AlphaFold je star pet godina — i bitno je promenio nauku

Otkad je predstavljen 2020. godine, prekretnički alat veštačke inteligencije Guglove kompanije DeepMind pomaže istraživačima širom sveta da predviđaju 3D strukture stotina miliona proteina.

Skoro deset godina, naučnici iz Instituta za molekularnu patologiju u Beču pokušavaju da razjasne kako se spermatozoid i jajna ćelija spajaju.

Preporučujemo

Godine 2018, pronašli su protein na površini jajnih ćelija riba zebrica (Danio rerio), nazvan Bouncer, bitan za oplodnju. Međutim, istraživači su se mučili da pokažu kako taj protein prepoznaje spermatozoide. Tada se desila revolucija.

Pre pet godina, krajem novembra 2020, predstavljen je AlphaFold2. Ovaj instrument na bazi veštačke inteligencije za predviđanje proteinskih struktura generisao je zapanjujuće tačne 3D modele koji se, u nekim slučajevima, nisu mogli razlikovati od eksperimentalnih mapa, koje su dominirale u dugotrajnom izazovu predviđanja strukture.

Prva verzija AlphaFolda je objavljena 2018. godine, ali njena predviđanja nisu bila ni približno tako dobra kao kod njenog naslednika.

Objavljivanje koda za AlphaFold2 2021. godine i baze podataka koja dostiže stotine miliona predviđenih struktura znači da naučnici sad mogu dobiti pouzdano predviđanje za skoro svaki protein.

Vrlo brzo otkriće

Model je predvideo da protein Tmem81 stabilizuje kompleks dva druga spermatozoidna proteina, stvarajući mesto za vezivanje Bouncera. Eksperimenti su podržali predviđanja. AlphaFold „ubrzava otkriće“, kažu naučnici. „Koristimo ga u svakom projektu“.

Skoro 40.000 članaka u žurnalima citira rad iz 2021. koji u časopisu Nature opisuje AlphaFold2. Za razliku od mnogih drugih uveliko citiranih radova u oblasti životnih nauka i biomedicine iz istog perioda, uključujući izveštaje o pandemiji kovida-19, izgleda da interesovanje za AlphaFold ne jenjava.

Džon Džamper iz DeepMinda, koji je podelio Nobelovu nagradu za hemiju 2024. godine sa Demisom Hasabisom za razvoj AlphaFolda, kaže da je veoma ponosan na to koliko je alat koristan naučnicima.

Deo brzog uticaja programa AlphaFold2 zasnovan je njegovoj pristupačnosti, kažu istraživači. DeepMind je učinio osnovni kod i druge parametre besplatno dostupnim naučnicima, a ubrzo je postalo moguće da sami pokrenu softver.

Oko 3,3 miliona korisnika u više od 190 zemalja pristupilo je bazi podataka AlphaFold (AFDB), koja sadrži više od 240 miliona strukturalnih predviđanja, obuhvatajući većinu poznatih proteina. Više od milion korisnika je iz zemalja sa niskim i srednjim prihodima, uključujući Kinu i Indiju.

Revolucija u proteinskoj strukturi

Čini se da je AlphaFold imao najveći uticaj na polju strukturalne biologije. Istraživači koji su koristili AlphaFold poslali su oko 50% više proteinskih struktura u arhivu eksperimentalnih modela, bazu podataka o proteinima (PDB), nego istraživači koji nisu koristili AlphaFold.

Korišćenje AlphaFold2 takođe je povezano sa većim stopama dostavljanja u PDB u odnosu na istraživače koji su koristili druge „napredne“ metode u veštačkoj inteligenciji, strukturalnoj biologiji i predviđanju strukture proteina.

AlphaFold2 — koji je treniran pomoću PDB podataka — pokazao se kao veoma koristan za dedukciju proteinskih struktura. Predviđene strukture mogu pomoći istraživačima da razumeju sirove podatke generisane rendgenskom kristalografijom i krioelektronskom mikroskopijom.

Još jedna oblast koja uveliko koristi AlphaFold je kompjuterska biologija, uključujući otkrivanje lekova i dizajn proteina. AlphaFold otvorio nove puteve za istraživanje – AI dizajn proteina kao jedan od najperspektivnijih – i doneo obnovljeno interesovanje i finansiranje.

Indirektni uticaji

Broj naučnika koji direktno citiraju AlphaFold2 ili koriste AFDB samo je deo priče o dometu ovog alata. Šira analiza istraživanja povezanog sa AlphaFold2 identifikovala je više od 200.000 studija koje su direktno ili indirektno koristile AlphaFold, obuhvatajući rad skoro 800.000 naučnika.

Analiza je otkrila složenu sliku prilikom pokušaja merenja koristi od upotrebe AlphaFolda. Laboratorije koje su koristile ovaj softver objavile su samo oko 5% više radova nego one koje nisu, a za individualne istraživače ta razlika je bila samo 2%.

Moglo bi se očekivati da je AlphaFold pomogao nekim laboratorijama da postanu „fabrike studija“, ali se to ne vidi. Slika je takođe bila pomešana kad su istraživači pokušali da izmere kliničke i komercijalne primene AlphaFolda, verovatno zato što je pet godina možda previše kratak period da se kvantifikuju uticaji.

Džamper takođe očekuje da će biti potrebno vreme da se biološki uvidi iz AlphaFolda prevedu u praktične primene, kao što je razvoj lekova. Unapređena verzija modela, AlphaFold3, koja je relevantnija za otkrivanje lekova jer može da predvidi kako potencijalni terapeutici reaguju sa proteinima, objavljena je 2024, i mnogo toga se dešava iza kulisa.

Ipak, uvidi dobijeni pre najnovije verzije već pomažu istraživačima da otkriju biologiju bolesti, kaže Džamper. „Siguran sam da postoje ljudi koji će iz bolnice otići kući zahvaljujući alatu AlphaFold2“.

(Telegraf Nauka/Nature)