vir: Google
Ko so v DeepMindu pred poltretjim letom predstavili algoritem AlphaFold 2, so z njim napovedali navdušujoče čase, ko strojno učeni algoritmi ne bodo zgolj sredstvo za halucinirane pogovore na spletu ali generiranje bizarnih sličic, temveč bodo dejansko močno pospešili znanstveni napredek. AlphaFold 2 je že v manj kot letu dni poskrbel za prelomen pospešek na področju računske in strukturne biologije, saj je napovedal zgradbo vseh poznanih proteinov. Kako so beljakovine videti v prostoru, se pravi kako se zvijajo, je ena temeljnih ugank v biologiji in farmaciji, saj je od tega odvisno njihovo obnašanje, oziroma biološke funkcije. Če vemo, kako in zakaj se nek protein oblikuje, lažje napovemo njegovo interakcijo z okolico, kar je temelj razumevanja bioloških procesov v človeškem telesu, s tem pa tudi zdravil.
Medtem ko AlphaFold 2 obvlada grajenje 3D struktur iz predstavljenih kemijskih zaporedij posameznih beljakovin, pa mu seganje izven njihovih meja ne gre, saj so mu velike težave sprva povzročali že proteinski kompleksi. Ravno tega področja so se sedaj DeepMindovi inženirji lotili s tretjo različico, ki ima temeljno nalogo reševati vprašanja, kako so skupki aminokislin videti, ko so nanje pripeta protitelesa, ligandi, mRNK in razne druge signalne molekule. Tehnično je osnova algoritma podobna kot pri predhodni različici, toda nekatere segmente so povsem spremenili. V grobem sta najpomembnejši dve novosti; najprej način, kako so inženirji algoritem učili na vzorčnih aminokislinah, ki je v tretje precej hitrejši; nato pa podrobnost, ki bo bržkone privzdignila največ obrvi - algoritem ima po novem bistveno komponento z difuznim modelom, torej mehanizmom, ki je drugače podlaga algoritmov za generiranje slik. To je za področje strojnega učenja izjemno zanimiva reč, ker spaja generativne pristope s stvarnimi, empiričnimi pojavi. Hkrati sproža kar nekaj dilem, ker vemo, da tudi difuzni modeli halucinirajo.
Kot so razložili v objavi v reviji Nature, AlphaFold 3 beljakovinske-DNK komplekse denimo napoveduje s približno 60-odstotno natančnostjo, komplekse z RNK pa 40-odstotno. To je občutno bolje od doslej dosegljivih orodij, kot je RoseTTAFold All-Atom. Hkrati jasno kaže, da raziskovalce čaka veliko dela, če bodo želeli napovedi koristno uporabiti in bo torej pretežno odvisno od konkretnih akademskih ter farmacevtskih laboratorijev, kaj lahko s tem ustvarijo. Še ena zanimiva podrobnost je sprememba načina rabe, saj podjetje AlphaFolda 3 ne daje prosto na razpolago kot predhodnika, temveč je na voljo zgolj na njihovem spletnem portalu, kjer ima posamezen uporabniški račun na voljo 10 napovedi dnevno. Po eni plati je to za strukturne biologe kanec preprostejši način kot prej, po drugi pa je orodje zaradi tega bolj zaprto. Očitno je, da Alphabetova podružnica za farmacevtske raziskave, Isomorphic Labs, išče najboljši način za trženje tega izuma. Toda kot viri povedo za Nature, so z AlphaFoldom 3 potrdili, da je raba difuznih modelov v računski biologiji lahko učinkovita, zato nas od odprtokodnih posnemovalcev bržda ne loči več dosti časa.
