DeepMind ha annunciato AlphaFold 3, l’ultima iterazione del suo progetto di piegamento delle proteine.
AlphaFold 3, come i suoi predecessori, prevede principalmente come le proteine si pieghino basandosi sulla loro sequenza di aminoacidi.
Le proteine, i mattoni di tutta la vita organica, sono composte da lunghi catene di aminoacidi che si piegano come ‘origami’ in strutture 3D che determinano le loro funzioni.
AlphaFold utilizza l’apprendimento automatico per simulare la probabile struttura 3D che una proteina assumerà attraverso la piegatura.
Comprendere come queste strutture si pieghino apre la porta a decifrare i meccanismi che sottendono la salute e la malattia a livello molecolare.
Inoltre, le proteine possono piegarsi in modo errato, un processo che non solo interrompe la loro funzione normale, ma contribuisce anche allo sviluppo di malattie come l’Alzheimer e il Parkinson.
Il piegamento errato può interferire con la salute cellulare accumulando proteine disfunzionali che possono danneggiare cellule e tessuti.
Il “problema del piegamento delle proteine” che AlphaFold sta cercando di risolvere si riferisce alla nostra comprensione di come le proteine siano configurate attraverso gli aminoacidi.
Prima dei metodi di apprendimento automatico, il numero di possibili configurazioni che una proteina può assumere è astronomicamente elevato, rendendo estremamente intensivo dal punto di vista computazionale prevedere la struttura corretta attraverso calcoli manuali o forza bruta da sola.
AlphaFold risolve il problema della scala nel prevedere le strutture proteiche utilizzando l’apprendimento profondo.
Il sistema utilizza reti neurali addestrate su un database di strutture proteiche note per inferire la forma 3D delle proteine dalla loro sequenza di aminoacidi.
Presentazione di AlphaFold 3
DeepMind ha recentemente annunciato AlphaFold 3, che presenta una versione migliorata del modulo Evoformer, parte dell’architettura di apprendimento profondo che sottostà a AlphaFold 2.
Una volta che il modulo Evoformer elabora le molecole di input, AlphaFold 3 utilizza una nuova rete di diffusione per assemblare le strutture previste.
Questa rete è simile a quelle utilizzate in generatori di immagini AI come DALL-E. Inizia con una ‘nuvola’ di atomi e affina iterativamente la struttura in una serie di passaggi fino a convergere su una configurazione molecolare finale, probabilmente accurata.
Il modello AlphaFold 3 è evoluto oltre le sole proteine – incorpora anche informazioni su DNA, RNA, e piccole molecole e può catturare alcune delle loro interazioni complesse.
Isomorphic Labs, che ha collaborato con DeepMind sul progetto AlphaFold 3, sta già lavorando con le aziende farmaceutiche, applicando il modello a reali sfide di progettazione farmaceutica.
DeepMind ha anche lanciato il AlphaFold Server, una piattaforma gratuita e user-friendly che consente ai ricercatori di sfruttare il potere di AlphaFold 3 senza risorse computazionali estese o competenze in apprendimento automatico.
Una breve storia del progetto AlphaFold
Il progetto AlphaFold è iniziato nel 2016 e si è concluso nel 2018, poco dopo la storica vittoria di AlphaGo contro Lee Sedol, un top player internazionale di Go.
Nel 2018, DeepMind ha debuttato con AlphaFold 1, la prima versione del sistema AI, alla CASP13 (Critical Assessment of Protein Structure Prediction) challenge.
Questa competizione biennale riunisce gruppi di ricerca da tutto il mondo per testare l’accuratezza delle loro previsioni sulla struttura delle proteine rispetto a dati sperimentali reali.
AlphaFold 1 si è classificato primo nella competizione, una pietra miliare significativa in biologia computazionale.
Due anni dopo, al CASP14 nel 2020, DeepMind ha presentato AlphaFold 2, dimostrando un’accuratezza così alta che la comunità scientifica ha considerato il problema del piegamento delle proteine essenzialmente risolto.
Le prestazioni di AlphaFold 2 sono state notevoli. Ha raggiunto un punteggio di accuratezza mediana di 92.4 GDT (Global Distance Test) su tutti i target.
Per metterlo in prospettiva, un punteggio di 90 GDT è considerato competitivo con i risultati ottenuti dai metodi sperimentali. Il paper sui metodi di AlphaFold 2 ha ricevuto da allora oltre 20.000 citazioni, posizionandolo tra i top 500 paper più citati in tutti i campi scientifici.
AlphaFold è stato fondamentale in numerosi nuovi progetti di ricerca, come lo studio di proteine che potrebbero degradare inquinanti ambientali, come la plastica, e migliorare la nostra comprensione di malattie tropicali poco comuni come la leishmaniosi e il Chagas.
Nel luglio 2021, DeepMind, in collaborazione con l’European Bioinformatics Institute di EMBL (EMBL-EBI), ha rilasciato il AlphaFold Protein Structure Database, che fornisce accesso a oltre 350.000 previsioni di strutture proteiche, tra cui il proteoma umano completo.
Questo database è stato successivamente espanso per includere oltre 200 milioni di strutture, coprendo quasi tutte le proteine catalogate note alla scienza.
Fino ad oggi, l’AlphaFold Protein Structure Database è stato accessato da oltre un milione di utenti in oltre 190 paesi, consentendo scoperte in campi che vanno dalla medicina all’agricoltura e oltre.
AlphaFold 3 segna un’altra iterazione per questo sistema di scoperta e analisi delle proteine di prim’ordine.
