Valóra vált a gyógyszerkutatók álma: a Google új algoritmusa, az AlphaFold3 már hatóanyagok modellezésére is képes

A Google DeepMind és az Isomorphic Labs május elején bemutatta az AlphaFold3 nevű mesterséges intelligenciát (AI), amiről azt állítják, hogy példátlan pontossággal állapítja meg az élethez nélkülözhetetlen molekulák térbeli szerkezetét és a köztük lejátszódó kölcsönhatásokat. Az új algoritmus a vállalatok reményei szerint átalakíthatja a gyógyszerkutatást, valamint elmélyítheti a biológiai folyamatokról meglévő ismereteinket.

Az AlphaFold3 algoritmus a 2-es számú elődjétől eltérően már nemcsak fehérjék háromdimenziós modellezésére képes, hanem a DNS és az RNS szerkezetét is meg tudja határozni, továbbá azt is, hogy miként kötődnek hozzájuk a fehérjék. A két nukleinsav és a fehérjék közti kölcsönhatások nélkül a legfontosabb életfolyamatok, mint a DNS replikációja, a gének kifejeződése és annak szabályozása, vagy az örökítőanyag épségéről gondoskodó DNS-hibajavító folyamatok nem mehetnének végbe.

„Az AlphaFold3 bejelentése fontos mérföldkő” – mondta az algoritmus bemutatását megelőző sajtótájékoztatón Demis Hassabis, a Google DeepMind és az Isomorphic Labs vezérigazgatója. A mesterségesintelligencia-kutató szerint a cél az, hogy megértsük, miként jönnek létre a biológiai folyamatok a sejtbeli molekulák közti dinamikus kölcsönhatásokból – és a május 8-án a Nature folyóiratban ismertetett AlphaFold3 az első nagy lépést jelenti ebbe az irányba azáltal, hogy a fehérjéken kívül a DNS- és RNS-szálakat is modellezni tudja.

De az új mesterséges intelligencia, ami az esetek többségében jóval precízebb a hagyományos és specializált szoftvereknél, még ennél is tovább megy: képes a ligandumoknak nevezett, fehérjék receptoraihoz kötő kis molekulák modellezésére is – amelyek közé a gyógyszerek hatóanyagai is tartoznak. Az AlphaFold3 ezen képessége, ami egyelőre csak az Isomorphic Labsnek elérhető, Hassabis szerint „rendkívül fontos a gyógyszerfelfedezéshez”, és ennek kiaknázását célozza az, hogy az algoritmust az általa alapított és vezetett AI-gyógyszerkutató céggel együtt fejlesztették ki.

„Hatalmas precizitásbeli előrelépést láttunk más eszközökhöz, és még az AlphaFold2-höz viszonyítva is” – mondta John Jumper a Nature által szervezett sajtótájékoztatón. Az új mélytanulási algoritmus az AlphaFold2-höz képest egy teljesen átalakított architektúrán alapszik, és a térszerkezetek létrehozásához kevésbé támaszkodik fehérjeevolúciós információra. A struktúrákat a képgenerátorok algoritmusaihoz hasonlóan egy diffúziós neurális hálózattal hozza létre, ami atomok felhőjétől jut el sok köztes lépésen keresztül a lehető legprecízebb molekulaszerkezetig.

A DeepMind a tanulmány megjelenésével együtt elérhetővé tette az AlphaFold szervert, amivel a kutatók Hassabis szerint könnyedén meg tudják nézni, milyen kölcsönhatások játszódnak le az őket érdeklő molekulák és a fehérjék között. A tudományos célokra kutatók által ingyenesen, de napi szinten korlátozott számban használható portál jelenleg az egyetlen opció az AlphaFold3-hoz történő hozzáférésre. Ennek ellenére a londoni Francis Crick Intézet biokémikusa, Frank Uhlmann a Nature hírportáljának azt mondta, hogy az AlphaFold3 „egyszerűen forradalmi”, és „demokratizálni fogja a strukturális biológiai kutatásokat”.

Az AlphaFold3 három évvel követi az AlphaFold2-t, ami kutatók szerint praktikusan megoldotta, hogy miként jön létre az aminosavak láncolatából egy fehérje feltekeredésnek (protein folding) nevezett folyamat során a molekulák biológiailag aktív térszerkezete, ami sokáig a molekuláris biológia legnagyobb rejtélye volt. Az inkább dinamikus biológiai folyamatok felé elmozduló utódjával ellentétben Hassabis szerint a világszerte több ezer szakember által használt AlphaFold 2 a fehérjék „statikus képét” határozta meg, és elképesztő kutatások sokaságának ágyazott meg.

Átalakíthatja a gyógyszerkutatást, de hogyan?

Az AlphaFold3 a legnagyobb hatást a gyógyszerkutatásokra gyakorolhatja, amit az is jelez, hogy az Isomorphic Labs is részt vett a fejlesztésében. Az algoritmust a vállalat vezető AI-kutatója, Max Jaderberg „áttörőnek” nevezte, ami már most ígéretesnek tűnik a gyógyszerhatóanyagok felfedezésének felgyorsításában, és az egész hatóanyag-kutatási folyamat átalakításában.