Tekoälyproteiinien ennustustyökalu AlphaFold3 on nyt saatavilla avoimena lähdekoodina

Tekoälyproteiinien ennustustyökalu AlphaFold3 on nyt saatavilla avoimena lähdekoodina

AlphaFold3 on vihdoin saatavilla. Kuusi kuukautta Google DeepMindin jälkeen kiistanalainen koodi yksi Proteiinirakenteen ennustemallin artikkeleita tiedemiehet voivat nyt lataa ohjelmistokoodi ja käyttää tekoälytyökalua ei-kaupallisiin sovelluksiin, Lontoossa toimiva yritys ilmoitti 11. marraskuuta.

"Olemme erittäin innoissamme nähdessämme, mitä ihmiset tekevät sillä", sanoo John Jumper, joka johtaa AlphaFold-tiimiä DeepMindissä ja liittyi toimitusjohtaja Demis Hassabisiin viime kuussa. voitti osan 2024 kemian Nobelin palkinnosta heidän työstään AI-työkalun parissa.

Toisin kuin edeltäjänsä, AlphaFold3 pystyy mallintamaan proteiineja yhdessä muiden molekyylien kanssa. Sen sijaan, että vapauttaisit taustalla olevan koodin - kuten tapahtuu AlphaFold2 oli tilanne – DeepMind tarjosi pääsyn verkkopalvelimen kautta, mikä rajoitti tutkijoiden tekemien ennusteiden määrää ja tyyppiä.

Kriittisesti AlphaFold3-palvelin ei antanut tutkijoille mahdollisuuden ennustaa, kuinka proteiinit reagoisivat mahdollisten lääkkeiden läsnä ollessa. Mutta nyt DeepMindin päätös julkaista koodi tarkoittaa, että akateemiset tutkijat voivat ennustaa tällaisen vuorovaikutuksen ajamalla mallia itse.

Yritys totesi alun perin, että AlphaFold3:n asettaminen saataville vain verkkopalvelimen kautta loi oikean tasapainon tutkimuskäyttömahdollisuuksien tarjoamisen ja kaupallisten tavoitteiden suojaamisen välillä. Isomorphic Labs, lontoolaisen DeepMindin tytäryhtiö, soveltaa AlphaFold3:a lääkekehitykseen.

Kuitenkin veti julkaisun AlphaFold3:sta ilman sen koodia tai mallipainoja — Parametrit, jotka saatiin opettamalla ohjelmistoa proteiinien rakenteisiin ja muihin tietoihin — saivat kritiikkiä tutkijoilta, joiden mukaan siirto heikensi toistettavuutta. DeepMind teki nopeasti johtopäätökset ja sanoi, että avoimen lähdekoodin versio työkalusta saataisiin saataville kuuden kuukauden kuluessa.

Kuka tahansa voi nyt ladata AlphaFold3-ohjelmistokoodin ja käyttää sitä ei-kaupallisesti. Tällä hetkellä kuitenkin vain tutkijoilla, joilla on akateemisia yhteyksiä, on pyynnöstä pääsy harjoituspainoihin.

Helppokäyttöiset versiot

DeepMindillä on kilpailua: Viime kuukausina useat yritykset ovat Avoimen lähdekoodin työkalut AlphaFold3:een perustuvien proteiinirakenteen ennustamiseen, jotka perustuvat alkuperäisessä asiakirjassa kuvattuihin spesifikaatioihin, jotka tunnetaan pseudokoodina.

Kaksi kiinalaista yritystä – teknologiajätti Baidu ja TikTok-kehittäjä ByteDance – ovat julkaisseet omat AlphaFold3:sta inspiroidut mallinsa, kuten myös Chai Discovery -niminen startup Kaliforniassa San Franciscossa.

Näiden mallien keskeinen haittapuoli on, että millään niistä, kuten AlphaFold3:lla, ei ole lisensoitua kaupallisiin sovelluksiin, kuten lääkekehitykseen, sanoo Mohammed AlQuraishi, laskennallinen biologi Columbia Universitystä New Yorkissa. Chai Discoveryn mallia Chai-1 voidaan kuitenkin käyttää sellaiseen työhön web-palvelimen kautta, selittää Jack Dent, yrityksen perustaja.

Toinen yritys, Ligo Biosciences of San Francisco, on julkaissut rajoituksettoman version AlphaFold3:sta. Tällä ei kuitenkaan vielä ole kaikkia toimintoja, mukaan lukien kyky mallintaa muita lääkkeitä ja molekyylejä kuin proteiineja.

Muut tiimit työskentelevät sellaisten AlphaFold3-versioiden parissa, jotka ovat saatavilla ilman tällaisia ​​rajoituksia: AlQuraishi toivoo tarjoavansa täysin avoimen lähdekoodin mallin nimeltä OpenFold3 myöhemmin tänä vuonna. Tämä antaisi lääkeyhtiöille mahdollisuuden kouluttaa uudelleen omia versioitaan mallista käyttämällä omistusoikeudellisia tietoja, kuten eri lääkkeisiin sitoutuneiden proteiinien rakenteita, mikä saattaa parantaa suorituskykyä.

Avoimuus ratkaisee

Kuluneen vuoden aikana on tullut runsaasti uusia biologisia tekoälymalleja yrityksiltä, ​​joilla on erilaisia ​​lähestymistapoja avoimuuteen. Anthony Gridillä, Wisconsin-Madisonin yliopiston laskennallisella biologilla, ei ole ongelmia kaupallisten yritysten kanssa hänen alalleen - kunhan ne noudattavat samoja sääntöjä kuin muut tiedemiehet jakavat työnsä lehdissä ja esitulostuspalvelimissa.

Jos DeepMind esittää väitteitä AlphaFold3:sta tieteellisessä julkaisussa, "Odotan heidän myös jakavan tietoa siitä, miten ennusteet tehtiin ja toimittavan tekoälymallit ja koodit tavalla, jolla voimme testata niitä", grid lisää. "Ryhmäni ei käytä työkaluja, joita emme voi vahvistaa."

Se, että AlphaFold3:sta on jo ilmestynyt useita kopioita, osoittaa, että malli oli toistettavissa myös ilman avointa lähdekoodia, sanoo DeepMindin AI for Science -päällikkö Pushmeet Kohli. Hän lisää, että hän haluaisi jatkossa enemmän keskustelua standardien julkaisemisesta alalla, jolla on yhä enemmän akateemisia ja yritystutkijoita.

AlphaFold2:n avoimen lähdekoodin luonne johti muiden tutkijoiden innovaatiotulvaan. Esimerkiksi äskettäisen proteiinimallinnuskilpailun voittajat käyttivät tekoälytyökalua suunnitella uusia proteiineja, jotka voivat sitoutua syöpäkohteeseen. Jumperin suosikki AlphaFold2-hakkerointi tulee tiimiltä, ​​joka käytti työkalua tunnistaa tärkeä proteiini, joka auttaa siittiöitä kiinnittymään munasoluihin.

Jumper ei malta odottaa nähdäkseen, mitä yllätyksiä syntyy AlphaFold3:n julkaisun jälkeen – vaikka ne eivät aina onnistuisikaan. "Ihmiset käyttävät sitä oudolla tavalla", hän ennustaa. ”Joskus se epäonnistuu ja joskus onnistuu.”