Το εργαλείο πρόβλεψης πρωτεΐνης AI AlphaFold3 είναι πλέον διαθέσιμο ως ανοιχτού κώδικα

Το εργαλείο πρόβλεψης πρωτεΐνης AI AlphaFold3 είναι πλέον διαθέσιμο ως ανοιχτού κώδικα

Το AlphaFold3 είναι επιτέλους διαθέσιμο. Έξι μήνες μετά το Google DeepMind αμφιλεγόμενος ο κώδικας ένας Εργασίες για το μοντέλο πρόβλεψης πρωτεϊνικής δομής οι επιστήμονες μπορούν τώρα κατεβάστε τον κώδικα λογισμικού και χρησιμοποιήστε το εργαλείο τεχνητής νοημοσύνης για μη εμπορικές εφαρμογές, ανακοίνωσε η εταιρεία με έδρα το Λονδίνο στις 11 Νοεμβρίου.

«Είμαστε πολύ ενθουσιασμένοι που βλέπουμε τι κάνουν οι άνθρωποι με αυτό», λέει ο John Jumper, ο οποίος ηγείται της ομάδας AlphaFold στο DeepMind και εντάχθηκε στον CEO Demis Hassabis τον περασμένο μήνα κέρδισε μέρος του Νόμπελ Χημείας 2024 για την εργασία τους στο εργαλείο AI.

Σε αντίθεση με τους προκατόχους του, το AlphaFold3 ικανό να μοντελοποιεί πρωτεΐνες σε συνδυασμό με άλλα μόρια. Αντί να απελευθερώσετε τον υποκείμενο κώδικα - όπως συμβαίνει με AlphaFold2 ήταν η περίπτωση – η DeepMind παρείχε πρόσβαση μέσω ενός διακομιστή ιστού που περιόριζε τον αριθμό και τον τύπο των προβλέψεων που μπορούσαν να κάνουν οι επιστήμονες.

Ουσιαστικά, ο διακομιστής AlphaFold3 δεν επέτρεψε στους επιστήμονες να προβλέψουν πώς θα αντιδρούσαν οι πρωτεΐνες παρουσία πιθανών φαρμάκων. Αλλά τώρα η απόφαση της DeepMind να κυκλοφορήσει τον κώδικα σημαίνει ότι οι ακαδημαϊκοί επιστήμονες μπορούν να προβλέψουν τέτοιες αλληλεπιδράσεις εκτελώντας οι ίδιοι το μοντέλο.

Η εταιρεία δήλωσε αρχικά ότι η διάθεση του AlphaFold3 μόνο μέσω ενός διακομιστή ιστού πέτυχε τη σωστή ισορροπία μεταξύ της παροχής πρόσβασης για έρευνα και της προστασίας των εμπορικών φιλοδοξιών. Η Isomorphic Labs, ένα spin-off της DeepMind στο Λονδίνο, εφαρμόζει το AlphaFold3 στην ανακάλυψη φαρμάκων.

Ωστόσο έβγαλε την κυκλοφορία του AlphaFold3 χωρίς τα βάρη του κωδικού ή του μοντέλου — Οι παράμετροι που προέκυψαν από την εκπαίδευση του λογισμικού σε δομές πρωτεϊνών και άλλα δεδομένα — προκάλεσαν κριτική από επιστήμονες που είπαν ότι η κίνηση υπονόμευε την αναπαραγωγιμότητα. Η DeepMind έβγαλε γρήγορα συμπεράσματα και είπε ότι μια έκδοση ανοιχτού κώδικα του εργαλείου θα είναι διαθέσιμη εντός έξι μηνών.

Οποιοσδήποτε μπορεί πλέον να κατεβάσει τον κώδικα λογισμικού AlphaFold3 και να τον χρησιμοποιήσει μη εμπορικά. Ωστόσο, επί του παρόντος μόνο επιστήμονες με ακαδημαϊκές σχέσεις έχουν πρόσβαση στα βάρη εκπαίδευσης κατόπιν αιτήματος.

Προσβάσιμες εκδόσεις

Η DeepMind έχει ανταγωνισμό: Τους τελευταίους μήνες, αρκετές εταιρείες έχουν Παρουσιάστηκαν εργαλεία ανοιχτού κώδικα για πρόβλεψη δομής πρωτεΐνης με βάση το AlphaFold3, τα οποία βασίζονται σε προδιαγραφές που περιγράφονται στην αρχική εργασία, γνωστές ως ψευδοκώδικας.

Δύο κινεζικές εταιρείες — ο τεχνολογικός γίγαντας Baidu και ο προγραμματιστής του TikTok ByteDance — κυκλοφόρησαν τα δικά τους μοντέλα εμπνευσμένα από το AlphaFold3, όπως και μια startup στο Σαν Φρανσίσκο της Καλιφόρνια που ονομάζεται Chai Discovery.

Ένα βασικό μειονέκτημα αυτών των μοντέλων είναι ότι κανένα από αυτά, όπως το AlphaFold3, δεν έχει άδεια για εμπορικές εφαρμογές όπως η ανακάλυψη φαρμάκων, λέει ο Mohammed AlQuraishi, υπολογιστικός βιολόγος στο Πανεπιστήμιο Columbia στη Νέα Υόρκη. Ωστόσο, το μοντέλο της Chai Discovery, Chai-1, μπορεί να χρησιμοποιηθεί για τέτοιες εργασίες μέσω ενός διακομιστή web, εξηγεί ο Jack Dent, συνιδρυτής της εταιρείας.

Μια άλλη εταιρεία, η Ligo Biosciences του Σαν Φρανσίσκο, κυκλοφόρησε μια έκδοση του AlphaFold3 χωρίς περιορισμούς. Ωστόσο, αυτό δεν έχει ακόμη όλο το φάσμα των λειτουργιών, συμπεριλαμβανομένης της ικανότητας μοντελοποίησης φαρμάκων και μορίων εκτός από πρωτεΐνες.

Άλλες ομάδες εργάζονται σε εκδόσεις του AlphaFold3 που είναι διαθέσιμες χωρίς τέτοιους περιορισμούς: η AlQuraishi ελπίζει να προσφέρει ένα μοντέλο πλήρως ανοιχτού κώδικα που ονομάζεται OpenFold3 αργότερα φέτος. Αυτό θα επέτρεπε στις φαρμακευτικές εταιρείες να επανεκπαιδεύσουν τις δικές τους εκδόσεις του μοντέλου χρησιμοποιώντας ιδιόκτητα δεδομένα, όπως οι δομές των πρωτεϊνών που συνδέονται με διαφορετικά φάρμακα, βελτιώνοντας πιθανώς την απόδοση.

Το άνοιγμα μετράει

Το περασμένο έτος παρατηρήθηκε μια βιασύνη νέων βιολογικών μοντέλων AI από εταιρείες με διαφορετικές προσεγγίσεις στο άνοιγμα. Ο Anthony Grid, ένας υπολογιστικός βιολόγος στο Πανεπιστήμιο του Wisconsin-Madison, δεν έχει κανένα πρόβλημα με τις εμπορικές εταιρείες που εισέρχονται στον τομέα του - αρκεί να ακολουθούν τους ίδιους κανόνες με άλλους επιστήμονες όταν μοιράζονται την εργασία τους σε περιοδικά και διακομιστές προεκτύπωσης.

Εάν η DeepMind κάνει ισχυρισμούς σχετικά με το AlphaFold3 σε μια επιστημονική δημοσίευση, "θα περίμενα να μοιραστούν επίσης πληροφορίες σχετικά με τον τρόπο με τον οποίο έγιναν οι προβλέψεις και να παράσχουν τα μοντέλα AI και τον κώδικα με τρόπο που να μπορούμε να τα δοκιμάσουμε", προσθέτει ο Grid. «Η ομάδα μου δεν θα χρησιμοποιήσει εργαλεία που δεν μπορούμε να επαληθεύσουμε».

Το γεγονός ότι έχουν ήδη προκύψει αρκετές επαναλήψεις του AlphaFold3 δείχνει ότι το μοντέλο ήταν αναπαραγώγιμο, ακόμη και χωρίς κώδικα ανοιχτού κώδικα, λέει ο Pushmeet Kohli, επικεφαλής της τεχνητής νοημοσύνης για την επιστήμη στο DeepMind. Προσθέτει ότι θα ήθελε να δει περισσότερη συζήτηση στο μέλλον σχετικά με τα πρότυπα δημοσίευσης σε έναν τομέα που κατοικείται όλο και περισσότερο από ακαδημαϊκούς και εταιρικούς ερευνητές.

Η φύση ανοιχτού κώδικα του AlphaFold2 οδήγησε σε ένα κύμα καινοτομίας από άλλους επιστήμονες. Για παράδειγμα, οι νικητές ενός πρόσφατου διαγωνισμού μοντελοποίησης πρωτεϊνών χρησιμοποίησαν το εργαλείο AI για να να σχεδιάσει νέες πρωτεΐνες που μπορούν να συνδεθούν με έναν καρκινικό στόχο. Το αγαπημένο hack AlphaFold2 του Jumper προέρχεται από μια ομάδα που χρησιμοποίησε το εργαλείο για να για τον εντοπισμό μιας σημαντικής πρωτεΐνης που βοηθά το σπέρμα να προσκολληθεί στα ωάρια.

Ο Jumper ανυπομονεί να δει τι εκπλήξεις θα προκύψουν μετά την κυκλοφορία του AlphaFold3 - ακόμα κι αν δεν είναι πάντα επιτυχημένες. «Οι άνθρωποι θα το χρησιμοποιήσουν με περίεργους τρόπους», προβλέπει. «Μερικές φορές θα αποτύχει και μερικές φορές θα πετύχει».