AlphaFold 3: ИИ предсказывает структуры биомолекул с высокой точностью

Новая версия алгоритма AlphaFold 3, представленная 9 мая, способна предсказывать трёхмерные структуры белков — жизненно важных молекул — на основе их "инструктивного кода".

Предсказание структур белков и их взаимодействий с другими молекулами было одной из крупнейших проблем в биологии. За последние годы разработчик ИИ, Google DeepMind, значительно продвинулся в её решении. Новая версия ИИ обладает улучшенной функциональностью и точностью по сравнению с предшественниками.

Белки — это молекулы, которые выполняют основную работу в клетках: воспринимают внешние сигналы, синтезируют новые молекулы, регулируют рост и позволяют организму отличать чужеродные патогены от собственных клеток. Большинство лекарств воздействуют именно на белки.

Почему важна структура?

Белки — это крупные молекулы, состоящие из тысяч атомов в строго определённом порядке. Их трёхмерная структура критически важна для биологической функции и определяет, как молекула лекарства свяжется с белком-мишенью для лечения болезни.

AlphaFold, зная, какие атомы входят в состав белка и как эти белки эволюционировали у разных видов, очень точно предсказывает 3D-структуру любого белка.

Новые возможности AlphaFold 3:

• Моделирование нуклеиновых кислот (например, фрагментов ДНК).
• Предсказание структур белков, модифицированных химическими группами (например, фосфатами) или молекулами сахаров.
• Повышенная точность предсказания структур антител — ключевых белков иммунной системы и основы многих биологических препаратов (например, трастузумаба).
• Предсказание связывания белков с малыми молекулами, похожими на лекарства.

Для химиков, занимающихся открытием лекарств, предсказание того, как потенциальный препарат связывается с белком-мишенью, помогает решить, какие соединения синтезировать и тестировать в лаборатории. Ранее для этого требовалась экспериментально определённая структура белка, что могло занимать месяцы или годы.

AlphaFold 3 не только предсказывает связывание лекарств в отсутствие экспериментальной структуры, но и в тестах превосходит существующее программное обеспечение, даже когда структура мишени известна.

Преимущества и ограничения

Более точные предсказания позволяют лучше выбирать кандидаты для лабораторных испытаний, экономя время и деньги. Также появляется возможность моделировать связывание с биологически важными модифицированными формами белков, что раньше было сложно или невозможно.

Однако у AlphaFold 3 есть ограничения:

• Плохо предсказывает поведение неупорядоченных участков белков.
• Не может предсказывать множественные конформации белка или его динамику.
• Иногда допускает химические ошибки (например, размещает атомы друг на друге).
• Код алгоритма пока недоступен для широкого использования. Его можно использовать только на сервере DeepMind в некоммерческих целях, что ограничивает применение в биотехнологиях и коммерческой разработке лекарств.

Несмотря на это, выпуск AlphaFold 3, вероятно, стимулирует новую волну творчества в структурной биологии и открытии лекарств.