První celosvětové využití umělé inteligence k predikci struktury všech známých proteinů (AlphaFold DB)
Google DeepMind a EMBL-EBI naplnily databázi více než 200 miliony predikovaných proteinových struktur, což radikálně urychlilo vývoj léků a pochopení molekulárních mechanismů nemocí.
Úvod
V roce 2020 na konferenci CASP14 (Critical Assessment of protein Structure Prediction) došlo k události, kterou biologové a farmaceuti očekávali téměř půl století. Systém AlphaFold 2 od Google DeepMind předpověděl trojrozměrnou strukturu proteinů na základě jejich aminokyselinové sekvence s přesností srovnatelnou s experimentálními metodami. Bylo to označeno jako „vyřešení 50 let starého problému proteinu“.
O dva roky později, v červenci 2022, DeepMind a Evropský institut bioinformatiky EMBL-EBI udělali další krok, který má neméně význam než samotné vědecké vítězství. Zpřístupnili zdarma databázi AlphaFold Protein Structure Database (AlphaFold DB), obsahující více než 200 milionů predikovaných proteinových struktur – prakticky všechny vědě známé proteiny z katalogu UniProt.
V roce 2024 byl průlom oceněn Nobelovou cenou za chemii, udělenou Demisu Hassabisovi a Johnu Jumperovi. A již v letech 2025–2026 se svět stal svědkem toho, jak se predikce struktur proměňují v reálné léky vstupující do klinických testů. Tento článek je o tom, jak jedna databáze radikálně změnila krajinu biomedicínské vědy.
Podrobnosti události a chronologie
Fáze 1: Revoluce v predikci (2020)
Na CASP14 dosáhl AlphaFold 2 mediánového skóre GDT (míra přesnosti predikce) nad 90 %, což odborníci považovali za ekvivalent experimentálního rozlišení. To znamenalo: od nynějška lze strukturu proteinu zjistit během hodin místo měsíců nebo let laboratorní práce.
Fáze 2: Vytvoření databáze (2021–2022)
V roce 2021 DeepMind a EMBL-EBI spustili první verzi AlphaFold DB obsahující 350 000 struktur pro 20 biologicky významných organismů. Druhé vydání rozšířilo kolekci na téměř milion modelů.
Klíčový moment nastal 28. července 2022. EMBL-EBI oznámil vydání, které zvýšilo databázi z méně než milionu na 214 684 311 predikovaných trojrozměrných struktur. Jak tehdy řekl zástupce ředitele EMBL-EBI Ewan Birney: „Ode dneška je databáze rozšířena z jednoho milionu na více než 200 milionů struktur, pokrývajících téměř celý UniProt.“
Fáze 3: AlphaFold 3 a dále (2024–2025)
V květnu 2024 DeepMind a Isomorphic Labs vydali AlphaFold 3. Nový systém překročil rámec jednotlivých proteinů – naučil se predikovat strukturu komplexů DNA, RNA, iontů, ligandů a posttranslačních modifikací. V testu PoseBusters (hodnocení přesnosti vazby protein-ligand) vykázal AlphaFold 3 zlepšení o 50 % oproti nejlepším tradičním metodám.
Fáze 4: Uznání a první léky (2024–2026)
V říjnu 2024 Hassabis a Jumper obdrželi Nobelovu cenu. A již v dubnu 2026 na konferenci WIRED Health oznámil prezident Isomorphic Labs Max Jaderberg: společnost připravuje první AI-navržené léky na klinické testy na lidech.
Dopad a význam
Pro svět vědy
AlphaFold DB změnila samotný princip práce strukturního biologa:
- Měřítko: Více než 3 miliony výzkumníků ze 190 zemí databázi využilo, včetně více než milionu vědců ze zemí s nízkým a středním příjmem.
- Rychlost objevů: Výzkumníci používající AlphaFold publikují o 40 % aktivněji nové experimentální struktury, přičemž tyto struktury častěji patří do dříve neprobádaných oblastí.
- Citovanost: Práce související s AlphaFold jsou citovány v klinických článcích dvakrát častěji než typické práce o strukturní biologii.
Příklady reálného využití jsou impozantní:
- V Evropě pomocí AlphaFold pochopili strukturu proteinu Vitellogenin u včely medonosné – to se využívá v programech záchrany ohrožených populací.
- Po dlouhá léta vědci nemohli získat strukturu apolipoproteinu B100 – klíčového proteinu „špatného“ cholesterolu (LDL). AlphaFold 2 odhalil jeho složitou „klecovou“ formu, což poskytlo farmaceutům atomární plán pro vývoj nových terapií proti ateroskleróze.
- Turečtí bakalářští studenti bez předchozího vzdělání ve strukturní biologii se naučili pomocí tutoriálů AlphaFold a následně publikovali 15 vědeckých prací.
Pro farmaceutický průmysl
AlphaFold se stal katalyzátorem pro drug discovery:
- Přibližně 40 % nových struktur uložených v Protein Data Bank (PDB) v letech 2024 až 2025 bylo získáno s využitím metod AI.
- Isomorphic Labs, spin-off DeepMind, získal 600 milionů dolarů investic a uzavřel partnerství s Eli Lilly a Novartis.
- Byl vyvinut proprietární engine IsoDDE, který podle prohlášení společnosti více než dvojnásobně překonává přesnost AlphaFold 3 v designu léků.
Pro společnost
Hlavním příslibem AlphaFold je urychlení tvorby léků na obtížně léčitelné nemoci. „Námi navržené molekuly jsou velmi účinné, lze je užívat v menších dávkách a vedlejší účinky budou nižší,“ prohlásil Jaderberg. Mise Isomorphic Labs, znějící jako „vyléčit všechny nemoci“, přestala působit jako fantazie.
Výzkumníci z Illinoiské univerzity však varují: „AlphaFold predikuje strukturu, ale ne funkci proteinu ani jeho chování v živé buňce. Nové léky založené na AI zatím nebyly vytvořeny, od nápadu ke klinice je dlouhá cesta.“
Reakce klíčových hráčů
Google DeepMind a vědecká komunita. Pro DeepMind to byl hlavní důkaz, že AI může posouvat základní vědu. Tým pokračuje ve vývoji souvisejících modelů: AlphaMissense a AlphaGenome pro analýzu mutací, AlphaProteo pro design vazebných proteinů proti rakovině a diabetu.
Vydavatelé a databáze. Paradoxně úspěch AlphaFold DB vytvořil problém „stárnutí dat“. Jelikož databáze nebyla od roku 2022 aktualizována, zatímco knihovna UniProt je nadále upravována a zpřesňována, vznikly nesrovnalosti. K červnu 2025 z 20 504 lidských struktur v AlphaFold DB 631 odporovala aktuálnímu záznamu v UniProt. U myši činily nesrovnalosti 2,4 % a u rybek danio pruhovaného téměř 43 % kvůli rozsáhlému čištění proteomu. Redakce Nature Structural & Molecular Biology přímo varuje: výzkumníci by měli kontrolovat aktuální verze sekvencí.
Kritici. Americký vědec Sarfraz Niazi v několika publikacích (včetně přijaté časopisem Nature) tvrdí, že Nobelova cena za AlphaFold 2 byla udělena předčasně. Podle jeho názoru model není schopen predikovat strukturu pro zcela novou aminokyselinovou sekvenci a neodráží dynamiku proteinu ve fyziologických podmínkách. Ačkoli mnozí kolegové s kategoričností jeho závěrů polemizují, samotný fakt diskuse zdůrazňuje: AI v biologii je teprve na začátku cesty.
Prognóza a závěry
Co máme k roku 2026:
- Databázi 200+ milionů struktur, která změnila přístup k řešení úkolů od zemědělství po kardiologii.
- Nobelovu cenu, která legitimizovala AI jako plnohodnotnou metodu v chemii a biologii.
- První AI-navržené molekuly připravující se na testy na lidech.
Hlavní výzvy:
- Aktualizace databáze. AlphaFold DB potřebuje verzi 2.0 s synchronizací s UniProt v reálném čase, jinak bude hodnota zdroje klesat.
- Od predikce k léku. Procento AI-designů, které projdou všemi třemi fázemi klinických testů, zatím není známo. Historie zná mnoho slibných technologií, které ztroskotaly na realitě lidského těla.
- Dynamika a více stavů. AlphaFold 3 si stále špatně poradí s predikcí konformačních přechodů proteinů a může „halucinovat“ v nestrukturovaných oblastech.
Závěr: AlphaFold DB není konec strukturní biologie, ale její nový začátek. Experimenty (krystalografie, NMR, kryoelektronová mikroskopie) nikam nezmizely. Naopak, v letech 2025–2026 je v PDB pozorován rekordní počet nových experimentálně potvrzených struktur – částečně proto, že AI pomáhá biologům vybírat nejslibnější cíle. To, co prožíváme, není nahrazení laboratoře počítačem, ale znásobení lidského intelektu možnostmi stroje. A pokud jsou předpovědi Isomorphic Labs správné, pak v příštích 5–10 letech uvidíme první léky zrozené z digitálních predikcí.
— Editorial Team
