DeepMind annonceret AlphaFold 3den seneste udgave af deres proteinfoldningsprojekt.
AlphaFold 3som sine forgængere, forudsiger primært, hvordan proteiner foldes ud fra deres aminosyresekvenser.
Proteiner, byggestenene i alt organisk liv, består af lange kæder af aminosyrer, der foldes som "origami" til 3D-strukturer, som bestemmer deres funktioner.
At forstå, hvordan disse strukturer foldes, åbner døren til at dechifrere de molekylære mekanismer, der ligger til grund for sundhed og sygdom.
For eksempel kan proteiner i nogle tilfælde blive fejlfoldede, hvilket forstyrrer deres normale funktion og bidrager til udviklingen af sygdomme som Alzheimers og Parkinsons.
Fejlfoldning kan forstyrre den cellulære sundhed ved at akkumulere dysfunktionelle proteiner, der kan skade celler og væv.
Ved at afdække mekanismerne bag denne proces kan forskere udvikle lægemidler, der effektivt renser kroppen for ophobede fejlfoldede proteiner, eller interventioner, der forhindrer fejlfoldning i at opstå i første omgang.
Vi præsenterer AlphaFold 3
DeepMind for nylig annonceret AlphaFold 3som indeholder en forbedret version af Evoformer-modulet, en del af den dybdelæringsarkitektur, der ligger til grund for AlphaFold 2.
Når Evoformer-modulet har behandlet input-molekyler, bruger AlphaFold 3 et nyt diffusionsnetværk til at samle de forudsagte strukturer.
Dette netværk ligner dem, der bruges i AI-billedgeneratorer som DALL-E. Den starter med en "sky" af atomer og forfiner strukturen iterativt over en række trin, indtil den konvergerer mod en endelig, sandsynligvis nøjagtig molekylær konfiguration.
AlphaFold 3-modellen har udviklet sig ud over proteiner alene - den indfanger også interaktionerne mellem DNA, RNA og ligander. En ligand er et molekyle, der binder sig til et andet molekyle, typisk et protein, for at danne et kompleks og ofte udløser en biologisk reaktion eller ændring i proteinets funktion.
Isomorphic Labsder samarbejdede med DeepMind på AlphaFold 3-projektet, arbejder allerede sammen med medicinalvirksomheder og anvender modellen på virkelige udfordringer inden for lægemiddeldesign.
DeepMind har også lanceret AlphaFold Serveren gratis og brugervenlig platform, der giver forskere mulighed for at udnytte AlphaFold 3's styrke uden omfattende beregningsressourcer eller ekspertise inden for maskinlæring.
En kort historie om AlphaFold-projektet
Før maskinlæring var det astronomisk tidskrævende at beregne antallet af konfigurationer, som et protein kunne antage.
AlphaFold-projektet startede i 2016 og sluttede i 2018, kort efter AlphaGos historiske sejr over Lee Sedol, en international topspiller i Go.
I 2018, DeepMind præsenterede AlphaFold 1, den første version af AI-systemet, på CASP13 (Kritisk vurdering af forudsigelse af proteinstrukturer) udfordring.
Denne konkurrence, der afholdes hvert andet år, samler forskergrupper fra hele verden for at teste nøjagtigheden af deres forudsigelser af proteinstrukturer i forhold til virkelige eksperimentelle data.
AlphaFold 1 blev nummer et i konkurrencen, en kæmpe milepæl inden for beregningsbiologi.
To år senere, på CASP14 i 2020, DeepMind præsenterede AlphaFold 2 og demonstrerede en så høj nøjagtighed, at det videnskabelige samfund anså problemet med proteinfoldning for at være løst.
AlphaFold 2's præstation var bemærkelsesværdig. Den opnåede en median nøjagtighedsscore på 92,4 GDT (Global Distance Test) på tværs af alle mål.
For at sætte dette i perspektiv anses en score på 90 GDT for at være konkurrencedygtig med resultater opnået med eksperimentelle metoder. Artiklen om AlphaFold 2-metoder har siden modtaget over 20.000 citater, hvilket placerer den blandt de 500 mest citerede artikler på tværs af alle videnskabelige områder.
AlphaFold har været medvirkende til mange nye forskningsprojekter, som f.eks. at studere proteiner, der kan nedbryde miljøforurenende stoffer som plastik, og forbedre vores forståelse af ualmindelige tropiske sygdomme som Leishmaniasis og Chagas.
I juli 2021, DeepMindi samarbejde med EMBL's European Bioinformatics Institute (EMBL-EBI), udgivet AlphaFold Protein Structure Database, som giver adgang til over 350.000 forudsigelser af proteinstrukturer, herunder det komplette humane proteom.
Denne database er siden blevet udvidet til at omfatte over 200 millioner strukturer, der dækker næsten alle katalogiserede proteiner, som videnskaben kender til.
Til dato har over en million brugere i over 190 lande haft adgang til AlphaFold Protein Structure Database, hvilket har muliggjort opdagelser inden for områder, der spænder fra medicin til landbrug og meget mere.
AlphaFold 3 markerer endnu en iteration af dette klassens bedste proteinopdagelses- og analysesystem.
