AlphaFold 3, tecnologia de previsão de estruturas e interações moleculares em seres vivos

Principais funções e características do AlphaFold 3

• AlphaFold 3 é um novo modelo de IA desenvolvido pelo Google DeepMind e pela Isomorphic Labs, capaz de prever com precisão estruturas e interações de proteínas, DNA, RNA, ligantes e outros componentes, ampliando a compreensão do mundo biológico e do desenvolvimento de novos medicamentos
• Em interações com outros tipos de moléculas, apresentou uma melhora de pelo menos 50% em relação aos métodos de previsão anteriores, e em algumas categorias importantes de interação a precisão chegou a dobrar
• Foi construído sobre a base do AlphaFold 2, que em 2020 representou um avanço fundamental na previsão de estruturas de proteínas
• O AlphaFold 3 foi além das proteínas e se expandiu para uma ampla gama de biomoléculas. Isso pode viabilizar mais ciência inovadora, como o desenvolvimento de materiais biologicamente regeneráveis, culturas agrícolas mais resilientes, aceleração do design de novos medicamentos e pesquisa genômica

Como o AlphaFold 3 funciona

• Dada uma lista de moléculas de entrada, o AlphaFold 3 gera uma estrutura 3D que mostra como essas moléculas se encaixam. Ele pode modelar não apenas grandes biomoléculas como proteínas, DNA e RNA, mas também pequenas moléculas conhecidas como ligantes
• Ele permite a modelagem de ligantes, uma categoria que inclui muitos medicamentos. Também consegue modelar modificações químicas dessas moléculas, que controlam o funcionamento saudável das células e podem levar a doenças
• O núcleo do modelo é uma versão aprimorada do módulo Evoformer, a arquitetura de deep learning que sustentou o desempenho extraordinário do AlphaFold 2
• Depois de processar a entrada, o AlphaFold 3 monta a previsão usando uma rede de difusão semelhante às encontradas em geradores de imagens por IA. O processo de difusão começa com uma nuvem de átomos e, ao longo de várias etapas, converge para a estrutura molecular mais precisa

O papel do AlphaFold 3 no desenvolvimento de medicamentos

• O AlphaFold 3 viabiliza a capacidade de projetar novos medicamentos por meio de previsões sobre moléculas comumente usadas em fármacos, como ligantes e anticorpos, que se ligam a proteínas e alteram a forma como interagem na saúde e na doença humanas
• O AlphaFold 3 alcança uma precisão sem precedentes na previsão de interações semelhantes às de medicamentos, incluindo a ligação entre ligantes, anticorpos e proteínas-alvo
• Mesmo sem entrada de informação estrutural, o AlphaFold 3 foi 50% mais preciso que os melhores métodos tradicionais anteriores no benchmark PoseBusters, tornando-se o primeiro sistema de IA a superar ferramentas baseadas em física para previsão de estruturas biomoleculares
• A capacidade de prever a ligação entre anticorpos e proteínas é extremamente importante para compreender aspectos da resposta imune humana e o design de anticorpos, uma classe de terapias em rápido crescimento
• A Isomorphic Labs está combinando o AlphaFold 3 com modelos internos complementares de IA para aplicá-lo ao design de medicamentos em projetos próprios e com parceiros farmacêuticos

Visão geral do AlphaFold Server

• O AlphaFold Server, recém-lançado pelo Google DeepMind, é a ferramenta mais precisa do mundo para prever como proteínas interagem com outras moléculas em toda a célula
• É uma plataforma que cientistas podem usar gratuitamente para pesquisa não comercial
• Com apenas alguns cliques, biólogos podem aproveitar os recursos do AlphaFold 3 para modelar estruturas compostas por proteínas, DNA, RNA, ligantes selecionados, íons e modificações químicas
• Ele ajuda a formular novas hipóteses para serem testadas em laboratório, acelerando fluxos de trabalho e possibilitando mais inovação
• Oferece aos pesquisadores uma forma acessível de gerar previsões, independentemente de seus recursos computacionais ou conhecimento especializado em machine learning
• A previsão experimental de estruturas de proteínas pode levar o equivalente à duração de um doutorado e custar centenas de milhares de dólares. O AlphaFold 2 foi usado para prever centenas de milhões de estruturas, algo que, no ritmo atual da biologia estrutural experimental, teria exigido centenas de milhões de anos de trabalho de pesquisadores

Compartilhamento responsável do AlphaFold 3

• Em cada lançamento do AlphaFold, houve esforço conjunto com as comunidades de pesquisa e segurança para compreender o impacto mais amplo da tecnologia
• Foi adotada uma abordagem orientada pela ciência e realizadas avaliações extensas para mitigar riscos potenciais e compartilhar benefícios amplos para a biologia e a humanidade
• Com base nas consultorias externas realizadas para o AlphaFold 2, houve consulta com mais de 50 especialistas de domínio e terceiros especializados nas áreas de biossegurança, pesquisa e indústria para compreender as capacidades e os riscos potenciais do modelo AlphaFold
• Antes do lançamento do AlphaFold 3, houve participação em fóruns e debates com toda a comunidade
• Isso reflete um esforço contínuo para compartilhar os benefícios do AlphaFold, incluindo um banco de dados gratuito com 200 milhões de estruturas de proteínas
• Também há planos de expandir o curso online gratuito de treinamento em AlphaFold com a EMBL-EBI e firmar parcerias com organizações do Sul Global para fornecer aos cientistas as ferramentas necessárias para acelerar adoção e pesquisa
• Haverá continuidade na colaboração com a comunidade científica e formuladores de políticas para o desenvolvimento e a implementação responsáveis de tecnologias de IA

O futuro da biologia celular baseada em IA

• O AlphaFold 3 permite observar sistemas celulares em toda a sua complexidade, abrangendo estrutura, interação e modificação
• Essa nova janela mostra como as moléculas da vida estão conectadas e ajuda a entender como essas conexões afetam funções biológicas, como a ação de medicamentos, a produção de hormônios e os processos de reparo do DNA que preservam a saúde
• O impacto do AlphaFold 3 e do AlphaFold Server gratuito será concretizado na forma como cientistas aceleram descobertas em questões em aberto da biologia e em novas linhas de pesquisa
• Estamos apenas começando a explorar o potencial do AlphaFold 3, e há expectativa em relação ao que o futuro reserva

Opinião do GN⁺

• O AlphaFold 3 parece ter grande potencial de impacto na pesquisa biológica ao ir além da simples previsão de estruturas de proteínas e passar a prever também interações entre diversas moléculas dentro da célula. Em especial, impressiona o fato de que cientistas do mundo todo poderão acessá-lo e utilizá-lo facilmente por meio de um servidor gratuito.
• No entanto, embora se diga que a precisão na previsão de interações entre moléculas tenha melhorado 50%, ainda resta a dúvida sobre qual será o nível real quando comparado com resultados experimentais. Por enquanto, parece mais adequado vê-lo como uma ferramenta auxiliar para formulação de hipóteses.
• Dado o enorme potencial de aplicação no desenvolvimento de medicamentos, é esperado que o interesse das empresas farmacêuticas seja alto. No entanto, por causa de questões éticas e de segurança, a comercialização ainda deve levar mais tempo.
• Assim como o AlphaFold começou prevendo estruturas de proteínas e agora já consegue prever interações em nível molecular, espera-se que no futuro ele se expanda para níveis celulares e de tecidos, contribuindo muito para elucidar mecanismos de surgimento de doenças e para a medicina personalizada.
• No entanto, por se tratar de uma tecnologia de IA poderosa, será necessário o suporte de normas éticas para evitar uso indevido, medidas de segurança e experimentos de validação suficientes. A postura aberta e cautelosa do Google DeepMind parece positiva.

[GN⁺]

Comentários do Hacker News

Em resumo, os principais pontos são os seguintes:

• Métodos baseados em ML mostram desempenho superior aos métodos baseados em física para prever o mundo com precisão. Isso sugere que, no processo de avanço científico, pode ser possível evoluir para modelos melhores sem teorias interpretáveis ou modelos matemáticos.

• De forma semelhante ao AlphaFold 3 da DeepMind, o laboratório de David Baker também lançou RoseTTAFold, um modelo open source que prevê estruturas de proteínas e também DNA e ligantes ligados.

• O AlphaFold 3 apresenta cerca de 70% de precisão, mostrando desempenho relativamente superior aos métodos anteriores (30% a 50%). No entanto, o fato de o comunicado à imprensa não indicar a precisão absoluta é deliberadamente enganoso.

• O AlphaFold 3 pode prever estruturas de várias biomoléculas, incluindo proteínas, DNA, RNA, íons, ligantes e modificações químicas. A precisão na modelagem de complexos proteicos também foi melhorada.

• O fato de não ter sido lançado como open source pode causar grande desconforto para a comunidade científica. Manter de forma fechada uma tecnologia com grande potencial para desenvolvimento de medicamentos e outras áreas não ajuda a ciência.

• Métodos baseados em ML têm a limitação de oferecer pouca explicação para os resultados previstos. Sem entender os princípios subjacentes, é difícil garantir consistência e confiabilidade nos resultados.

• Fornecer apenas um "servidor gratuito" sem liberar o modelo gera preocupação do ponto de vista da reprodutibilidade científica. Tornar-se dependente de uma empresa comercial não é desejável.

• O desempenho exato do AlphaFold 3 em previsões precisas de docking ainda é incerto, pois o artigo ainda não foi publicado. Diz-se que ele é mais de 50% superior aos métodos anteriores, mas números concretos não foram apresentados.

• Em comparação com o AlphaFold 2, preocupa o fato de que alguns elementos interpretáveis, como restrições estruturais, tenham sido parcialmente excluídos e que o modelo dependa simplesmente de destilação de dados (distillation). Também é incômodo ter de aproveitar os resultados previstos do modelo anterior.

• A diferença de expressão entre "quase todos" e "todos" entre o tuíte do CEO da DeepMind e o título do blog é problemática, pois passa a impressão de que tudo foi resolvido 100%.