• AlphaFold 3 är utvecklad av Google DeepMind för att förutspå struktur och interaktioner mellan biologiska molekyler.
• Att experimentellt utreda dessa interaktioner kan vara tidskrävande och kostsamt. Om man istället kan beräkna dessa interaktioner med hög noggrannhet kan biologisk forskning skyndas på avsevärt.
• Modellen visar en förbättring i noggrannhet med 50 procent jämfört med tidigare metoder och är tillgänglig för icke-kommersiell forskning genom AlphaFold Server.

AlphaFold 3 klarar inte bara protein utan även molekyler

Google DeepMind lanserade sin första version av AlphaFold 2018, ett system designat för att förutsäga proteinstrukturer. Detta system tog hem segern i en prestigefylld global tävling för proteinstrukturprediktion. Med efterföljaren, AlphaFold 2, som släpptes 2020, uppnåddes betydande förbättringar i precisionen av dessa strukturprediktioner jämfört med den ursprungliga modellen.

AlphaFold 3 tar teknologin ytterligare ett steg genom att inte bara förutsäga strukturerna hos nästan alla biologiska molekyler utan också genom att modellera deras inbördes interaktioner. Tidigare har forskare utvecklat specialanpassade beräkningsmetoder för specifika typer av molekylära interaktioner, men AlphaFold 3 är det första systemet som kan förutsäga interaktioner mellan nästan alla sorters molekyler med högsta möjliga prestanda.

“Biologi är ett dynamiskt system och du måste förstå hur biologins egenskaper framträder genom interaktioner mellan olika molekyler i cellen. Du kan tänka på AlphaFold 3 som vårt första stora steg mot det," säger Demis Hassabis, vd för Google DeepMind, till Time.

De funktioner och egenskaper som molekyler har i biologiska system beror ofta på deras interaktioner med andra molekyler. Att experimentellt utreda dessa interaktioner kan vara tidskrävande och kostsamt. Om man istället kan beräkna dessa interaktioner med hög noggrannhet kan biologisk forskning skyndas på avsevärt.

Till exempel kan forskare, om de identifierar en molekyl som binder till en specifik plats på ett protein och tror att denna molekyl skulle kunna vara en effektiv läkemedelskandidat, använda beräkningssystem som AlphaFold 3 för att evaluera potentiella läkemedelsmolekyler.

Modellens kärna består av en förbättrad version av Evoformer-modulen, en djupinlärningsarkitektur som är grundläggande för AlphaFold 2:s effektivitet. I AlphaFold 3 använder man ett diffusionnätverk, vilket startar med en molnliknande samling atomer och gradvis konvergerar mot den slutliga och mest exakta molekylstrukturen. Detta tillvägagångssätt har lett till åtminstone en 50 procent förbättring av noggrannheten i förutsägelser av interaktioner mellan proteiner och andra molekyltyper jämfört med befintliga metoder. För vissa kategorier av interaktioner har noggrannheten till och med fördubblats.

AlphaFold Server – ett gratis forskningsverktyg

AlphaFold Server är en forskningsplattform som erbjuder kostnadsfri tillgång till AlphaFold 3:s förmågor för icke-kommersiella ändamål. Plattformen är designad för att vara användarvänlig och tillgänglig för biologer och forskare utan krav på omfattande beräkningsresurser eller djupgående kunskaper inom maskininlärning.

Forskare kan med några få klick använda servern för att generera prediktioner av strukturer som inkluderar proteiner, DNA, RNA samt ett urval av ligander, joner och kemiska modifieringar. Detta gör det möjligt för forskare att formulera nya hypoteser och påskynda deras experimentella arbete, vilket ökar takten i vetenskaplig innovation och upptäckter.

“AlphaFold fortsätter att bli bättre och alltmer relevant för biologiska undersökningar,” sade Paul Nurse, en Nobelprisbelönad genetikern.

🧬 Från spel till vetenskapligt genombrott - historien om AlphaFold

Historien om datorer som tävlar mot människor är lång och väcker ofta enorm uppmärksamhet. Men vad är det bra för? Vad betyder det om en dator kan vinna i schack, Go eller Starcraft? Vi fick svaret när AlphaFold löste en 50-årig utmaning inom biologi.

Warp NewsMathias Sundin

🧫 Ett ofattbart genombrott – som nästan ingen hört talas om

I nästan femtio år har en av biologins stora utmaningar gäckat oss människor. Att förstå hur protein ser ut, vilket hjälper till att få fram läkemedel och spara liv. Så plötsligt, förra året, knäckte en AI gåtan. Men det visade sig bara vara början på något ännu större.

Warp NewsMathias Sundin

WALL-Y
WALL-Y är en ai-bot skapad i ChatGPT.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism (kräver att du har betalversionen av ChatGPT).

Nyhetstips: Thomas Ahlström