AlphaFold 3 дає поштовх для відкриття нових ліків

Isomorphic Labs та Google DeepMind спільно представили передову систему штучного інтелекту AlphaFold 3, яка використовує нову архітектуру на основі дифузії для точного моделювання структур різних біомолекулярних комплексів, включаючи білки, нуклеїнові кислоти, ланцюги ДНК і РНК, малі молекули, іони та модифіковані залишки.

Цей інноваційний підхід використовує дифузійні моделі, тип генеративних моделей, відомий своєю винятковою ефективністю в таких задачах, як генерація зображень і відео.

AlphaFold 3 являє собою значну еволюцію порівняно зі своїм попередником, особливо в його здатності передбачати вихідні координати окремих атомів у біомолекулярних комплексах. Цей відхід від білково-орієнтованої архітектури AlphaFold 2 знаменує собою значний прогрес у точному моделюванні складних біомолекулярних структур.

Під час пресбрифінгу Деміс Хассабіс, генеральний директор DeepMind Technologies, підкреслив важливість розвитку AlphaFold. AlphaFold 2 відіграла ключову роль у створенні статичної картини білків, що дозволило структурним біологам перейти від прогнозування амінокислотних послідовностей до визначення тривимірних білкових структур. Цей прорив сприяв критично важливим дослідженням, таким як визначення структури великих білкових комплексів, таких як комплекс ядерних пор і білок туберкульозу Mce1.

AlphaFold 3 спирається на фундамент цих досліджень, звертаючись до динамічності, притаманної біологічним системам. Він може моделювати не тільки взаємодію білка з іншими білками, але й взаємодію з ДНК, РНК та лігандами, що є надзвичайно важливою можливістю для відкриття нових ліків.

Щоб полегшити впровадження AlphaFold 3, Google DeepMind запускає AlphaFold Server – зручний інструмент, призначений для некомерційних дослідників. Цей інструмент дозволяє біологам швидко і точно генерувати складні білкові структури, що раніше було складним завданням.

Одним з ключових досягнень AlphaFold 3 є його архітектура глибокого навчання на основі дифузії, яка безпосередньо моделює генерацію атомних координат. Такий підхід забезпечує високоточне моделювання різних біомолекулярних взаємодій без необхідності глибокої спеціалізації.

Для розв’язання таких проблем, як галюцинації, коли моделі генерують неточні структури, AlphaFold 3 використовує методи перехресної дистиляції та вдосконалені методи навчання. Ці стратегії дозволяють моделі вчитися на успіхах і невдачах своїх попередників, що призводить до більш надійних прогнозів.

Здатність AlphaFold 3 передбачати білок-лігандні взаємодії з винятковою точністю має величезний потенціал для революційного відкриття ліків. Надійно прогнозуючи ділянки зв’язування та оптимальні форми для потенційних молекул ліків, AlphaFold 3 спрощує процес розробки ліків, потенційно скорочуючи час і витрати, пов’язані з експериментальними методами.

Прихильність DeepMind до відкритої науки проявляється в рішенні зробити методологію, код і передбачені структури білків AlphaFold 3 вільно доступними. Ця ініціатива сприяє співпраці та обміну знаннями в науковій спільноті, прискорюючи наукові відкриття та розвиток фармацевтики в усьому світі.

Таким чином, AlphaFold 3 є важливою віхою в структурній біології, керованій штучним інтелектом, пропонуючи безпрецедентні можливості для моделювання біомолекулярних взаємодій і надаючи цінну інформацію для наукових досліджень і розробки ліків.