AlphaFold 3 è in grado di prevedere le interazioni tra DNA, RNA e altre molecole, consolidando ulteriormente il suo ruolo di leader nella ricerca e nella scoperta di farmaci. Chi ne beneficerà?
Google DeepMind ha rilasciato una versione migliorata del suo strumento di predizione biologica, AlphaFold, in grado di prevedere le strutture non solo delle proteine ma di quasi tutti gli elementi della vita biologica.
Si tratta di uno sviluppo che potrebbe contribuire ad accelerare la scoperta di farmaci e altre ricerche scientifiche. Lo strumento è attualmente utilizzato per sperimentare l’identificazione di qualsiasi cosa, dalle colture resistenti ai nuovi vaccini.
Mentre il modello precedente, uscito nel 2020, ha stupito la comunità dei ricercatori con la sua capacità di prevedere le strutture delle proteine, gli scienziati hanno chiesto a gran voce che lo strumento non si limitasse alle sole proteine.
Ora, secondo DeepMind, AlphaFold 3 è in grado di prevedere le strutture di DNA, RNA e molecole come i ligandi, essenziali per la scoperta di farmaci. DeepMind afferma che lo strumento fornisce un ritratto più sfumato e dinamico delle interazioni tra le molecole rispetto a quanto disponibile in precedenza.
“La biologia è un sistema dinamico”, ha dichiarato Demis Hassabis, CEO di DeepMind, durante una telefonata con i giornalisti. “Le proprietà della biologia emergono attraverso le interazioni tra le diverse molecole nella cellula, e si può pensare ad AlphaFold 3 come al nostro primo grande passo verso la modellazione”.
AlphaFold 2 ci ha aiutato a mappare meglio il cuore umano, a modellare la resistenza agli antimicrobici e a identificare le uova degli uccelli estinti, ma non sappiamo ancora quali progressi porterà AlphaFold 3.
Mohammed AlQuraishi, professore assistente di biologia dei sistemi presso la Columbia University e non legato a DeepMind, ritiene che la nuova versione del modello sarà ancora migliore per la scoperta di farmaci. “Il sistema AlphaFold 2 conosceva solo gli amminoacidi, quindi la sua utilità per la biofarmaceutica era molto limitata”, spiega. “Ma ora, in linea di principio, il sistema può prevedere dove un farmaco si lega a una proteina”.
Isomorphic Labs, uno spinoff di DeepMind che si occupa di scoperta di farmaci, sta già utilizzando il modello proprio per questo scopo, collaborando con le aziende farmaceutiche per cercare di sviluppare nuovi trattamenti per le malattie, secondo DeepMind.
Secondo AlQuraishi, il rilascio segna un grande passo avanti. Ma ci sono dei limiti.
“Rende il sistema molto più generale e, in particolare per la scoperta di farmaci (nella ricerca in fase iniziale), è molto più utile ora di AlphaFold 2”, afferma. Ma come per la maggior parte dei modelli, l’impatto di AlphaFold dipenderà dall’accuratezza delle sue previsioni. Per alcuni usi, AlphaFold 3 ha un tasso di successo doppio rispetto a modelli analoghi leader come RoseTTAFold. Ma per altri, come le interazioni proteina-RNA, secondo AlQuraishi è ancora molto impreciso.
DeepMind afferma che, a seconda dell’interazione da modellare, l’accuratezza può variare dal 40% a oltre l’80% e il modello comunicherà ai ricercatori quanto è sicuro della sua previsione. Con previsioni meno accurate, i ricercatori devono usare AlphaFold solo come punto di partenza prima di perseguire altri metodi. A prescindere da questi intervalli di accuratezza, se i ricercatori stanno cercando di muovere i primi passi per rispondere a una domanda come quella su quali enzimi abbiano il potenziale per scomporre la plastica delle bottiglie d’acqua, è molto più efficiente utilizzare uno strumento come AlphaFold rispetto a tecniche sperimentali come la cristallografia a raggi-X.
Un modello rinnovato
La libreria di molecole più ampia e il livello di complessità più elevato di AlphaFold 3 hanno richiesto miglioramenti all’architettura del modello sottostante. DeepMind si è quindi affidata alle tecniche di diffusione, che i ricercatori di IA hanno costantemente migliorato negli ultimi anni e che oggi alimentano generatori di immagini e video come DALL-E 2 e Sora di OpenAI. Funziona addestrando un modello che parte da un’immagine rumorosa e poi riduce il rumore un po’ alla volta, finché non emerge una previsione accurata. Questo metodo consente ad AlphaFold 3 di gestire un insieme molto più ampio di input.
Questo ha segnato “una grande evoluzione rispetto al modello precedente”, afferma John Jumper, direttore di Google DeepMind. “Ha davvero semplificato l’intero processo per far lavorare insieme tutti questi diversi atomi”.
Presentava anche nuovi rischi. Come si legge nel documento AlphaFold 3, l’uso di tecniche di diffusione ha reso possibile che il modello avesse allucinazioni, ovvero generasse strutture che sembrano plausibili ma che in realtà non possono esistere. I ricercatori hanno ridotto questo rischio aggiungendo più dati di addestramento alle aree più inclini alle allucinazioni, anche se questo non elimina completamente il problema.
Accesso limitato
L’impatto di AlphaFold 3 dipenderà in parte dal modo in cui DeepMind distribuirà l’accesso al modello. Per AlphaFold 2, l’azienda ha rilasciato il codice open-source, consentendo ai ricercatori di guardare sotto il velo per capire meglio come funziona. Era anche disponibile per tutti gli scopi, compreso l’uso commerciale da parte dei produttori di farmaci. Per AlphaFold 3, ha detto Hassabis, non è previsto il rilascio del codice completo. L’azienda sta invece rilasciando un’interfaccia pubblica per il modello, chiamata AlphaFold Server, che impone limitazioni sulle molecole che possono essere sperimentate e può essere utilizzata solo per scopi non commerciali. DeepMind sostiene che l’interfaccia ridurrà la barriera tecnica e amplierà l’uso dello strumento ai biologi meno esperti di questa tecnologia.
Le nuove restrizioni sono significative, secondo AlQuraishi. “Il principale punto di forza del sistema – la sua capacità di prevedere le interazioni tra proteine e piccole molecole – non è praticamente disponibile per l’uso pubblico”, afferma AlQuraishi. “A questo punto si tratta per lo più di un teaser”.
