AlphaFold, розроблений компанією DeepMind, використовує штучний інтелект для точного передбачення тривимірної структури білків на основі їхніх амінокислотних послідовностей. У своїй роботі система поєднує глибоке навчання, еволюційну інформацію та фізичні обмеження, щоб моделювати просторову конфігурацію білків із високою точністю. Основу моделі становить архітектура на базі трансформерів, які аналізують взаємозв’язки між амінокислотами в межах послідовності, враховуючи дані про еволюційні родини та відомі структури. Навчаючись на великих наборах даних, AlphaFold узагальнює отримані знання, що дозволяє їй ефективно прогнозувати навіть ті структури, які раніше не були вивчені, а не просто відтворювати відомі форми.
Еволюція технології AlphaFold
Перша версія AlphaFold, представлена в 2018 році на конкурсі CASP13, використовувала окремі модулі для моделювання взаємодій між амінокислотами та енергетичні моделі для вдосконалення структури. Хоча ця система вже демонструвала суттєвий прогрес у точності прогнозів, її код не був опублікований, що обмежувало можливості для незалежного аналізу. У 2020 році DeepMind представила AlphaFold 2 — принципово нову архітектуру, засновану на єдиній диференційованій нейронній мережі, яка об’єднувала всі компоненти моделювання в єдиний процес. Це дозволило значно підвищити точність передбачень, а після отримання структури застосовувалася додаткова локальна оптимізація за допомогою силового поля AMBER. У 2024 році було оголошено про вихід AlphaFold 3, а в листопаді того ж року науковці отримали доступ до коду та вагів моделі для некомерційних досліджень. У лютому 2025 року система стала загальнодоступною, хоча комерційне використання залишилося обмеженим. Кожен етап розвитку технології проходив незалежну верифікацію на конкурсі CASP, що забезпечило високий рівень наукової суворості, прозорості та стимулював інновації в команді під керівництвом Джона Джампера.
Відкритий код AlphaFold
У липні 2021 року було запущено AlphaFold Protein Structure Database — спільний проєкт DeepMind і Європейського інституту біоінформатики (EMBL-EBI). Ця база даних забезпечує вільний доступ до понад 365 тисяч прогнозованих структур білків, включаючи повний протеом людини. До травня 2022 року кількість структур у базі наблизилася до мільйона, а дані були інтегровані з такими ключовими ресурсами, як UniProt-KB та InterPro, що дозволяє дослідникам легко отримувати структурну інформацію в межах звичних наукових інструментів. База даних поширюється за ліцензією CC-BY 0, яка дозволяє вільне використання та поширення інформації без обмежень. Ця відкритість зробила структурну біологію доступною для науковців усіх країн, незалежно від рівня фінансування чи інфраструктури. Вже в 2023 році на AlphaFold посилалися понад 40% наукових статей у відповідних галузях, що підкреслює її вагомий внесок у сучасну науку.
Обмеження технології AlphaFold
Незважаючи на вражаючі досягнення, AlphaFold має певні обмеження. Зокрема, він не моделює динамічні процеси згортання білків, а передбачає лише статичну, найстабільнішу конформацію. Проміжні стані, перехідні форми та вплив зовнішнього середовища залишаються поза межами його аналізу. Також система не здатна надійно прогнозувати взаємодії в мультимерних білкових комплексах, оскільки її прогнози стосуються переважно окремих білкових ланцюгів. Це ускладнює дослідження функцій, пов’язаних з великими білковими ансамблями. Особливою проблемою є моделювання мембранних білків, які часто відтворюються з низькою надійністю, оскільки оригінальна модель не враховує специфічного впливу ліпідного оточення. Хоча інструменти на кшталт TmAlphaFold та AFTM частково компенсують цей недолік, обмеження залишаються суттєвими, особливо в контексті розробки ліків, де важливо аналізувати взаємодії з інгібіторами. У зв’язку з цим дослідники, зокрема Девід Бейкер, активно працюють над альтернативними підходами, зокрема над de novo дизайном білків, щоб подолати ці бар’єри.