Google DeepMind po cichu udostępniło swój pionierski model sztucznej inteligencji (AI), który może przewidywać interakcje między białkami i innymi cząsteczkami. Model dużego języka, nazwany AlphaFold 3, jest następcą AlphaFold 2, którego badania doprowadziły do tego, że twórcy modelu dużego języka (LLM) Demis Hassabis i John Jumper otrzymali Nagrodę Nobla w dziedzinie chemii w 2024 r. AlphaFold 3 zwiększa możliwości dzięki jego zdolność do modelowania interakcji białek z DNA, RNA i innymi mniejszymi cząsteczkami, co może potencjalnie prowadzić do odkrycia leków.
Model sztucznej inteligencji AlphaFold 3 firmy Google DeepMind typu open source
Badania nad strukturami białek są jednym z głównych obszarów zainteresowania chemii. Ponieważ kształt 3D i szczegóły atomowe białek są celem leków, odkrycie nowych struktur białkowych często może otworzyć nieznane wcześniej cele i mechanizmy interwencji medycznej. Mówiąc prościej, im lepiej rozumiemy struktury białek, tym skuteczniejsze mogą być leki przeciwko różnym schorzeniom, chorobom i zaburzeniom autoimmunologicznym.
Chociaż firma Google DeepMind nie ogłosiła wypuszczenia modelu AI AlphaFold 3, podała, że kod źródłowy i wagi modelu dostępny na GitHubie. Jest to jednak dostępne wyłącznie do celów akademickich i badawczych. Kod źródłowy jest dostępny bezpłatnie na licencji Creative Commons, jednakże dostęp do wag możliwy jest jedynie po uzyskaniu bezpośredniej zgody Google na użytek akademicki.
Uważa się, że jeśli model sztucznej inteligencji prawidłowo uwidoczni interakcję białek z DNA, RNA i innymi mniejszymi cząsteczkami, badacze będą w stanie przyspieszyć produkcję nowych leków syntetycznych.
Naukowcy będą także mogli zautomatyzować pracę, która mogła zająć im lata bez żadnego dowodu sukcesu. AlphaFold 3 pojawi się trzy lata po premierze AlphaFold 2 w 2021 roku badaniegłówny autor podkreślił, że odkrywanie leków mogłoby stać się znacznie łatwiejsze dzięki modelowi sztucznej inteligencji.
AlphaFold 3 jest szkolony w oparciu o ogromną ilość materiałów badawczych i zbiorów danych na temat struktur białek i ich interakcji z innymi cząsteczkami. Rozumiejąc kontekst i logikę struktur białkowych, LLM może przewidzieć, jak zareagują określone strefy docelowe, gdy wejdą w kontakt z określonymi cząsteczkami.
