AI-proteinförutsägelseverktyget AlphaFold3 nu tillgängligt som öppen källkod

AI-proteinförutsägelseverktyget AlphaFold3 nu tillgängligt som öppen källkod

AlphaFold3 är äntligen tillgänglig. Sex månader efter Google DeepMind kontroversiella koden en Uppsatser om förutsägelsemodellen för proteinstruktur forskare kan nu ladda ner mjukvarukoden och använd det artificiella intelligensverktyget för icke-kommersiella applikationer, meddelade det London-baserade företaget den 11 november.

"Vi är väldigt glada över att se vad folk gör med det", säger John Jumper, som leder AlphaFold-teamet på DeepMind och anslöt sig till VD Demis Hassabis förra månaden vann en del av 2024 års Nobelpris i kemi för deras arbete med AI-verktyget.

Till skillnad från sina föregångare, AlphaFold3 kunna modellera proteiner i kombination med andra molekyler. Istället för att släppa den underliggande koden - som är fallet med AlphaFold2 var fallet – DeepMind gav åtkomst via en webbserver som begränsade antalet och typen av förutsägelser som forskare kunde göra.

Kritiskt är att AlphaFold3-servern inte tillät forskare att förutsäga hur proteiner skulle reagera i närvaro av potentiella droger. Men nu DeepMinds beslut att släppa koden innebär att akademiska forskare kan förutsäga sådana interaktioner genom att själva köra modellen.

Företaget uppgav initialt att att göra AlphaFold3 tillgänglig endast via en webbserver var den rätta balansen mellan att tillhandahålla tillgång till forskning och att skydda kommersiella ambitioner. Isomorphic Labs, en spin-off av DeepMind i London, använder AlphaFold3 i läkemedelsupptäckten.

Dock drog släppet av AlphaFold3 utan dess kod eller modellvikter — Parametrar som erhållits genom att träna programvaran på proteinstrukturer och annan data — fick kritik från forskare som sa att flytten undergrävde reproducerbarheten. DeepMind drog snabbt slutsatser och sa att en öppen källkodsversion av verktyget skulle göras tillgänglig inom sex månader.

Vem som helst kan nu ladda ner AlphaFold3-programvarukoden och använda den icke-kommersiellt. Men för närvarande är det bara forskare med akademisk anknytning som har tillgång till träningsvikterna på begäran.

Tillgängliga versioner

DeepMind har konkurrens: De senaste månaderna har flera företag Verktyg med öppen källkod för förutsägelse av proteinstruktur baserat på AlphaFold3 presenteras, som förlitar sig på specifikationer som beskrivs i originaldokumentet, känd som pseudokod.

Två kinesiska företag – teknikjätten Baidu och TikTok-utvecklaren ByteDance – har släppt sina egna AlphaFold3-inspirerade modeller, liksom en startup i San Francisco, Kalifornien som heter Chai Discovery.

En viktig nackdel med dessa modeller är att ingen av dem, som AlphaFold3, är licensierad för kommersiella tillämpningar som läkemedelsupptäckt, säger Mohammed AlQuraishi, en beräkningsbiolog vid Columbia University i New York City. Chai Discoverys modell, Chai-1, kan dock användas för sådant arbete via en webbserver, förklarar Jack Dent, företagets medgrundare.

Ett annat företag, Ligo Biosciences i San Francisco, har släppt en begränsningsfri version av AlphaFold3. Detta har dock ännu inte hela utbudet av funktioner, inklusive förmågan att modellera andra läkemedel och molekyler än proteiner.

Andra team arbetar med versioner av AlphaFold3 som är tillgängliga utan sådana begränsningar: AlQuraishi hoppas kunna erbjuda en helt öppen källkodsmodell kallad OpenFold3 senare i år. Detta skulle göra det möjligt för läkemedelsföretag att omskola sina egna versioner av modellen med hjälp av proprietära data, såsom strukturerna hos proteiner bundna till olika läkemedel, vilket potentiellt förbättrar prestandan.

Öppenhet räknas

Det senaste året har sett en ström av nya biologiska AI-modeller från företag med olika synsätt på öppenhet. Anthony Grid, en beräkningsbiolog vid University of Wisconsin-Madison, har inga problem med att kommersiella företag kommer in på hans område – så länge de följer samma regler som andra forskare när de delar med sig av sitt arbete i tidskrifter och preprint-servrar.

Om DeepMind gör påståenden om AlphaFold3 i en vetenskaplig publikation, "Jag förväntar mig att de också delar information om hur förutsägelserna gjordes och tillhandahåller AI-modellerna och koden på ett sätt som vi kan testa dem," tillägger grid. "Min grupp kommer inte att använda verktyg som vi inte kan verifiera."

Det faktum att flera replikeringar av AlphaFold3 redan har dykt upp visar att modellen var reproducerbar, även utan öppen källkod, säger Pushmeet Kohli, chef för AI för vetenskap på DeepMind. Han tillägger att han skulle vilja se mer diskussion i framtiden om publiceringsstandarder inom ett område som alltmer befolkas av akademiska forskare och företagsforskare.

Den öppna källkoden hos AlphaFold2 ledde till en ökning av innovationer från andra forskare. Till exempel använde vinnarna av en nyligen genomförd proteinmodelleringstävling AI-verktyget för att att designa nya proteiner som kan binda till ett cancermål. Jumpers favorit AlphaFold2-hack kommer från ett team som använde verktyget för att för att identifiera ett viktigt protein som hjälper spermier att fästa på ägg.

Jumper kan inte vänta på att se vilka överraskningar som dyker upp efter lanseringen av AlphaFold3 – även om de inte alltid är framgångsrika. "Folk kommer att använda det på konstiga sätt," förutspår han. "Ibland kommer det att misslyckas och ibland kommer det att lyckas."