AlphaFold 3, den senaste versionen av den banbrytande proteinvecknings-AI:n som utvecklats av Google DeepMind, representerar ett betydande framsteg i vår förståelse och manipulation av livets byggstenar. Denna nya modell överträffar inte bara sin föregångare i att förutsäga proteiners 3D-strukturer, utan utökar också sina möjligheter till att exakt modellera interaktionerna mellan proteiner och små molekyler, så kallade ligander.

Förmågan att exakt förutsäga 3D-strukturerna hos ligander är en banbrytande utveckling, eftersom den öppnar nya vägar för läkemedelsutveckling, utveckling av bioförnyelsebara material och framsteg inom genomforskning. AlphaFold 3:s prestanda på detta område överträffar till och med de specialiserade fysikbaserade system som har varit branschstandard, vilket demonstrerar maskinlärningens kraft att tackla komplexa problem.

Dessutom sträcker sig modellens mångsidighet bortom proteiner och ligander, då den nu även kan förutsäga strukturerna hos joner, DNA och RNA. Denna mångfacetterade förmåga är ett bevis på AlphaFold-teamets generalistiska tillvägagångssätt, vilket har gjort det möjligt för modellen att överträffa specialiserade system på deras egna domäner.

Proteiner är livets grundläggande byggstenar, uppbyggda av en kedja av aminosyror som veckas in i komplexa tredimensionella strukturer. Att fastställa en proteins exakta 3D-struktur, känt som proteinveckning, har länge varit en betydande utmaning inom biologi och biokemi.

Introduktionen av AlphaFold, ett banbrytande AI-system utvecklat av Google DeepMind, har revolutionerat detta område. AlphaFold kan exakt förutsäga 3D-strukturen hos proteiner baserat på deras aminosyrasekvens, en uppgift som tidigare ansågs vara brutalt svår och olösbar.

Den senaste versionen, AlphaFold 3, har tagit denna teknik ännu längre. Förutom att ha förbättrat noggrannheten i förutsägelsen av proteinstrukturer, kan den nu även hantera förutsägelsen av ligander, små molekyler som interagerar med proteiner. Denna förmåga är avgörande för läkemedelsutveckling, eftersom de flesta läkemedel är små molekyler som riktar in sig på specifika proteiner.

Detta projekt möjliggjordes av AlphaFold och handlar om att utveckla enzymer som kan bryta ner plast. Dessa enzymer är utformade för att bryta ner plasten, vilket underlättar återvinningen så att den kan användas om och om igen, på liknande sätt som glas eller konservburkar kan återvinnas oändligt. Detta eliminerar behovet av att producera mer plast, vilket kräver fossila bränslen, och möjliggör rensning av plastdeponier. Detta genombrott, som publicerades 2021, låter som något ur en science fiction-film, men det är en verklig lösning som har potential att avsevärt påverka det globala problemet med plastföroreningar.

AlphaFold 3 har visat betydande förbättringar i noggrannhet jämfört med sin föregångare, AlphaFold 2. Den mest anmärkningsvärda förbättringen är i förutsägelsen av proteinantikroppar, där noggrannheten har mer än fördubblats. Detta är en imponerande prestation, eftersom exakt förutsägelse av 3D-strukturen hos proteinantikroppar är avgörande för olika medicinska och biologiska tillämpningar.

Furthermore, AlphaFold 3 har utökat sina möjligheter bortom enbart proteiner. Den kan nu exakt förutsäga 3D-strukturerna hos ligander, små molekyler som interagerar med proteiner, samt joner, DNA och RNA. Detta är en anmärkningsvärd utveckling, eftersom förmågan att förutsäga strukturerna hos dessa molekyler är avgörande för läkemedelsdesign, genomforskning och utveckling av bioförnyelsebara material.

Ligander är små molekyler som interagerar med proteiner, och de flesta läkemedel är just sådana små molekyler. Tidigare var AlphaFold begränsad till endast proteiner och kunde inte förutsäga interaktionerna mellan proteiner och ligander. AlphaFold 3 kan dock nu inte bara hantera dessa ligandmolekyler, utan den överträffar också de specialiserade fysikbaserade system som används brett inom industrin.

Detta är ett betydande genombrott, eftersom AlphaFold 3 nu kan förutsäga 3D-strukturen hos ligander, joner, DNA och RNA med en noggrannhet som överträffar tidigare metoder. Denna nya förmåga kan hjälpa till att påskynda läkemedelsdesign, genomforskning och utvecklingen av bioförnyelsebara material och mer motståndskraftiga grödor.

Den tidigare versionen av AlphaFold, AlphaFold2, använde en Evoformer-modul som representerade proteinveckningsproblemet som en graf, där noderna representerade aminosyraresiduerna och kopplingarna representerade deras relationer. I AlphaFold 3 har denna Evoformer-modul ersatts med en enklare modul som kallas Pairformer.

Dessutom introducerar AlphaFold 3 en ny diffusionsmodul, som liknar de som används i text-till-bild-modeller. Denna diffusionsmodul startar från en mängd brus och omorganiserar det över tid för att skapa 3D-molekylstrukturer, istället för att direkt förutsäga strukturerna.

Den nya AlphaFold 3-modellen representerar ett betydande framsteg inom proteinstrukturförutsägelse, men den har fortfarande vissa begränsningar som forskarna erkänner.

En nyckelbegränsning är att modellen endast kan förutsäga statiska proteinstrukturer och inte kan fånga mer dynamiska beteenden. Detta innebär att den kanske inte kan ta full hänsyn till de komplexa konformationsförändringar som proteiner kan genomgå under sina biologiska funktioner.

Dessutom kan den slumpmässiga brusinitieringen i diffusionsmodulen i AlphaFold 3 introducera en viss känslighet för de initiala förhållandena. Detta innebär att olika körningar av modellen kan producera något olika lösningar, med varierande noggrannhet. För att mildra detta rekommenderar forskarna att köra modellen flera gånger från olika startpunkter och välja den mest noggranna förutsägelsen.

AlphaFold-servern erbjuder ett gratis och tillgängligt sätt för alla att utforska AlphaFold 3:s möjligheter. Även om du inte är biolog erbjuder servern en mängd förinställningar som gör det enkelt att visualisera och interagera med de förutsagda 3D-strukturerna hos proteiner, ligander, joner, DNA och RNA.

En av höjdpunkterna med AlphaFold-servern är stödet för mörkt läge, vilket ger en visuellt tilltalande och bekväm upplevelse för användarna. Serverns intuitiva gränssnitt gör det lätt att navigera och utforska de förutsagda strukturerna, vilket ger dig en djupare förståelse för de framsteg som gjorts inom proteinveckning och molekylstrukturförutsägelse.