання для підвищення ефективності розробки ліків
Ще до офіційного випуску OpenFold3 набув популярності у фармацевтичній галузі. П’ять компаній об’єднали зусилля через ініціативу Federated OpenFold3 для навчання моделі штучного інтелекту, використовуючи запатентовані набори даних, прагнучи створити більш потужний і спеціалізований інструмент прогнозування, захищаючи при цьому конфіденційну інформацію. Цей спільний підхід демонструє потенціал OpenFold3 для прискорення зусиль з розробки ліків шляхом використання галузевих знань. В даний час лише невелика частина структур білків у загальнодоступних базах даних пов’язана з молекулами, що володіють властивостями ліків, — цю прогалину ініціатива сподівається заповнити.
Поступовий вплив на розробку ліків
Хоча OpenFold3 і обіцяє багато чого, експерти застерігають від очікування негайних, революційних змін в розробці ліків. “Це буде наступний етап, і наступний етап, і наступний етап, на якому ми дійсно почнемо бачити значний вплив», — підсумовує Шерман. OpenFold3 служить важливою відправною точкою для досягнень у цій галузі, розширюючи можливості дослідників та прискорюючи розробку нових та ефективних методів лікування.
