Publicado originalmente por MIT Technology Review
O Google DeepMind lançou uma versão melhorada de sua ferramenta de previsão biológica, AlphaFold, que pode prever as estruturas não apenas das proteínas, mas de quase todos os elementos da vida biológica.
É um desenvolvimento que poderia ajudar a acelerar a descoberta de medicamentos e outras pesquisas científicas. A ferramenta está sendo usada atualmente para experimentar a identificação de tudo, desde culturas resilientes até novas vacinas.
Embora o modelo anterior, lançado em 2020, tenha surpreendido a comunidade científica com a sua capacidade de prever estruturas de proteínas, os investigadores têm clamado para que a ferramenta lide com mais do que apenas proteínas.
Agora, diz DeepMind, AlphaFold 3 pode prever as estruturas de DNA, RNA e moléculas como ligantes, que são essenciais para a descoberta de medicamentos. DeepMind diz que a ferramenta fornece um retrato mais matizado e dinâmico das interações moleculares do que qualquer coisa disponível anteriormente.
“A biologia é um sistema dinâmico”, disse o CEO da DeepMind, Demis Hassabis, aos repórteres em uma teleconferência. “As propriedades da biologia emergem através das interações entre diferentes moléculas na célula, e você pode pensar no AlphaFold 3 como nosso primeiro grande passo para [modelar] isso.”
O AlphaFold 2 nos ajudou a mapear melhor o coração humano, modelar a resistência antimicrobiana e identificar os ovos de aves extintas, mas ainda não sabemos quais avanços o AlphaFold 3 trará.
Mohammed AlQuraishi, professor assistente de biologia de sistemas na Universidade de Columbia que não é afiliado à DeepMind, acredita que a nova versão do modelo será ainda melhor para a descoberta de medicamentos. “O sistema AlphaFold 2 conhecia apenas aminoácidos, por isso tinha utilidade muito limitada para a indústria biofarmacêutica”, diz ele. “Mas agora, o sistema pode, em princípio, prever onde um medicamento se liga a uma proteína.”
A Isommorphic Labs, uma subsidiária de descoberta de medicamentos da DeepMind, já está usando o modelo exatamente para esse fim, colaborando com empresas farmacêuticas para tentar desenvolver novos tratamentos para doenças, de acordo com a DeepMind.
DeepMind diz que dependendo da interação que está sendo modelada, a precisão pode variar de 40% a mais de 80%, e o modelo permitirá aos pesquisadores saber o quão confiante está em sua previsão. Com previsões menos precisas, os pesquisadores precisam usar o AlphaFold apenas como ponto de partida antes de prosseguirem com outros métodos. Independentemente desses intervalos de precisão, se os pesquisadores estão tentando dar os primeiros passos para responder a uma questão como quais enzimas têm o potencial de quebrar o plástico em garrafas de água, é muito mais eficiente usar uma ferramenta como o AlphaFold do que técnicas experimentais como Cristalografia de raio-x.
A maior biblioteca de moléculas do AlphaFold 3 e o maior nível de complexidade exigiram melhorias na arquitetura do modelo subjacente. Então a DeepMind recorreu a técnicas de difusão, que os pesquisadores de IA têm aprimorado constantemente nos últimos anos e agora alimentam geradores de imagens e vídeos como DALL-E 2 e Sora da OpenAI. Ele funciona treinando um modelo para começar com uma imagem com ruído e depois reduzir esse ruído pouco a pouco até que surja uma previsão precisa. Esse método permite que o AlphaFold 3 lide com um conjunto muito maior de entradas.
Isso marcou “uma grande evolução em relação ao modelo anterior”, diz John Jumper, diretor do Google DeepMind. “Isso realmente simplificou todo o processo de fazer com que todos esses átomos diferentes trabalhassem juntos.”..
Veja o artigo completo no site MIT Technology Review