„Tūkstančiai 3D baltymų struktūrų, užrakintų didelių farmacijos bendrovių saugyklose, bus panaudotos kuriant naują dirbtinio intelekto įrankį, kuris nebus atviras akademikams.
„AlphaFold 3“ struktūrinė prognozė peršalimo viruso smaigalio baltymui (mėlyna), kai jis sąveikauja su antikūnais (turkio spalva) ir paprastais cukrumi (geltona), uždengta tikra struktūra (pilka).
„AlphaFold 3“ modelis, kuriame peršalimo smaigalio baltymas (mėlyna) sąveikauja su antikūnais (žalia spalva). Nuotrauka: „Google DeepMind“
„AlphaFold“, revoliucinė, Nobelio premiją pelniusi baltymų struktūrų prognozavimo priemonė, turi problemą: jai trūksta duomenų.
Naujausia dirbtinio intelekto (DI) modelio versija „AlphaFold 3“ buvo reklamuojama kaip vaistų kūrimo žaidimo keitėja, nes ji gali modeliuoti baltymų sąveiką su kitomis molekulėmis, įskaitant vaistus.
Tačiau šių sąveikų pavyzdžių trūkumas duomenyse, kuriais grindžiamas „AlphaFold“ – šimtai tūkstančių viešai prieinamų baltymų struktūrų – teigia mokslininkai, todėl šis įrankis negali būti naudojamas farmacijos kompanijoms labiausiai įdomiose srityse.
„AlphaFold“ reklamuojama kaip kita didelė vaistų atradimo tendencija – bet ar ji tokia yra?
Pirmaujančių farmacijos kompanijų konsorciumas šiandien paskelbė apie planus sukurti savo „AlphaFold-3“ įkvėptą dirbtinio intelekto modelį, naudodamas tūkstančius baltymų struktūrų, kurios šiuo metu yra paslėptos kompanijos saugyklose. Tai papildo daugiau nei 200 000 baltymų struktūrų, laisvai prieinamų Baltymų duomenų banke (PDB).
„PDB trūkstami duomenys yra būtent tie patys duomenys, kurie yra mūsų vidiniuose duomenyse“, – sako Johnas Karanicolasas, skaičiavimo vaistų atradimo vadovas farmacijos kompanijoje „AbbVie“ Čikagoje, Ilinojaus valstijoje, ir dalis pastangų, vadinamų Dirbtinio intelekto struktūrinės biologijos konsorciumu.
Konsorciumo modelis bus pagrįstas „OpenFold 3“ – visiškai atvirojo kodo „AlphaFold 3“ kopija, kurią sukūrė akademiniai tyrėjai (naudodami tik viešai prieinamus duomenis) ir kuri turėtų būti išleista balandžio mėnesį. Tačiau nėra planų, kad konsorciumo modelis būtų prieinamas ne tik nariams. bendrovės, įskaitant „AbbVie“, „Johnson & Johnson“, „Sanofi“ ir „Boehringer Ingelheim“.
Londone įsikūrusi bendrovė „Google DeepMind“, sukūrusi „AlphaFold“, nedalyvauja projekte ir nenorėjo komentuoti. Jos dukterinė įmonė „Isomorphic Labs“ naudoja „AlphaFold 3“ bendradarbiaudama su farmacijos įmonėmis, įskaitant „Novartis“ ir „Eli Lilly“.
Vaistų duomenų trūkumas
„AlphaFold“ gebėjimas numatyti baltymų 3D formas pagal jų sekas priklauso nuo prieigos prie didžiulės PDB baltymų struktūrų kolekcijos, susietos su eksperimentiniais metodais, tokiais kaip rentgeno kristalografija. Daugelyje šių struktūrų yra sąveikaujančių molekulių, tačiau jose dažniausiai dalyvauja biologiniai partneriai, tokie kaip ląstelių energijos šaltinis ATP, o ne vaistų junginiai, sako Karanicolas.
Dėl to „AlphaFold 3“ tinkamai prognozuoja, kaip baltymai sąveikauja su būsimais vaistais, tačiau „tai vis dar labai atvira problema“, sako Mohammedas AlQuraishi, skaičiavimo biologas Kolumbijos universitete Niujorke, vadovaujantis kūrimui. „OpenFold“.
Gali būti, kad farmacijos kompanijų baltymų struktūros, kurios retai deponuojamos PDB, galėtų padėti. Vykdydamos vaistų kūrimo kampanijas, įmonės įprastai nustato kelias to paties baltymo, susijusio su daugeliu skirtingų vaistų kandidatų, struktūras.
Naujasis „AlphaFold“ konkurentas? „Meta AI“ prognozuoja 600 milijonų baltymų formą.
Visas šių patentuotų baltymų struktūros duomenų kiekis nežinomas. Tačiau duomenys gali prilygti PDB duomenų bazei arba net ją viršyti, sako Stephenas K. Burley, vienos iš organizacijų, kurianti saugyklą, direktorius ir struktūrinės biologijos specialistas Rutgerso universitete Piscataway mieste, Naujajame Džersyje. Vien „AbbVie“ į konsorciumo DI modelį įneša daugiau nei 9000 struktūrų. „Neįtikėtina, kiek daug duomenų slypi už šių aptvertų sodų“, – sako AlQuraishi.
Vaistų kompanijos nesidalins tikromis baltymų struktūromis tarpusavyje – ar su „AlQuraishi“ – kurdamos naują modelį. Vietoj to, bus naudojama Berlyne įsikūrusios startuolio „Apheris“ sukurta platforma. įmonė, kuri leis „OpenFold 3“ permokyti naudojant nuosavybės teise saugomus duomenis ir struktūroms niekada nepaliekant įmonės skaitmeninių sienų. Karanicolas teigia, kad nebus įmanoma atlikti modelio atvirkštinės inžinerijos, kad būtų galima nustatyti slaptas struktūras, su kuriomis jis buvo apmokytas.
Ar papildomi duomenys padidins „AlphaFold“ gebėjimą modeliuoti baltymų ir vaistų sąveiką, neaišku, sako AlQuraishi. „Tai bus pagrindinis klausimas – kaip atrodys nauda?“ Jo komanda įvertins modelį, pavyzdžiui, lygindama jo prognozes su eksperimentiniais rezultatais, ir paviešins išsamią analizę.
„Manau, kad eksperimentas, neigiamas ar teigiamas, yra nepaprastai vertingas“, – sako jis. Kai kurie mokslininkai ir finansavimo agentūros siekia sukurti struktūrines duomenų bazes, panašias į farmacijos įmonių, kuriomis būtų galima maitinti dirbtinio intelekto modelius, sako Quraishi, ir bus verta sužinoti, ar turėti daugiau duomenų iš tikrųjų naudinga.
Drastiški patobulinimai
Vien slapti farmacijos kompanijų duomenys greičiausiai nepadės „AlphaFold“ pagerinti savo paprastai puikaus tikslumo su baltymais, sako Stephanie Wankowicz, skaičiavimo struktūrinės biologijos specialistė iš Vanderbilto universiteto Nešvilyje, Tenesio valstijoje. Tačiau cheminė įvairovė, atstovaujama kompanijų lobynuose, greičiausiai „drastiškai pagerins“ vaistų sąveikos prognozes, priduria ji.
Didžiulė baltymų duomenų bazė, iš kurios kilo „AlphaFold“ ir biologijos dirbtinio intelekto revoliucija
Brianas Shoichet, farmacijos chemikas iš Kalifornijos universiteto San Franciske, nėra tikras, ar farmacijos kompanijos turi pakankamai duomenų, kad „AlphaFold“ galėtų pasiekti reikšmingų rezultatų. „Yra tik tam tikras naujovių kiekis, kurį jos galės išspausti iš to citrinos“, – sako jis.
Tačiau net ir nedidelis patobulinimas gali būti vertingas, priduria Shoichet, pavyzdžiui, galimybė tiksliau numatyti, ar vaistas prisijungs prie konkretaus baltymo, o tai gali reikšti, ar vaistas veiks, ar ne. Jo paties komanda vykdo „virtualaus prijungimo“ kampanijas, kurių metu programinė įranga – įprastai programos, pagrįstos fizikiniais principais – prognozuoja, kurie iš milijardų cheminių medžiagų gali prisijungti prie baltymo. Tada prognozės išbandomos laboratoriniais eksperimentais. „Jei 20 % prognozių pasiteisins, esame patenkinti. Jei pavyktų padidinti iki 50 %, tai būtų didelis pokytis“, – sako Shoichet.
Struktūrų slaptumas
Iš pradžių prieiga prie modelio bus apribota konsorciumo nariams, ir Karanicolas tikisi, kad prie jo prisijungs daugiau farmacijos kompanijų. Jis teigia, kad konsorciumas pirmiausia nori pamatyti, kaip veikia jo modelis, o tada svarstyti galimybę išplėsti prieigą akademikams.
Wankowicz taip pat norėtų, kad įmonės iš pradžių viešai paskelbtų daugiau savo struktūrinių duomenų. Tik 6 % iš 233 000 PDB struktūrų pateikė farmacijos kompanijos, sako Burley.
Shoichet sutinka, kad yra rimtų argumentų, kodėl farmacijos kompanijos turėtų dalytis daugiau struktūrų, tačiau jis nedvejoja. „Dalyvauju šiuose pokalbiuose jau 30 metų, ir to niekada nebuvo. Daugiau apie tai net neužsimenu.“
Burley optimistiškiau vertina tai, kad įmonės pamatys didesnio atvirumo privalumus, pavyzdžiui, geresnes vaistų kūrimo priemones. „Po „AlphaFold-2“ ir „AlphaFold-3“ eros įmonės bus daug labiau linkusios žengti tikėjimo šuolį.“ [1]
1. Nature 640, 297-298 (2025) By Ewen Callaway
Komentarų nėra:
Rašyti komentarą