Science: AI AlphaFold 4 od Google DeepMind předpověděl strukturu všech známých transportních proteinů
Nová verze neuronové sítě vymodelovala 3D tvar více než 50 000 lidských membránových transportních proteinů, které dříve nešly krystalizovat. To urychlí vývoj léků na epilepsii a rakovinu zaměřených na iontové kanály.
Analytický článek: DeepMind prolomil „nekrystalizovatelnou“ bariéru – co AlphaFold 4 skutečně znamená pro farmaceutický průmysl
[Podstata]: co se skutečně děje
Zpráva o předpovědi struktur 50 000 membránových transportních proteinů pomocí AlphaFoldu 4 zní jako další krok vpřed ve výpočetní biologii. Ve skutečnosti je to ale mnohem víc než jen pokrok. Je to okamžik, kdy AI přestala být „pomocníkem“ a stala se jediným nástrojem schopným nahlédnout do celé třídy cílů, které byly po desetiletí pro klasickou strukturní biologii zcela uzavřeny.
Řeč je o SLC transportérech a iontových kanálech. Membránové proteiny tvoří asi 60 % cílů všech léků schválených FDA, ale jejich strukturní informace byla vždy „bílým místem“ – méně než 3 % známých struktur připadá na tuto kategorii. Důvod není v lenosti vědců, ale ve fyzice: aby bylo možné vypěstovat krystal pro rentgenovou strukturní analýzu, musí protein ležet rovně a stabilně. Membránový protein, který žije v tukové vrstvě a neustále mění tvar, aby propouštěl molekuly přes membránu, je nejhorším kandidátem na krystalizaci.
Co AlphaFold 4 udělal takového, co předchozí verze nedokázaly? Jde o „dynamiku“. Předchozí verze, včetně revolučního AlphaFoldu 2, předpovídaly statickou strukturu – jedinou „složenou“ formu. AlphaFold 4 se však zřejmě (ačkoli v anotaci je zmíněn „AlphaFold 3“ z roku 2024, průmysl implikuje novou iteraci multimerního modelování) naučil předpovídat soubory konformací. To znamená, že pro transportní protein může ukázat tři stavy: otevřený ven, uzavřený (v komplexu s ligandem) a otevřený dovnitř buňky. Bez tohoto pochopení tvarů (konformací) není možné vytvořit blokující lék – prostě nevíte, na kterém místě a jak přesně se zachytit.
Chronologie a kontext
Abychom pochopili, proč je to knockout, musíme si připomenout historii jedné z nejvýnosnějších tříd léků – blokátorů protonové pumpy (omeprazol a jeho následovníci). Byly vyvinuty „naslepo“ v 80. letech na základě hrubé fyziologie. Dnes, v éře cíleného designu, už tak nikdo nepracuje. A pokud protein nelze vyfotografovat (zkrystalizovat), byl považován za „nedrogovatelný“. SLC transportéry byly právě takovým hřbitovem nadějí.
Klíčový časový rámec: 2020–2021 – AlphaFold 2 otřásl světem předpovědí stovek milionů proteinů. Ale membránové proteiny zůstávaly nejtěžším úkolem. 2023–2024 – příchod AlphaFoldu 3 s možností modelování malých molekul a iontů. Tehdy se ukázalo, že lze předpovídat nejen samotný protein, ale také to, jak se na něj váže lék.
Nyní, v červnu 2026, Google DeepMind hlásí dokončení „titánského“ skórování – předpovězeny struktury všech známých lidských membránových transportérů. Nejde o hypotetický objev, ale o dokončení mapy. Toto prohlášení by nemělo vyvolat potlesk na Twitteru, ale uzavřená jednání v R&D odděleních Pfizeru a Novartisu.
Kdo vyhrává a kdo prohrává
Vyhrává „in-silico“ biotechnologie. Například společnost Recursion Pharmaceuticals (která již používá AI pro fenotypový screening) a struktury jako Genesis Therapeutics. Už nepotřebují screeningové knihovny milionů látek pro „hádání“. Mohou rovnou modelovat docking do předpovězené struktury draslíkového kanálu.
Vyhrávají akademické laboratoře. Cena komerční krystalizace jednoho membránového proteinu je asi 150 000–300 000 USD a 1–2 roky práce. Nyní je tato cena prakticky vynulována. Postižena budou centra strukturní biologie, která vydělávala na kontraktech na „solubilizaci“ složitých cílů pro farmaceutický průmysl.
Prohrává, kupodivu, technologie Cryo-EM (kryoelektronová mikroskopie). Byla nadějí posledních 5 let pro membránové proteiny, ale AI postupuje rychleji. Prohrávají chemici-medici staré školy, kteří rádi říkali: „Počítač nakreslí, ale ve zkumavce to nefunguje.“ Nyní má AI strukturu a pravděpodobnost zásahu se mnohonásobně zvyšuje.
Co média neříkají
První postřeh: Problém lipidového prostředí.
Média píší „předpověděl strukturu“. Ale protein v buňce není ve vakuu, nýbrž v membráně – specifické tekutině, kde je cholesterol a specifické lipidy, které mění jeho tvar. AlphaFold 4 pravděpodobně předpovídá strukturu proteinu ve „vodném detergentu“ nebo zjednodušeném modelu. V historii se vyskytly případy, kdy protein vytvořený AI a potvrzený krystalografií nakonec nefungoval v živé buňce, protože AI přehlédla regulační lipidovou molekulu sevřenou mezi alfa-šroubovicemi. Pokud vytvoříte lék podle struktury „bez lipidu“, nemusí jednoduše pasovat na nativní protein.
Druhý postřeh: Orphan transportéry a efekty „cíl mimo cíl“.
Člověk má asi 450 SLC transportérů. Mnohé byly považovány za „nezajímavé“, protože jejich funkce byla neznámá. Nyní známe jejich strukturu, ale nevíme, co dělají. Big Pharma se vrhne na screening knihoven proti nim, najde aktivní molekuly, a teprve ve fázi 2 se ukáže, že blokáda SLC-48 vede k nefrotoxicitě, kterou nebylo možné předpovědět, protože jsme neznali fyziologii tohoto genu. Máme „klíč“ (strukturu), ale nevíme, které dveře otevíráme. Klasická farmacie vždy vycházela z nemoci – mutace genu A vede k nemoci B. Zde nám AI dává strukturu bez nozologie. To vytvoří vlnu klinických neúspěchů za 3–4 roky.
Třetí postřeh: Monopol DeepMind.
DeepMind zveřejňuje struktury v otevřeném přístupu (databáze AlphaFold Protein Structure Database). To je skvělé pro vědu. Ale samotná AI, která převádí aminokyselinovou sekvenci na 4D model se šroubovicemi, je uzavřený kód. DeepMind nezveřejňuje přesnou architekturu neuronové sítě (obvykle kombinace transformerů a difúzních modelů). Všechny biotechnologické firmy nyní sedí na „jehle“ Googlu. Pokud se Google zítra rozhodne omezit přístup nebo změnit ceny API pro vysoce výkonný virtuální screening, celý průmysl se ocitne v rukojmí.
Prognóza: následujících 30 dní a 90 dní
Následujících 30 dní:
Očekávejte příval preprintů. Během měsíce vyjde na bioRxiv nejméně 10 článků, kde autoři najdou „novou kapsu“ na jednom z SLC transportérů. Laboratoře začnou zakázkově „řezat“ stovky variant malých molekul. Finanční analytici začnou přehodnocovat ocenění společností specializujících se na metabolická onemocnění (kde SLC hrají klíčovou roli).
Následujících 90 dní:
Klíčový moment – FDA vydá nebo nevydá pokyny pro použití AI struktur jako důkazu mechanismu účinku? V současnosti regulátor vyžaduje fyzická data pro „Target Validation“. Pokud FDA uzná AlphaFold 4 jako dostatečný pro zdůvodnění výběru cíle (Target Validation), ušetří to 1–2 roky preklinického vývoje.
Také se připravte na skandál ohledně reprodukovatelnosti. Někdo se pokusí syntetizovat jeden z předpovězených proteinů (in vitro) a ověřit AI model rentgenem. Jsem přesvědčen, že odchylka RMSD (střední kvadratická odchylka atomů) bude u některých složitých podjednotek větší než 1,5 angstromu. Pro chemický design je to hodně. Zvedne se vlna kritiky, že AI stále „kreslí čmáranice“. Teprve potom se ukáže, že protein ve zkumavce prostě agregoval – a to je samostatný problém biofyziky, který AI zatím neřeší.
Prohlášení o vyloučení odpovědnosti: uvedená analýza je založena na logice vývoje AI biologie za poslední 3 roky a trendech stanovených publikacemi Nature/Science z let 2024–2025. Konkrétní názvy společností a jejich produktů jsou použity pro ilustraci průmyslových vztahů a neodrážejí přímé informace z nezveřejněných zdrojů.
— Editorial Team
