DeepMind kunngjort AlphaFold 3, den siste iterasjonen av proteinfoldingsprosjektet.
AlphaFold 3i likhet med sine forgjengere, først og fremst forutsier hvordan proteiner folder seg basert på aminosyresekvensene deres.
Proteiner, byggesteinene i alt organisk liv, består av lange kjeder av aminosyrer som brettes som "origami" til 3D-strukturer som bestemmer deres funksjoner.
Når vi forstår hvordan disse strukturene foldes, åpner det seg en dør til å dechiffrere de molekylære mekanismene som ligger til grunn for helse og sykdom.
I noen tilfeller kan for eksempel proteiner bli feilfoldet, noe som forstyrrer deres normale funksjon og bidrar til utvikling av sykdommer som Alzheimers og Parkinsons.
Feilfolding kan forstyrre cellenes helse ved at dysfunksjonelle proteiner hoper seg opp og kan skade celler og vev.
Ved å avdekke mekanismene bak denne prosessen kan forskerne utvikle medisiner som effektivt fjerner akkumulerte feilfoldede proteiner fra kroppen, eller tiltak som forhindrer at feilfolding oppstår i det hele tatt.
Vi presenterer AlphaFold 3
DeepMind nylig kunngjort AlphaFold 3, som inneholder en forbedret versjon av Evoformer-modulen, en del av dypinnlæringsarkitekturen som ligger til grunn for AlphaFold 2.
Når Evoformer-modulen har behandlet inndatamolekylene, bruker AlphaFold 3 et nytt diffusjonsnettverk til å sette sammen de predikerte strukturene.
Dette nettverket ligner på de som brukes i AI-bildegeneratorer som DALL-E. Den starter med en "sky" av atomer og finjusterer strukturen iterativt gjennom en rekke trinn til den konvergerer mot en endelig, sannsynligvis nøyaktig molekylkonfigurasjon.
AlphaFold 3-modellen har utviklet seg til å omfatte mer enn bare proteiner - den fanger også opp samspillet mellom DNA, RNA og ligander. En ligand er et molekyl som binder seg til et annet molekyl, vanligvis et protein, og danner et kompleks som ofte utløser en biologisk respons eller endring i proteinets funksjon.
Isomorphic Labs, som samarbeidet med DeepMind på AlphaFold 3-prosjektet, jobber allerede med farmasøytiske selskaper og bruker modellen på reelle utfordringer innen legemiddelutforming.
DeepMind har også lansert AlphaFold ServerAlphaFold 3 er en gratis og brukervennlig plattform som gjør det mulig for forskere å utnytte kraften i AlphaFold 3 uten omfattende beregningsressurser eller ekspertise innen maskinlæring.
En kort historikk om AlphaFold-prosjektet
Før maskinlæring var det astronomisk tidkrevende å beregne hvor mange konfigurasjoner et protein kunne innta.
AlphaFold-prosjektet startet i 2016 og ble avsluttet i 2018, kort tid etter AlphaGos historiske seier mot Lee Sedol, en internasjonal Go-spiller på toppnivå.
I 2018, DeepMind debuterte AlphaFold 1, den første versjonen av AI-systemet, på CASP13 (Kritisk vurdering av prediksjon av proteinstrukturer).
Denne konkurransen, som arrangeres hvert annet år, samler forskergrupper fra hele verden for å teste nøyaktigheten av proteinstrukturprediksjonene deres opp mot reelle eksperimentelle data.
AlphaFold 1 kom på førsteplass i konkurransen, en stor milepæl innen beregningsbiologi.
To år senere, på CASP14 i 2020, DeepMind presenterte AlphaFold 2, og demonstrerte en så høy nøyaktighet at det vitenskapelige miljøet anså problemet med proteinfolding som løst.
AlphaFold 2s ytelse var bemerkelsesverdig. Den oppnådde en median nøyaktighetsscore på 92,4 GDT (Global Distance Test) på tvers av alle mål.
For å sette dette i perspektiv: En poengsum på 90 GDT anses som konkurransedyktig med resultater oppnådd med eksperimentelle metoder. Artikkelen om AlphaFold 2-metodene har siden mottatt over 20 000 siteringer, noe som plasserer den blant de 500 mest siterte artiklene på tvers av alle vitenskapelige felt.
AlphaFold har bidratt til en rekke nye forskningsprosjekter, blant annet studier av proteiner som kan bryte ned miljøgifter som plast, og bedre forståelsen av uvanlige tropiske sykdommer som leishmaniasis og Chagas.
I juli 2021, DeepMindi samarbeid med EMBLs European Bioinformatics Institute (EMBL-EBI), lanserte AlphaFold Protein Structure Database, som gir tilgang til mer enn 350 000 proteinstrukturprediksjoner, inkludert hele det humane proteomet.
Denne databasen har siden blitt utvidet til å omfatte over 200 millioner strukturer, som dekker nesten alle katalogiserte proteiner som vitenskapen kjenner til.
Til dags dato har over én million brukere i over 190 land hatt tilgang til AlphaFold Protein Structure Database, noe som har gjort det mulig å gjøre oppdagelser innen alt fra medisin til landbruk og andre områder.
AlphaFold 3 markerer en ny iterasjon av dette klassens beste system for proteinoppdagelse og -analyse.
