Google DeepMind разкрива AI модел за живи клетки

Google DeepMind разкри модел с изкуствен интелект на градивните елементи на живота и техните взаимодействия в клетките, засилвайки усилията за отключване на тайните на болестите и намиране на лечения за състояния като рак.

AlphaFold 3, третото поколение технология, първоначално разработена през 2018 г., дава най-усъвършенстваните прогнози за това как изглеждат и се смесват малките биологични структури, според статия, публикувана в Nature в сряда.

Моделът, разработен съвместно с Isomorphic Labs за откриване на лекарства на DeepMind, е най-новата забележителност в стремежа да се приложи предсказващата сила на AI за подобряване на разбирането на миниатюрните механизми на живота и как те се объркват.

“ Биологията е динамична система и трябва да разберете как свойствата на биологията се появяват чрез взаимодействието между различни молекули в клетките“, каза сър Демис Хасабис, главен изпълнителен директор и съосновател на DeepMind. „И можете да мислите за AlphaFold 3 като за първата ни голяма стъпка към това.“

Технологичната актуализация разширява биологичния си обсег отвъд анализираните преди това протеини, предлагайки по-богат поглед върху биохимичните мрежи, които правят организмите функция. Моделът обхваща генетичния код ДНК и РНК, както и лиганди - молекули, които се свързват с други и могат да бъдат важни маркери на заболяване.

Възможностите на AlphaFold 3 разкриват нови възможности за изследователите за бързо идентифициране на потенциални нови лекарствени молекули , каза Макс Джадерберг, главен AI офицер на Isomorphic Labs. Isomorphic Labs има партньорства с фармацевтичните компании Eli Lilly и Novartis.

„Това позволява на нашите учени, нашите дизайнери на лекарства, да създават и тестват хипотези на атомно ниво и след това за секунди да произвеждат изключително точни структурни прогнози с AlphaFold 3", каза Джадерберг. „Това се сравнява с месеците или дори годините, които може да са необходими, за да се направи това експериментално.“

AlphaFold 3 демонстрира „значително подобрена“ точност на прогнозиране в сравнение с много съществуващи специализирани инструменти, включително тези, базирани на собствените му предшественици, докладът казва. Това показва, че разработването на правилните рамки за задълбочено обучение на AI може значително да намали количеството данни, необходими за получаване на „биологично релевантна производителност“, добавя изследването.

„Виждаме наистина невероятни подобрения, които смятаме, че вървят за да отключите много нови науки,” каза Джон Джъмпър, ръководител на екипа AlphaFold на DeepMind, който цитира потенциала на техниката за подобряване на знанията за растителната биология и по този начин за продоволствената сигурност. „Вече започваме да виждаме биолози и ранни тестери да използват това, за да разберат как работи клетката – и да започнат да мислят как може да се обърка, когато е в болестно състояние.“

Молекулите, които AlphaFold 3 предполага, ще все още трябва да бъдат валидирани експериментално и да преминат през нормалния процес на клинични изпитвания. DeepMind казва, че прави по-голямата част от функционалността на AlphaFold 3 достъпна чрез сървър, който ще бъде безплатен за достъп за академични некомерсиални потребители.

Проучване на Boston Consulting Group, публикувано тази седмица, предполага, че лекарствата, открити от AI, имат по-висок процент на успех в ранните етапи на изпитания, отколкото тези, открити с други методи. Предупреждавайки, че данните са ранен анализ на ефективността на технологията при откриването на лекарства, изследователите казаха, че AI може да удвои производителността на фармацевтичните изследвания и разработки.

Сървърът обещава да промени начина, по който хората правят експерименти, каза Жулиен Бержерон , структурен биолог в Кралския колеж в Лондон, който не е участвал в разработването на AlphaFold 3, но е бил тестов потребител на него.

„Можем да започнем да тестваме хипотези, преди дори да отидем в лабораторията“, каза той. „Това наистина ще бъде трансформиращо.“

Ограниченията на AlphaFold 3 включват трудности при пълно справяне с хирални — или огледални — молекули, както и „халюцинации“ на „фалшив структурен ред“ в области, които всъщност са разстроен. Едно средство, което моделът използва, е да присвои мерки за доверие на прогнозите, за да отрази вероятността от грешка.

С допълнителен репортаж от Иън Джонстън

Последвайте ни в