Forskare utvecklar ny AI-modell för proteinvikning
Forskare har presenterat ett banbrytande AI-system som förutsäger proteinstrukturer med oöverträffad noggrannhet. Modellen, tränad på omfattande datamängder, kan revolutionera läkemedelsupptäckt och bioteknik. Detta framsteg bygger på tidigare arbete inom beräkningsbiologi.
I ett nyligen meddelande introducerade ett team av forskare en avancerad artificiell intelligensmodell utformad för att lösa den långvariga utmaningen med proteinvikning. Proteinvikning avser processen genom vilken proteiner, livets essentiella byggstenar, antar sina funktionella tredimensionella former från linjära aminosyrakedjor. Att förstå denna process är avgörande för områden som medicin och ingenjörsvetenskap, eftersom felviktade proteiner är inblandade i sjukdomar som Alzheimers och Parkinsons.
Den nya modellen, döpt till AlphaFold 3, utvecklades av forskare vid DeepMind, ett dotterbolag till Alphabet Inc. Den uppnår över 90 % noggrannhet i att förutsäga strukturer för ett brett spektrum av proteiner, inklusive de som interagerar med DNA, RNA och andra molekyler. 'Detta är ett betydande steg framåt som gör det möjligt för oss att modellera komplexa biomolekylära interaktioner som tidigare var olösliga', sa Demis Hassabis, VD för DeepMind, i ett uttalande.
Utvecklingstidslinjen går tillbaka till 2018, när DeepMinds initiala AlphaFold vann Critical Assessment of Structure Prediction (CASP)-tävlingen. Efterföljande iterationer förbättrade noggrannheten, med AlphaFold 2 släppt 2020, vilket gjorde förutsägelser tillgängliga för den globala vetenskapliga gemenskapen via en offentlig databas. Den senaste versionen utökar kapaciteten till ligander och modifieringar, och adresserar luckor i tidigare modeller.
Bakgrundskontexten belyser detta arbeetes betydelse. Traditionella experimentella metoder, som röntgenkristallografi, är tidskrävande och kostsamma, och tar ofta år. AI-drivna förutsägelser påskyndar forskningen; till exempel under COVID-19-pandemin hjälpte AlphaFold till att identifiera potentiella läkemedelsmål. Modellen tränades på data från Protein Data Bank, som innehåller över 200 000 experimentellt bestämda strukturer.
Implikationerna är vida. Inom läkemedelsupptäckt kan snabbare proteinmodellering förkorta utvecklingsperioder från 10-15 år till bara månader, vilket potentiellt leder till nya behandlingar för cancer och infektionssjukdomar. Dock uppstår etiska överväganden, inklusive dataskydd i genomforskning och rättvis tillgång till tekniken. DeepMind har åtagit sig att open source-dela delar av modellen för att främja samarbete.
Medan den vetenskapliga gemenskapen hyllar innovationen noterar vissa experter begränsningar, såsom utmaningar med intrinsiskt oordnade proteiner. Sammantaget markerar denna utveckling en avgörande vändpunkt i beräkningsbiologi, med löften om att låsa upp nya fronter inom hälsa och bortom.