Yandex Metrika
0

Штучний інтелект AlphaFold 3 здійснив епохальний прорив у структурній біології: революційна дифузійна архітектура від Google DeepMind та Isomorphic Labs уперше здатна з атомарною точністю моделювати всі біомолекули життя — білки, комплекси ДНК та РНК, малі молекули ліків та іони.

Парадокс Левінталя: півстоліття пошуків секрету згортання білків

Понад півстоліття найскладнішою фундаментальною загадкою біохімії залишалася проблема фолдингу (згортання) білків. Білки є основними молекулярними механізмами живої матерії: ферменти каталізують хімічні реакції обміну речовин, антитіла розпізнають вірусні загрози, а білкові канали мембран контролюють клітинне живлення. Будь-який протеїн синтезується на рибосомі у вигляді одновимірної лінійної послідовності амінокислот, зашифрованої в генетичному коді. Проте біологічно активним білок стає лише тоді, коли цей ланцюг безпомилково згортається в унікальну, термодинамічно стабільну тривимірну форму.

У 1969 році видатний американський біофізик Сайрус Левінталь (Cyrus Levinthal) сформулював класичний парадокс, що отримав його ім’я. Левінталь підрахував: якби білковий ланцюг середнього розміру всього зі 100 амінокислотних залишків шукав правильну просторову форму шляхом випадкового перебору конформацій хімічних зв’язків, на це знадобилося б більше часу, ніж існує наш Всесвіт (близько 10 у 77-му ступені років). Проте в реальній клітині фолдинг відбувається за лічені частки секунди чи мілісекунди. Це доводило, що в амінокислотній послідовності закодовано чіткі фізико-хімічні напрямні шляхи, розгадати які наука не могла протягом багатьох десятиліть.

Традиційні експериментальні методи дослідження молекулярної геометрії — рентгеноструктурний аналіз, ядерний магнітний резонанс (ЯМР) та кріоелектронна мікроскопія (Cryo-EM) — вимагали колосальних фінансових та часових витрат. Щоб визначити будову одного складного мембранного білка, лабораторіям нерідко були потрібні роки виснажливої праці та сотні тисяч доларів на спеціалізовані реактиви та обладнання. Більшість рецепторів клітин та великих білкових комплексів взагалі не піддавалися кристалізації, залишаючись недосяжними для структурних біологів.

Для стимулювання розвитку обчислювальної біології у 1994 році професор Джон Моулт (John Moult) заснував міжнародне змагання CASP (Critical Assessment of Structure Prediction), що проводиться щодва роки. Десятиліттями точність комп’ютерних моделей залишалася вкрай низькою: алгоритми молекулярної динаміки ледве долали позначку 40 балів за шкалою точності GDT (Global Distance Test). Більшість вчених схилялися до думки, що вирішення проблеми фолдингу стане можливим лише наприкінці XXI століття.

Біохімічні дослідження та синтез молекулярних сполук у сучасній лабораторії
Лабораторний синтез та тестування нових фармакологічних мішеней. Фото: Vinegret / Structural Biology

Еволюція нейромереж DeepMind і тріумф Нобелівської премії 2024 року

Історичний перелом стався у 2018 році, коли підрозділ Google DeepMind під керівництвом Деміса Гассабіса (Demis Hassabis) представив першу версію AlphaFold на турнірі CASP13, упевнено випередивши всі університетські лабораторії світу завдяки згортковим нейромережам. Але справжньою науковою сенсацією став реліз AlphaFold 2 у листопаді 2020 року на CASP14. Команда розробників під керівництвом Джона Джампера (John Jumper) створила принципово нову нейромережеву парадигму Evoformer, засновану на механізмі уваги просторових графів.

AlphaFold 2 досяг приголомшливої медіанної точності у 92.4 бала GDT, що зробило обчислювальний прогноз порівнянним із дорогими експериментами на кріоелектронних мікроскопах. Незабаром DeepMind спільно з Європейською лабораторією молекулярної біології (EMBL-EBI) створили безкоштовну відкриту базу даних AlphaFold DB, опублікувавши просторові структури понад 214 мільйонів білків — практично всього білкового простору, відомого сучасній науці, від бактерій до людського організму.

Кульмінацією світового визнання стало оголошення лауреатів Нобелівської премії з хімії у жовтні 2024 року. Королівська шведська академія наук присудила половину премії Девіду Бейкеру (David Baker) за дизайн штучних білкових структур, а другу половину спільно розділили Деміс Гассабіс (Demis Hassabis) та Джон Джампер (John Jumper) за розробку алгоритмів штучного інтелекту для передбачення структури білків. Це рішення назавжди змінило сприйняття штучного інтелекту як повноправного рушія фундаментальної науки.

Проте біологічні процеси не обмежуються поодинокими протеїнами. У живій клітині білки постійно утворюють динамічні молекулярні ансамблі з нитками ДНК, матричними РНК, коферментами, іонами та молекулами лікарських засобів. Щоб навчитися моделювати цілісну картину клітинного життя, інженери створили систему наступного покоління — AlphaFold 3.

Універсальна молекулярна взаємодія

На відміну від попередніх версій, що працювали лише з білками, нова система одночасно моделює складні комплекси протеїнів із нуклеїновими кислотами, терапевтичними лігандами та іонами металів.

Генеративна дифузійна мережа

Відмова від складних конформаційних трансформерів кутів зв’язку на користь прямої тривимірної дифузії атомних координат забезпечила колосальний стрибок фізичної точності збирання комплексів.

Трансформація фармакології

Точність прогнозування зв’язування терапевтичних молекул із білковими мішенями зросла на 50%, що скорочує етап розробки нових ліків із багатьох років до кількох тижнів.

Нобелівський тріумф 2024 року

Присудження Нобелівської премії з хімії Демісу Гассабісу та Джону Джамперу закріпило статус обчислювального біологічного моделювання як найважливішої наукової революції століття.

Дифузійна архітектура AlphaFold 3: квантово-хімічна точність біомолекул

У травні 2024 року в авторитетному науковому виданні з’явилася довгоочікувана публікація: у статті журналу Nature дослідники Google DeepMind та Isomorphic Labs розкрили революційну архітектуру AlphaFold 3. Головним концептуальним нововведенням стала відмова від громіздких модулів передбачення кутів обертання та тривимірних каркасів, які визначали логіку другої версії. На зміну їм прийшла генеративна дифузійна модель, що безпосередньо генерує декартові просторові координати атомів.

Робота AlphaFold 3 розпочинається з блоку Pairformer, який приймає на вхід хімічні графи та амінокислотні послідовності білків, ланцюги ДНК, РНК та формули терапевтичних лігандів. Pairformer ефективно обробляє парні взаємодії між атомами, витрачаючи значно менше ресурсів на пошук еволюційних вирівнювань, завдяки чому система може успішно працювати з повністю синтетичними біомолекулами, які взагалі не зустрічаються в живій природі.

Далі процес підхоплює дифузійний модуль (Diffusion Module). На початковому етапі алгоритм бере хмару випадкового тривимірного шуму і протягом сотень ітеративних кроків шумозаглушення поступово збирає атоми в геометрично бездоганні хімічні зв’язки. Такий дифузійний підхід дозволяє позбутися стереохімічних помилок, природно усуває просторові конфлікти та оптимізує енергію системи за законами квантової біофізики.

Окрім того, нейромережа здатна безпомилково враховувати більше сотні типів посттрансляційних модифікацій — від приєднання ліпідних і вуглеводних залишків до фосфорилювання та метилювання нуклеїнових кислот. Ця властивість критично важлива для сучасної біоінженерії та відкриває прямий міст до проривних досліджень зі збереженню цифрових даних у синтетичній ДНК, де штучні нуклеотиди взаємодіють із білковими ферментами реплікації.

«AlphaFold 3 відкриває еру предиктивної біології. Ми перейшли від статичного опису окремих протеїнів до повного розуміння того, як жива клітина взаємодіє на атомарному рівні.»

Деміс Гассабіс (Demis Hassabis), співзасновник і керівник Google DeepMind

Прорив у фармакології: прискорення створення таргетних препаратів

Класична фармацевтична розробка нових ліків десятиліттями залежала від методу сліпого скринінгу. Щоб знайти активну сполуку, дослідники змушені були синтезувати і тестувати сотні тисяч хімічних варіантів у пробірках. Створення одного схваленого препарату в середньому тривало 12–15 років і вимагало астрономічних інвестицій у понад 2 мільярди доларів, причому дев’ять із десяти кандидатів у ліки провалювалися на етапі клінічних випробувань через непередбачувані побічні ефекти чи слабке зв’язування з мішенню.

AlphaFold 3 докорінно змінює правила гри в драг-дизайні. За результатами незалежних тестів, система демонструє на 50% вищу точність у прогнозуванні взаємодії білків із малими лікарськими сполуками порівняно з будь-якими традиційними фізичними симуляторами молекулярного докінгу. Нейромережа враховує явище індукованої відповідності (induced fit), фіксуючи, як білковий кишеньковий центр деформується і щільно обхоплює молекулу ліганду під час їхнього зближення.

Це створює безпрецедентні переваги для лікування раку та боротьби з резистентними інфекціями. Фармакологи можуть за лічені дні розрахувати геометрію мутантного онкобілка, що перестав реагувати на стандартні ліки, і розробити новий високоефективний алостеричний блокатор. Точне врахування іонів металів (цинку, магнію, заліза) дозволяє запобігати токсичному впливу на здорові тканини організму ще на стадії комп’ютерного моделювання.

Колосальний прогрес досягнуто також у проєктуванні моноклональних антитіл. Завдяки детальному прогнозуванню варіабельних петель імуноглобулінів біотехнологи отримують можливість створювати високоефективні біологічні препарати проти небезпечних вірусів та аутоімунних патологій. Етап доклінічного конструювання молекул скорочується з років до лічених місяців.

Головні наукові здобутки та перспективи AlphaFold 3
  • Зростання точності моделювання зв’язування білок-ліганд на 50% порівняно з провідними фізичними симуляторами молекулярного докінгу.
  • Підтримка понад 100 поширених посттрансляційних хімічних модифікацій, глікозилювання та епігенетичних маркерів ДНК.
  • Пряма інтеграція з передовими дослідженнями синтетичної біології та технологіями збереження цифрових даних у синтетичній ДНК.
  • Вільний доступ до дослідницького веб-сервера AlphaFold Server для вчених некомерційних університетів і лабораторій світу.

Виклики відкритої науки та горизонти персоналізованої медицини

Поява AlphaFold 3 спричинила жваву дискусію в наукових колах щодо доступності даних. Якщо AlphaFold 2 одразу мав повністю відкритий вихідний код, то третю версію DeepMind спочатку обмежила дослідницьким веб-сервером із добовими лімітами запитів та забороною завантаження комерційних лікарських формул. Це викликало занепокоєння провідних вчених, які наголошували на необхідності повної відтворюваності наукових експериментів.

Відповідаючи на запити академічної спільноти, DeepMind восени 2024 року відкрила вихідний код моделі для наукових досліджень, що спричинило справжній вибух нових відкриттів в університетських центрах по всьому світу. Водночас постали серйозні питання біобезпеки: здатність точно моделювати токсини й патогенні комплекси вимагає надійних запобіжників, які виключають використання ШІ зі шкідливою метою.

У найближчому майбутньому інтеграція AlphaFold 3 із технологіями секвенування нового покоління та квантовими обчисленнями відкриє шлях до повноцінної персоніфікованої медицини. Лікарі зможуть брати зразок клітин пацієнта, за кілька годин розшифровувати специфічні білкові аномалії за допомогою ШІ та синтезувати індивідуальні терапевтичні мРНК-вакцини, налаштовані під конкретний організм.

Ми є свідками початку нової наукової епохи, де штучний інтелект стає незамінним партнером людини у розкритті фундаментальних законів життя. Завдяки обчислювальній біології складні молекулярні процеси клітини стають зрозумілими й керованими, відкриваючи людству шлях до перемоги над раніше невиліковними недугами.

Помітили помилку в тексті? Виділіть її мишкою та натисніть Ctrl + Enter

Стежте за нашими новинами:


Like it? Share with your friends!

✏️ Повідомити про помилку

Ви помітили помилку у наступному тексті: