AlphaFold 3, Technologie zur Vorhersage von Biomolekülstrukturen und -interaktionen

Hauptfunktionen und Merkmale von AlphaFold 3

• AlphaFold 3 ist ein neues KI-Modell, das von Google DeepMind und Isomorphic Labs entwickelt wurde. Es kann die Strukturen und Interaktionen von Proteinen, DNA, RNA, Liganden und weiteren Molekülen präzise vorhersagen und dadurch das Verständnis der biologischen Welt sowie der Arzneimittelentwicklung verbessern.
• Im Vergleich zu bisherigen Vorhersagemethoden wurde die Leistung bei Interaktionen mit anderen Molekültypen um mindestens 50 % verbessert; in einigen wichtigen Interaktionskategorien hat sich die Vorhersagegenauigkeit sogar verdoppelt.
• Es baut auf der Grundlage von AlphaFold 2 auf, das 2020 einen grundlegenden Durchbruch bei der Vorhersage von Proteinstrukturen ermöglichte.
• AlphaFold 3 geht über Proteine hinaus und wurde auf ein breites Spektrum von Biomolekülen erweitert. Dadurch könnte es noch mehr innovative Wissenschaft ermöglichen, etwa bei der Entwicklung biologisch regenerierbarer Materialien, widerstandsfähigerer Nutzpflanzen, der beschleunigten Entwicklung neuer Medikamente und in der Genomforschung.

So funktioniert AlphaFold 3

• Wenn eine Liste von Eingabemolekülen gegeben ist, erzeugt AlphaFold 3 eine 3D-Struktur, die zeigt, wie die Moleküle ineinandergreifen. Es kann nicht nur große Biomoleküle wie Proteine, DNA und RNA modellieren, sondern auch kleine Moleküle, die als Liganden bekannt sind.
• Es kann Liganden modellieren, eine Stoffklasse, zu der viele Medikamente gehören. Zudem kann es chemische Modifikationen dieser Moleküle modellieren, die die gesunde Funktion von Zellen steuern und zu Krankheiten führen können.
• Im Kern des Modells steht eine verbesserte Version des Evoformer-Moduls, der Deep-Learning-Architektur, die auch die beeindruckende Leistung von AlphaFold 2 ermöglicht hat.
• Nach der Verarbeitung der Eingaben setzt AlphaFold 3 seine Vorhersagen mithilfe eines Diffusionsnetzwerks zusammen, ähnlich denen, die in KI-Bildgeneratoren verwendet werden. Der Diffusionsprozess beginnt mit einer Wolke aus Atomen und konvergiert über mehrere Schritte schließlich zur präzisesten Molekülstruktur.

Die Rolle von AlphaFold 3 in der Arzneimittelentwicklung

• AlphaFold 3 schafft neue Möglichkeiten für das Wirkstoffdesign durch Vorhersagen zu Molekülen, die häufig in Arzneimitteln verwendet werden, etwa Liganden und Antikörper, die an Proteine binden und die Art ihrer Wechselwirkung bei menschlicher Gesundheit und Krankheit verändern.
• AlphaFold 3 erreicht eine beispiellose Genauigkeit bei der Vorhersage arzneimittelähnlicher Interaktionen, einschließlich der Bindung von Liganden und Antikörpern an Zielproteine.
• AlphaFold 3 ist auf dem PoseBusters-Benchmark ohne Eingabe von Strukturinformationen 50 % genauer als die bisher beste traditionelle Methode und damit das erste KI-System, das physikbasierte Werkzeuge zur Vorhersage von Biomolekülstrukturen übertrifft.
• Die Fähigkeit, Antikörper-Protein-Bindungen vorherzusagen, ist entscheidend, um Aspekte der menschlichen Immunreaktion zu verstehen und das Design von Antikörpern zu verbessern, die sich zu einer neuen Klasse von Therapeutika entwickeln.
• Isomorphic Labs kombiniert AlphaFold 3 mit ergänzenden internen KI-Modellen und setzt dies sowohl in eigenen Projekten als auch gemeinsam mit Pharma-Partnern für das Wirkstoffdesign ein.

Überblick über den AlphaFold Server

• Der neu veröffentlichte AlphaFold Server von Google DeepMind ist das weltweit präziseste Werkzeug zur Vorhersage, wie Proteine in der gesamten Zelle mit anderen Molekülen interagieren.
• Es handelt sich um eine Plattform, die Wissenschaftler für nichtkommerzielle Forschung kostenlos nutzen können.
• Mit nur wenigen Klicks können Biologen die Fähigkeiten von AlphaFold 3 nutzen, um Strukturen zu modellieren, die aus Proteinen, DNA, RNA, ausgewählten Liganden, Ionen und chemischen Modifikationen bestehen.
• Das hilft dabei, neue Hypothesen für Tests im Labor aufzustellen, beschleunigt Workflows und ermöglicht weitere Innovationen.
• Forschenden wird damit ein zugänglicher Weg geboten, Vorhersagen zu erzeugen – unabhängig von verfügbaren Rechenressourcen oder Machine-Learning-Fachwissen.
• Die experimentelle Vorhersage von Proteinstrukturen kann etwa die Dauer eines Doktorats beanspruchen und mehrere Hunderttausend Dollar kosten. AlphaFold 2 wurde bereits zur Vorhersage von Hunderten Millionen Strukturen eingesetzt, was beim derzeitigen Tempo der experimentellen Strukturbioologie Hunderte Millionen Jahre an Forschungszeit erfordert hätte.

Verantwortungsvolle Bereitstellung von AlphaFold 3

• Bei jeder AlphaFold-Veröffentlichung wurde gemeinsam mit der Forschungs- und Sicherheits-Community daran gearbeitet, die weitreichenden Auswirkungen der Technologie zu verstehen.
• Es wird ein wissenschaftsgeleiteter Ansatz verfolgt und es werden umfassende Bewertungen durchgeführt, um potenzielle Risiken zu mindern und die breiten Vorteile für Biologie und Menschheit zu teilen.
• Aufbauend auf der externen Beratung zu AlphaFold 2 wurde mit mehr als 50 Fachexperten und spezialisierten Drittparteien aus den Bereichen Biosicherheit, Forschung und Industrie zusammengearbeitet, um die Fähigkeiten und potenziellen Risiken der AlphaFold-Modelle zu verstehen.
• Vor der Veröffentlichung von AlphaFold 3 wurde an gemeinschaftsweiten Foren und Diskussionen teilgenommen.
• Dies spiegelt die fortlaufenden Bemühungen wider, die Vorteile von AlphaFold zu teilen, einschließlich einer frei zugänglichen Datenbank mit 200 Millionen Proteinstrukturen.
• Der kostenlose Online-Kurs zu AlphaFold mit EMBL-EBI soll ausgebaut werden, außerdem sind Partnerschaften mit Organisationen im Global South geplant, um Wissenschaftlern die nötigen Werkzeuge für schnellere Einführung und Forschung bereitzustellen.
• Für die verantwortungsvolle Entwicklung und Bereitstellung von KI-Technologien will man weiterhin mit der Wissenschaftsgemeinschaft und politischen Entscheidungsträgern zusammenarbeiten.

Die Zukunft der KI-gestützten Zellbiologie

• AlphaFold 3 macht es möglich, Zellsysteme in ihrer ganzen Komplexität zu betrachten – über Strukturen, Interaktionen und Modifikationen hinweg.
• Dieses neue Fenster zeigt, wie die Moleküle des Lebens miteinander verbunden sind, und hilft zu verstehen, wie diese Verbindungen biologische Funktionen beeinflussen – etwa die Wirkungsweise von Medikamenten, die Hormonproduktion oder DNA-Reparaturprozesse zur Erhaltung der Gesundheit.
• Die Wirkung von AlphaFold 3 und des kostenlosen AlphaFold Server wird sich daran zeigen, wie Wissenschaftler Entdeckungen bei offenen Fragen der Biologie und neuen Forschungslinien beschleunigen.
• Das Potenzial von AlphaFold 3 wird gerade erst erschlossen, und die weitere Entwicklung bleibt spannend.

Meinung von GN⁺

• AlphaFold 3 dürfte eine große Wirkung auf die biologische Forschung haben, da es nicht mehr nur Proteinstrukturen vorhersagen kann, sondern auch die Interaktionen zwischen verschiedenen Molekülen in der Zelle. Besonders beeindruckend ist, dass Wissenschaftler weltweit über einen kostenlosen Server leicht darauf zugreifen und es nutzen können.
• Auch wenn die Genauigkeit bei der Vorhersage von Molekülinteraktionen um 50 % verbessert wurde, bleibt fraglich, wie sich das im Vergleich zu realen Experimentergebnissen einordnen lässt. Derzeit erscheint es sinnvoll, das System eher als unterstützendes Werkzeug zur Hypothesenbildung zu betrachten.
• Angesichts des sehr großen Potenzials für die Arzneimittelentwicklung ist mit großem Interesse seitens der Pharmaindustrie zu rechnen. Aufgrund ethischer und sicherheitsbezogener Fragen dürfte eine breite Kommerzialisierung jedoch noch Zeit benötigen.
• So wie AlphaFold von der Vorhersage von Proteinstrukturen nun zur Vorhersage von Interaktionen auf Molekülebene vorgedrungen ist, wird erwartet, dass es künftig auf Zell- und Gewebeebene ausgeweitet werden könnte und damit erheblich zur Aufklärung von Krankheitsmechanismen und zur personalisierten Medizin beiträgt.
• Da es sich um eine leistungsstarke KI-Technologie handelt, müssen jedoch ethische Leitlinien gegen Missbrauch, Sicherheitsmaßnahmen und ausreichende Validierungsexperimente mitentwickelt werden. Die offene und vorsichtige Haltung von Google DeepMind wirkt in dieser Hinsicht positiv.

[GN⁺]

Hacker-News-Kommentare

Die wichtigsten Punkte lassen sich wie folgt zusammenfassen:

• ML-basierte Methoden zeigen eine bessere Leistung bei der präzisen Vorhersage der Welt als physikbasierte Methoden. Das deutet darauf hin, dass im wissenschaftlichen Fortschritt bessere Modelle auch ohne interpretierbare Theorien oder mathematische Modelle entstehen können.

• Ähnlich wie DeepMinds AlphaFold 3 hat auch das Labor von David Baker RoseTTAFold veröffentlicht, ein Open-Source-Modell zur Vorhersage von Proteinstrukturen sowie gebundener DNA und Liganden.

• AlphaFold 3 erreicht eine Genauigkeit von etwa 70 % und zeigt damit eine relativ bessere Leistung als bestehende Methoden (30–50 %). Dass in der Pressemitteilung keine absolute Genauigkeit genannt wird, ist jedoch bewusst irreführend.

• AlphaFold 3 kann die Strukturen verschiedener Biomoleküle vorhersagen, darunter Proteine, DNA, RNA, Ionen, Liganden und chemische Modifikationen. Auch die Genauigkeit bei der Modellierung von Proteinkomplexen wurde verbessert.

• Dass es nicht als Open Source veröffentlicht wurde, könnte der Wissenschaft große Unannehmlichkeiten bereiten. Eine Technologie mit großem Potenzial etwa für die Arzneimittelentwicklung geschlossen zu halten, hilft der Wissenschaft nicht.

• ML-basierte Methoden haben die Einschränkung, dass Erklärungen für ihre Vorhersagen fehlen. Ohne Verständnis der zugrunde liegenden Prinzipien ist es schwierig, Konsistenz und Zuverlässigkeit der Vorhersagen zu gewährleisten.

• Nur einen „kostenlosen Server“ bereitzustellen, ohne das Modell zu veröffentlichen, ist im Hinblick auf die wissenschaftliche Reproduzierbarkeit bedenklich. Von kommerziellen Unternehmen abhängig zu werden, ist nicht wünschenswert.

• Die genaue Leistung von AlphaFold 3 bei präzisen Docking-Vorhersagen ist noch unklar, da die Arbeit noch nicht veröffentlicht wurde. Es heißt zwar, die Leistung sei gegenüber bestehenden Methoden um mehr als 50 % besser, konkrete Zahlen werden jedoch nicht genannt.

• Im Vergleich zu AlphaFold 2 ist es bedenklich, dass einige interpretierbare Elemente wie strukturelle Nebenbedingungen weggelassen und stattdessen einfach auf Datendestillation (distillation) gesetzt wird. Auch dass man die Vorhersageergebnisse des vorherigen Modells nutzen muss, ist unpraktisch.

• Der Unterschied in der Formulierung zwischen dem Tweet des DeepMind-CEO und dem Titel des Blogposts — „fast alle“ vs. „alle“ — ist problematisch, weil dadurch der Eindruck entsteht, das Problem sei zu 100 % gelöst.