Funciones y características principales de AlphaFold 3
- AlphaFold 3 es un nuevo modelo de IA desarrollado por Google DeepMind e Isomorphic Labs, capaz de predecir con precisión las estructuras e interacciones de proteínas, ADN, ARN, ligandos y más, lo que puede mejorar la comprensión del mundo biológico y del desarrollo de nuevos fármacos
- En interacciones con otros tipos de moléculas, mejora al menos un 50% frente a los métodos de predicción existentes, y en algunas categorías importantes de interacción la precisión se duplica
- Está construido sobre la base de AlphaFold 2, que en 2020 logró un avance fundamental en la predicción de estructuras de proteínas
- AlphaFold 3 se expandió más allá de las proteínas hacia una amplia gama de biomoléculas. Esto puede permitir más ciencia innovadora, como el desarrollo de materiales biorrenovables, cultivos más resistentes, aceleración del diseño de nuevos fármacos e investigación genómica
Cómo funciona AlphaFold 3
- Dada una lista de moléculas de entrada, AlphaFold 3 genera una estructura 3D que muestra cómo encajan entre sí. Puede modelar no solo biomoléculas grandes como proteínas, ADN y ARN, sino también moléculas pequeñas conocidas como ligandos
- Permite modelar ligandos, una categoría que incluye muchos medicamentos. También puede modelar las modificaciones químicas de estas moléculas que controlan el funcionamiento saludable de las células y que pueden derivar en enfermedades
- El núcleo del modelo es una versión mejorada del módulo Evoformer, la arquitectura de aprendizaje profundo que sustentó el notable desempeño de AlphaFold 2
- Después de procesar la entrada, AlphaFold 3 ensambla la predicción usando una red de difusión similar a las que se encuentran en los generadores de imágenes por IA. El proceso de difusión comienza con una nube de átomos y, tras varias etapas, converge en la estructura molecular más precisa
El papel de AlphaFold 3 en el desarrollo de fármacos
- AlphaFold 3 abre capacidades para el diseño de nuevos fármacos mediante predicciones sobre moléculas comúnmente utilizadas en medicamentos, como ligandos y anticuerpos, que se unen a proteínas y modifican cómo interactúan en la salud y la enfermedad humanas
- AlphaFold 3 logra una precisión sin precedentes al predecir interacciones similares a las de los fármacos, incluyendo la unión de ligandos y anticuerpos con proteínas objetivo
- Sin necesidad de introducir información estructural, AlphaFold 3 fue un 50% más preciso que el mejor método tradicional previo en el benchmark PoseBusters, convirtiéndose en el primer sistema de IA en superar herramientas basadas en física para la predicción de estructuras biomoleculares
- Su capacidad para predecir la unión anticuerpo-proteína es muy importante para comprender aspectos de la respuesta inmune humana y del diseño de anticuerpos, un tipo de terapia en rápido crecimiento
- Isomorphic Labs está combinando AlphaFold 3 con modelos internos de IA complementarios para aplicarlo al diseño de fármacos en proyectos propios y junto con socios farmacéuticos
Resumen de AlphaFold Server
- El recién lanzado AlphaFold Server de Google DeepMind es la herramienta más precisa del mundo para predecir cómo interactúan las proteínas con otras moléculas en toda la célula
- Es una plataforma que los científicos pueden usar gratis para investigación no comercial
- Con solo unos clics, los biólogos pueden aprovechar las capacidades de AlphaFold 3 para modelar estructuras compuestas por proteínas, ADN, ARN, ligandos seleccionados, iones y modificaciones químicas
- Ayuda a plantear nuevas hipótesis para probar en laboratorio, acelerando los flujos de trabajo y habilitando más innovación
- Ofrece a los investigadores una forma accesible de generar predicciones sin importar sus recursos computacionales o conocimientos de aprendizaje automático
- La predicción experimental de estructuras de proteínas puede tomar el equivalente a la duración de un doctorado y costar cientos de miles de dólares. AlphaFold 2 se ha usado para predecir cientos de millones de estructuras, algo que al ritmo actual de la biología estructural experimental habría requerido cientos de millones de años de trabajo de investigadores
Compartición responsable de AlphaFold 3
- En cada lanzamiento de AlphaFold, han trabajado con las comunidades de investigación y seguridad para entender el impacto amplio de la tecnología
- Han adoptado un enfoque guiado por la ciencia y realizaron evaluaciones extensas para mitigar riesgos potenciales y compartir beneficios amplios para la biología y la humanidad
- Basándose en la asesoría externa realizada para AlphaFold 2, consultaron con más de 50 expertos de dominio y terceros especializados en bioseguridad, investigación e industria para comprender las capacidades y riesgos potenciales del modelo AlphaFold
- Antes del lanzamiento de AlphaFold 3, participaron en foros y discusiones de toda la comunidad
- Refleja un esfuerzo continuo por compartir los beneficios de AlphaFold, incluida una base de datos gratuita con 200 millones de estructuras de proteínas
- Ampliarán el curso en línea gratuito de capacitación de AlphaFold junto con EMBL-EBI, y planean asociarse con organizaciones del Sur Global para dar a los científicos las herramientas necesarias para acelerar la adopción y la investigación
- Seguirán colaborando con la comunidad científica y con responsables de políticas para el desarrollo y despliegue responsable de tecnologías de IA
El futuro de la biología celular impulsada por IA
- AlphaFold 3 permite observar los sistemas celulares en toda su complejidad, abarcando estructuras, interacciones y modificaciones
- Esta nueva ventana muestra cómo están conectadas las moléculas de la vida y ayuda a entender cómo esas conexiones afectan funciones biológicas como la acción de los fármacos, la producción de hormonas y los procesos de reparación del ADN que preservan la salud
- El impacto de AlphaFold 3 y del AlphaFold Server gratuito se hará realidad a través de cómo los científicos aceleran descubrimientos en preguntas abiertas de la biología y en nuevas líneas de investigación
- Apenas se está comenzando a explorar el potencial de AlphaFold 3, y hay expectativas sobre lo que traerá el futuro
La opinión de GN⁺
- AlphaFold 3 parece tener un gran impacto potencial en la investigación biológica, al ir más allá de la simple predicción de estructuras de proteínas y permitir también predecir interacciones entre diversas moléculas dentro de la célula. Resulta especialmente impresionante que se haya puesto a disposición de científicos de todo el mundo a través de un servidor gratuito y de fácil acceso.
- Sin embargo, aunque se dice que la precisión en la predicción de interacciones moleculares ha mejorado un 50%, todavía queda la duda de cuál será su nivel real al compararlo con resultados experimentales. Por ahora, parece más adecuado verlo como una herramienta de apoyo para formular hipótesis.
- Dado su enorme potencial de uso en el desarrollo de fármacos, es de esperar que despierte mucho interés en la industria farmacéutica. Aun así, por cuestiones éticas y de seguridad, su comercialización podría tardar más tiempo.
- Así como AlphaFold comenzó con la predicción de estructuras de proteínas y ahora ha llegado a la predicción de interacciones a nivel molecular, se espera que en el futuro se expanda hacia el nivel celular y de tejidos, ayudando enormemente a esclarecer los mecanismos de aparición de enfermedades y a impulsar la medicina personalizada.
- Aun así, al tratarse de una tecnología de IA tan poderosa, será necesario contar con normas éticas para evitar usos indebidos, medidas de seguridad y suficientes experimentos de validación. La postura abierta y prudente de Google DeepMind se percibe de forma positiva.
1 comentarios
Opiniones en Hacker News
Un resumen de los puntos principales es el siguiente:
Los métodos basados en ML muestran un mejor desempeño que los métodos basados en física para predecir el mundo con precisión. Esto sugiere que en el proceso del avance científico se puede llegar a mejores modelos incluso sin teorías interpretables o modelos matemáticos.
Al igual que AlphaFold 3 de DeepMind, el laboratorio de David Baker también publicó
RoseTTAFold, un modelo de código abierto que predice estructuras de proteínas y ADN unido, así como ligandos.AlphaFold 3 muestra una precisión de alrededor del 70%, con un desempeño relativamente superior frente a los métodos anteriores (30~50%). Sin embargo, que en el comunicado de prensa no se haya indicado la precisión absoluta resulta intencionalmente engañoso.
AlphaFold 3 puede predecir diversas estructuras biomoleculares, incluidas proteínas, ADN, ARN, iones, ligandos y modificaciones químicas. También mejora la precisión del modelado de complejos proteicos.
El hecho de que no se haya publicado como código abierto puede causar un gran inconveniente para la comunidad científica. Mantener de forma cerrada una tecnología con gran potencial para el desarrollo de fármacos y otros usos no ayuda a la ciencia.
Los métodos basados en ML tienen la limitación de ofrecer poca explicación sobre los resultados de sus predicciones. Sin comprender los principios subyacentes, es difícil garantizar la consistencia y confiabilidad de los resultados.
Ofrecer solo un "servidor gratuito" sin publicar el modelo genera preocupaciones desde la perspectiva de la reproducibilidad científica. No es deseable terminar dependiendo de una empresa comercial.
El desempeño exacto de AlphaFold 3 en predicción precisa de docking sigue sin estar claro, ya que aún no se ha publicado el artículo. Se dice que es más de un 50% superior a los métodos existentes, pero no se presentan cifras concretas.
En comparación con AlphaFold 2, preocupa que se hayan dejado de lado parcialmente elementos interpretables, como las restricciones estructurales, para depender simplemente de la destilación de datos (
distillation). También resulta incómodo tener que aprovechar los resultados de predicción del modelo anterior.La diferencia de expresión entre "casi todos" y "todos" entre el tuit del CEO de DeepMind y el título del blog hace problemático dar la impresión de que el problema quedó resuelto al 100%.