Vor fast fünf Jahren stellte DeepMind, eines der produktivsten KI-zentrierten Forschungslabore von Google, AlphaFold vor, ein KI-System, das die Strukturen vieler Proteine im menschlichen Körper genau vorhersagen kann. Seitdem hat DeepMind das System verbessert und im Jahr 2020 eine aktualisierte und leistungsfähigere Version von AlphaFold – AlphaFold 2 – herausgebracht.
Und die Arbeit des Labors geht weiter.
DeepMind gab heute bekannt, dass die neueste Version von AlphaFold, dem Nachfolger von AlphaFold 2, Vorhersagen für nahezu alle Moleküle in der Protein Data Bank, der weltweit größten Open-Access-Datenbank biologischer Moleküle, generieren kann.
Isomorphic Labs, ein Spin-off von DeepMind mit Schwerpunkt auf der Arzneimittelforschung, wendet laut a bereits das neue AlphaFold-Modell auf die Entwicklung therapeutischer Arzneimittel an Post auf dem DeepMind-Blog – hilft bei der Charakterisierung verschiedener Arten von molekularen Strukturen, die für die Behandlung von Krankheiten wichtig sind.
Neue Fähigkeiten
Die Fähigkeiten des neuen AlphaFold gehen über die Proteinvorhersage hinaus.
DeepMind behauptet, dass das Modell auch die Strukturen von Liganden – Molekülen, die an „Rezeptor“-Proteine binden und Veränderungen in der Art und Weise der Zellkommunikation bewirken – sowie von Nukleinsäuren (Moleküle, die wichtige genetische Informationen enthalten) und posttranslationalen Modifikationen (chemische) genau vorhersagen können Veränderungen, die nach der Bildung eines Proteins auftreten).
Bildnachweis: DeepMind
Laut DeepMind kann die Vorhersage von Protein-Ligand-Strukturen ein nützliches Werkzeug bei der Arzneimittelentwicklung sein, da sie Wissenschaftlern dabei helfen kann, neue Moleküle zu identifizieren und zu entwerfen, die zu Arzneimitteln werden könnten.
Derzeit verwenden Pharmaforscher Computersimulationen, sogenannte „Docking-Methoden“, um zu bestimmen, wie Proteine und Liganden interagieren. Docking-Methoden erfordern die Angabe einer Referenzproteinstruktur und einer vorgeschlagenen Position auf dieser Struktur, an die der Ligand binden soll.
Beim neuesten AlphaFold ist es jedoch nicht erforderlich, eine Referenzproteinstruktur oder eine vorgeschlagene Position zu verwenden. Das Modell kann Proteine vorhersagen, die bisher noch nicht „strukturell charakterisiert“ wurden, und gleichzeitig simulieren, wie Proteine und Nukleinsäuren mit anderen Molekülen interagieren – ein Modellierungsgrad, der laut DeepMind mit den heutigen Docking-Methoden nicht möglich ist.
„Eine erste Analyse zeigt auch, dass unser Modell deutlich besser abschneidet [the previous generation of] „AlphaFold befasst sich mit einigen Problemen bei der Vorhersage der Proteinstruktur, die für die Arzneimittelentwicklung relevant sind, wie etwa der Antikörperbindung“, schreibt DeepMind in dem Beitrag. „Der dramatische Leistungssprung unseres Modells zeigt das Potenzial der KI, das wissenschaftliche Verständnis der molekularen Maschinen, aus denen der menschliche Körper besteht, erheblich zu verbessern.“
Das neueste AlphaFold ist jedoch nicht perfekt.
In einem weißes Papier Forscher von DeepMind und Isomorphic Labs gehen detailliert auf die Stärken und Grenzen des Systems ein und zeigen, dass das System hinter der besten Methode seiner Klasse zur Vorhersage der Strukturen von RNA-Molekülen zurückbleibt – den Molekülen im Körper, die die Anweisungen zur Herstellung von Proteinen tragen.
Zweifellos arbeiten sowohl DeepMind als auch Isomorphic Labs daran, dieses Problem anzugehen.