Science: AI AlphaFold 4 od Google DeepMind przewidział strukturę wszystkich znanych białek transportowych
Nowa wersja sieci neuronowej wymodelowała kształt 3D ponad 50 000 ludzkich błonowych białek transportowych, które wcześniej nie poddawały się krystalizacji. Przyspieszy to opracowywanie leków na padaczkę i raka, celujących w kanały jonowe.
Artykuł analityczny: DeepMind przełamuje „niekrystalizowalną” barierę – co AlphaFold 4 naprawdę oznacza dla farmacji
[Istota]: co naprawdę się dzieje
Wiadomość o przewidzeniu struktur 50 000 błonowych białek transportowych za pomocą AlphaFold 4 brzmi jak kolejny krok naprzód w biologii obliczeniowej. Ale w rzeczywistości to znacznie więcej niż postęp. To moment, w którym AI przestało być „pomocnikiem” i stało się jedynym narzędziem zdolnym zajrzeć do całej klasy celów, które były szczelnie zamknięte dla klasycznej biologii strukturalnej przez dziesięciolecia.
Chodzi o transportery SLC i kanały jonowe. Białka błonowe stanowią około 60% celów wszystkich leków zatwierdzonych przez FDA, ale ich informacja strukturalna zawsze była „białą plamą” – mniej niż 3% znanych struktur przypada na tę kategorię. Przyczyną nie jest lenistwo naukowców, ale fizyka: aby wyhodować kryształ do analizy rentgenowskiej, białko musi leżeć równo i stabilnie. Białko błonowe, które żyje w tłustej warstwie i stale zmienia kształt, aby przepuszczać cząsteczki przez błonę, jest najgorszym kandydatem do krystalizacji.
Co AlphaFold 4 zrobił takiego, czego nie potrafiły poprzednie wersje? Chodzi o „dynamikę”. Poprzednie wersje, w tym rewolucyjny AlphaFold 2, przewidywały statyczną strukturę – jedną jedyną „złożoną” formę. AlphaFold 4 natomiast, najwyraźniej (choć w adnotacji wspomniano o „AlphaFold 3” z 2024 roku, branża ma na myśli nową iterację modelowania multimerowego), nauczył się przewidywać zespoły konformacji. To znaczy, dla białka transportowego może pokazać trzy stany: otwarty na zewnątrz, zamknięty (w kompleksie z ligandem) i otwarty do wnętrza komórki. Bez tego zrozumienia form (konformacji) nie można stworzyć leku-blokera – po prostu nie wiesz, w którym miejscu i jak dokładnie się zaczepić.
Chronologia i kontekst
Aby zrozumieć, dlaczego to nokaut, trzeba przypomnieć historię jednej z najbardziej dochodowych klas leków – blokerów pompy protonowej (omeprazol i jego następcy). Zostały opracowane „na ślepo” w latach 80., opierając się na brudnej fizjologii. Teraz, w erze projektowania celowanego, nikt już tak nie pracuje. A jeśli białka nie można sfotografować (skrystalizować), uznawano je za „niedrażliwe”. Transportery SLC były właśnie takim cmentarzyskiem nadziei.
Kluczowy timing: lata 2020-2021 – AlphaFold 2 wstrząsnął światem, przewidując setki milionów białek. Ale białka błonowe pozostały najtrudniejszym zadaniem. Lata 2023-2024 – pojawienie się AlphaFold 3 z możliwością modelowania małych cząsteczek i jonów. Wtedy stało się jasne, że można przewidywać nie tylko samo białko, ale także to, jak wiąże się z nim lek.
Teraz, w czerwcu 2026 roku, Google DeepMind raportuje zakończenie „tytanicznego” skoringu – przewidziano struktury wszystkich znanych ludzkich błonowych transporterów. Nie chodzi o hipotetyczne odkrycie, ale o ukończenie mapy. To oświadczenie powinno wywołać nie brawa na Twitterze, ale zamknięte narady w działach R&D Pfizera i Novartisu.
Kto wygrywa, a kto przegrywa
Wygrywa biotechnologia „In-silico”. Na przykład firma Recursion Pharmaceuticals (która już używa AI do skriningu fenotypowego) i struktury takie jak Genesis Therapeutics. Nie potrzebują już bibliotek skriningowych z milionami substancji do „zgadywania”. Mogą od razu modelować dokowanie w przewidzianej strukturze kanału potasowego.
Wygrywają laboratoria akademickie. Cena komercyjnej krystalizacji jednego białka błonowego wynosi około 150 000–300 000 dolarów i 1–2 lata pracy. Teraz tę cenę praktycznie wyzerowano. Ucierpią centra biologii strukturalnej, które zarabiały na kontraktach na „solubilizację” trudnych celów dla farmacji.
Przegrywa, co dziwne, technologia Cryo-EM (mikroskopia krioelektronowa). Była nadzieją ostatnich 5 lat dla białek błonowych, ale AI porusza się szybciej. Przegrywają chemicy medyczni starej szkoły, którzy lubili mówić: „Komputer narysuje, a w probówce nie zadziała”. Teraz AI ma strukturę, a prawdopodobieństwo trafienia wzrasta wielokrotnie.
Czego media nie dopowiadają
Insight pierwszy: Problem środowiska lipidowego.
Media piszą „przewidział strukturę”. Ale białko w komórce nie znajduje się w próżni, tylko w błonie – specyficznym płynie, gdzie jest cholesterol i specyficzne lipidy, które zmieniają jego kształt. AlphaFold 4 prawdopodobnie przewiduje strukturę białka w „wodnym detergencie” lub uproszczonym modelu. W historii zdarzały się przypadki, gdy białko, wygenerowane przez AI i potwierdzone krystalografią, w rzeczywistości nie działało w żywej komórce, ponieważ AI pominęło regulatorową cząsteczkę lipidową ściśniętą między alfa-helisami. Jeśli stworzysz lek pod strukturę „bez lipidu”, może on po prostu nie pasować do natywnego białka.
Insight drugi: Transportery sieroce i efekty „cel-poza-celem”.
Człowiek ma około 450 transporterów SLC. Wiele z nich uważano za „nieinteresujące”, ponieważ ich funkcja była nieznana. Teraz znamy ich strukturę, ale nie wiemy, co robią. Big Pharma rzuci się do skriningu bibliotek przeciwko nim, znajdzie aktywne cząsteczki, a dopiero w fazie 2 okaże się, że blokowanie SLC-48 prowadzi do nefrotoksyczności, której nie można było przewidzieć, ponieważ nie znaliśmy fizjologii tego genu. Mamy „klucz” (strukturę), ale nie wiemy, które drzwi otwieramy. Klasyczna farmacja zawsze szła od choroby – mutacja genu A prowadzi do choroby B. Tutaj AI daje nam strukturę bez nozologii. To wywoła falę klinicznych porażek za 3-4 lata.
Insight trzeci: Monopol DeepMind.
DeepMind publikuje struktury w otwartym dostępie (baza AlphaFold Protein Structure Database). To świetne dla nauki. Ale samo AI, które przekształca sekwencję aminokwasów w model 4D z helisami, to zamknięty kod. DeepMind nie ujawnia dokładnej architektury sieci neuronowej (zwykle jest to kombinacja transformerów i modeli dyfuzyjnych). Wszystkie biotechy siedzą teraz na „igle” Google. Jeśli jutro Google zdecyduje się zamknąć dostęp lub zmienić ceny API do wysokowydajnego wirtualnego skriningu, cała branża znajdzie się w sytuacji zakładników.
Prognoza: następne 30 dni i 90 dni
Następne 30 dni:
Spodziewaj się wysypu preprintów. W ciągu miesiąca na bioRxiv pojawi się co najmniej 10 artykułów, w których autorzy znajdują „nową kieszeń” na jednym z transporterów SLC. Laboratoria zaczną „krojenie” setek wariantów małych cząsteczek na zamówienie. Analitycy finansowi zaczną rewidować wyceny firm specjalizujących się w chorobach metabolicznych (gdzie SLC odgrywają kluczową rolę).
Następne 90 dni:
Kluczowy moment – FDA wyda lub nie wyda wytycznych dotyczących wykorzystania struktur AI jako dowodu mechanizmu działania? Obecnie regulator wymaga fizycznych danych do „Target Validation”. Jeśli FDA uzna AlphaFold 4 za wystarczający do uzasadnienia wyboru celu (Target Validation), to obetnie 1-2 lata badań przedklinicznych.
Przygotuj się także na skandal dotyczący odtwarzalności. Ktoś spróbuje zsyntetyzować jedno z przewidzianych białek (in vitro) i sprawdzić model AI za pomocą rentgena. Jestem pewien, że rozbieżność w RMSD (średniokwadratowym odchyleniu atomów) będzie większa niż 1,5 angstrema dla niektórych złożonych podjednostek. Dla projektowania chemicznego to dużo. Podniesie się fala krytyki, że AI wciąż „rysuje bazgroły”. Dopiero potem okaże się, że białko po prostu agregowało w probówce – i to osobny problem biofizyki, którego AI na razie nie rozwiązuje.
Zastrzeżenie: przedstawiona analiza opiera się na logice rozwoju biologii AI w ciągu ostatnich 3 lat i trendach wyznaczonych przez publikacje Nature/Science z lat 2024-2025. Konkretne nazwy firm i ich produktów zostały użyte w celu zilustrowania powiązań przemysłowych i nie odzwierciedlają bezpośrednich informacji z niepublikowanych źródeł.
— Editorial Team
