Обновление прогресса: Наша последняя модель AlphaFold демонстрирует значительно повышенную точность и расширяет охват не только белков, но и других биологических молекул, включая лиганды.

С момента своего выпуска в 2020 году AlphaFold произвел революцию в понимании белков и их взаимодействий. Google ДипМайнд и Изоморфные лаборатории работали вместе над созданием основ более мощной модели искусственного интеллекта, которая расширяет охват не только белков, но и полного спектра биологически значимых молекул.

Сегодня мы делюсь обновлением о прогрессе на пути к следующему поколению AlphaFold. Наша последняя модель теперь может генерировать прогнозы практически для всех молекул в Банк данных по белкам (PDB), часто достигая атомарной точности.

Это открывает новое понимание и значительно повышает точность в нескольких ключевых классах биомолекул, включая лиганды (малые молекулы), белки, нуклеиновые кислоты (ДНК и РНК), а также те, которые содержат посттрансляционные модификации (ПТМ). Эти различные типы структур и комплексы необходимы для понимания биологических механизмов внутри клетки, и их сложно предсказать с высокой точностью.

Расширенные возможности и производительность модели могут помочь ускорить биомедицинские прорывы и реализовать следующую эру «цифровой биологии», давая новое представление о функционировании путей развития заболеваний, геномике, биовозобновляемых материалах, иммунитете растений, потенциальных терапевтических мишенях, механизмах разработки лекарств и новые платформы для реализации белковой инженерии и синтетической биологии.

За пределами сворачивания белка

AlphaFold стал фундаментальным прорывом в предсказании одноцепочечных белков. AlphaFold-Мультимер затем расширился до комплексов с несколькими белковыми цепями, за которым последовал AlphaFold2.3, который улучшил производительность и расширил охват более крупных комплексов.

В 2022 году предсказания структуры AlphaFold почти всех известных науке каталогизированных белков стали доступны бесплатно через База данных структуры белков AlphaFoldв партнерстве с Европейским институтом биоинформатики EMBL (EMBL-EBI).

На сегодняшний день 1,4 миллиона пользователей в более чем 190 странах получили доступ к базе данных AlphaFold, и ученые по всему миру использовали прогнозы AlphaFold для продвижения исследований по всем направлениям: от ускорения разработки новых вакцин против малярии и продвижения открытия лекарств от рака до разработки ферментов, разъедающих пластик, для борьбы с загрязнением окружающей среды. .

Здесь мы показываем замечательные способности AlphaFold предсказывать точные структуры, помимо сворачивания белков, генерируя высокоточные предсказания структур лигандов, белков, нуклеиновых кислот и посттрансляционных модификаций.

Ускорение открытия лекарств

Ранний анализ также показывает, что наша модель значительно превосходит AlphaFold2.3 в некоторых задачах прогнозирования структуры белка, которые важны для открытия лекарств, таких как связывание антител. Кроме того, точное предсказание белково-лигандных структур является невероятно ценным инструментом для открытия лекарств, поскольку оно может помочь ученым идентифицировать и создавать новые молекулы, которые могут стать лекарствами.

Текущий отраслевой стандарт предусматривает использование «методов стыковки» для определения взаимодействия между лигандами и белками. Эти методы стыковки требуют жесткой структуры эталонного белка и предполагаемого положения, с которым может связываться лиганд.

Наша последняя модель устанавливает новую планку для прогнозирования структуры белка-лиганда, превосходя лучшие известные методы стыковки, не требуя при этом эталонной структуры белка или местоположения лигандного кармана, что позволяет прогнозировать совершенно новые белки, структурно не охарактеризованные ранее.

Он также может совместно моделировать положения всех атомов, позволяя представить полную присущую белкам и нуклеиновым кислотам гибкость при их взаимодействии с другими молекулами, что невозможно с помощью методов стыковки.

Вот, например, три недавно опубликованных терапевтически значимых случая, когда предсказанные нашей последней моделью структуры (показаны цветом) близко соответствуют экспериментально определенным структурам (показаны серым цветом):

1. ПОРКН: Противораковая молекула клинической стадии, связанная со своей мишенью вместе с другим белком.
2. КРАС: Тройной комплекс с ковалентным лигандом (молекулярным клеем) важной мишени рака.
3. ПИ5П4Кγ: Селективный аллостерический ингибитор липидкиназы, вызывающий многочисленные заболевания, включая рак и иммунологические нарушения.

Isomorphic Labs применяет модель AlphaFold нового поколения для разработки терапевтических лекарств, помогая быстро и точно охарактеризовать многие типы макромолекулярных структур, важных для лечения заболеваний.

Новое понимание биологии

Открывая возможности моделирования структур белков и лигандов вместе с нуклеиновыми кислотами и теми, которые содержат посттрансляционные модификации, наша модель обеспечивает более быстрый и точный инструмент для изучения фундаментальной биологии.

Один из примеров касается структуры CasLambda связана с crРНК и ДНКчасть Семейство CRISPR. CasLambda разделяет возможности редактирования генома Система CRISPR-Cas9, широко известный как «генетические ножницы», которые исследователи могут использовать для изменения ДНК животных, растений и микроорганизмов. Меньший размер CasLambda может позволить более эффективно использовать его при редактировании генома.

Последняя версия способности AlphaFold моделировать такие сложные системы показывает нам, что ИИ может помочь нам лучше понять механизмы такого типа и ускорить их использование в терапевтических целях. Больше примеров: доступно в нашем обновлении прогресса.

Продвижение научных исследований

Резкий скачок производительности нашей модели показывает потенциал ИИ для значительного улучшения научного понимания молекулярных машин, из которых состоит человеческое тело, а также более широкого мира природы.

AlphaFold уже стал катализатором крупных научных достижений во всем мире. Теперь следующее поколение AlphaFold может помочь в продвижении научных исследований с цифровой скоростью.

Наши преданные своему делу команды в Google DeepMind и Isomorphic Labs добились больших успехов в этой важной работе, и мы с нетерпением ждем возможности поделиться нашим дальнейшим прогрессом.