Pierwsze na świecie zastosowanie sztucznej inteligencji do przewidywania struktury wszystkich znanych białek (AlphaFold DB)
Google DeepMind i EMBL-EBI wypełniły bazę danych ponad 200 milionami przewidywanych struktur białek, radykalnie przyspieszając rozwój leków i zrozumienie molekularnych mechanizmów chorób.
Wprowadzenie
W 2020 roku na konferencji CASP14 (Critical Assessment of protein Structure Prediction) wydarzyło się coś, na co biolodzy i farmaceuci czekali prawie pół wieku. System AlphaFold 2 od Google DeepMind przewidział trójwymiarową strukturę białek na podstawie ich sekwencji aminokwasowej z dokładnością porównywalną do metod eksperymentalnych. Nazwano to „rozwiązaniem 50-letniego problemu białka”.
Dwa lata później, w lipcu 2022 roku, DeepMind i Europejski Instytut Bioinformatyki EMBL-EBI zrobili kolejny krok, mający nie mniejsze znaczenie niż samo naukowe zwycięstwo. Udostępnili za darmo bazę danych AlphaFold Protein Structure Database (AlphaFold DB), zawierającą ponad 200 milionów przewidywanych struktur białek – praktycznie wszystkie znane nauce białka z katalogu UniProt.
W 2024 roku przełom został uwieńczony Nagrodą Nobla w dziedzinie chemii, przyznaną Demisowi Hassabisowi i Johnowi Jumperowi. A już w latach 2025–2026 świat stał się świadkiem, jak przewidywania struktur zamieniają się w realne leki wchodzące na badania kliniczne. Ten artykuł opowiada o tym, jak jedna baza danych radykalnie zmieniła krajobraz nauk biomedycznych.
Szczegóły wydarzenia i chronologia
Etap 1: Rewolucja w przewidywaniu (2020)
Na CASP14 AlphaFold 2 uzyskał medianę wyniku GDT (miary dokładności przewidywania) powyżej 90%, co eksperci uznali za równoważne rozdzielczości eksperymentalnej. Oznaczało to: odtąd strukturę białka można poznać w godziny zamiast miesięcy lub lat pracy laboratoryjnej.
Etap 2: Tworzenie bazy danych (2021–2022)
W 2021 roku DeepMind i EMBL-EBI uruchomili pierwszą wersję AlphaFold DB, zawierającą 350 000 struktur dla 20 biologicznie istotnych organizmów. Drugie wydanie rozszerzyło kolekcję do prawie miliona modeli.
Kluczowy moment nastąpił 28 lipca 2022 roku. EMBL-EBI ogłosił wydanie, które zwiększyło bazę z mniej niż miliona do 214 684 311 przewidywanych struktur trójwymiarowych. Jak powiedział wtedy zastępca dyrektora EMBL-EBI Ewan Birney: „Od dziś baza została rozszerzona z miliona do ponad 200 milionów struktur, pokrywając prawie cały UniProt”.
Etap 3: AlphaFold 3 i dalej (2024–2025)
W maju 2024 roku DeepMind i Isomorphic Labs wydali AlphaFold 3. Nowy system wyszedł poza pojedyncze białka – nauczył się przewidywać strukturę kompleksów DNA, RNA, jonów, ligandów i modyfikacji potranslacyjnych. W teście PoseBusters (ocena dokładności wiązania białko-ligand) AlphaFold 3 wykazał poprawę o 50% w porównaniu z najlepszymi tradycyjnymi metodami.
Etap 4: Uznanie i pierwsze leki (2024–2026)
W październiku 2024 roku Hassabis i Jumper otrzymali Nagrodę Nobla. A już w kwietniu 2026 roku na konferencji WIRED Health prezes Isomorphic Labs Max Jaderberg ogłosił: firma przygotowuje pierwsze leki zaprojektowane przez AI do badań klinicznych na ludziach.
Wpływ i znaczenie
Dla świata nauki
AlphaFold DB zmieniła sam sposób pracy biologa strukturalnego:
- Skala: Ponad 3 miliony badaczy ze 190 krajów korzystało z bazy, w tym ponad milion naukowców z krajów o niskim i średnim dochodzie.
- Szybkość odkryć: Badacze korzystający z AlphaFold publikują o 40% więcej nowych struktur eksperymentalnych, przy czym struktury te częściej dotyczą wcześniej niezbadanych obszarów.
- Cytowalność: Prace związane z AlphaFold są cytowane w artykułach klinicznych dwa razy częściej niż typowe prace z biologii strukturalnej.
Przykłady rzeczywistych zastosowań są imponujące:
- W Europie dzięki AlphaFold zrozumiano strukturę białka Vitellogenin u pszczół miodnych – wykorzystuje się to w programach ratowania ginących populacji.
- Przez lata naukowcy nie mogli uzyskać struktury apolipoproteiny B100 – kluczowego białka „złego” cholesterolu (LDL). AlphaFold 2 ujawnił jego złożoną „klatkową” formę, dając farmaceutom atomowy plan do tworzenia nowych terapii przeciw miażdżycy.
- Tureccy studenci licencjatu, bez przygotowania w biologii strukturalnej, nauczyli się z tutoriali AlphaFold, a następnie opublikowali 15 prac naukowych.
Dla przemysłu farmaceutycznego
AlphaFold stał się katalizatorem dla drug discovery:
- Około 40% nowych struktur zdeponowanych w Protein Data Bank (PDB) w latach 2024–2025 uzyskano z wykorzystaniem metod AI.
- Isomorphic Labs, spin-off DeepMind, pozyskał 600 milionów dolarów inwestycji i zawarł partnerstwa z Eli Lilly i Novartis.
- Opracowano autorski silnik IsoDDE, który według firmy ponad dwukrotnie przewyższa dokładność AlphaFold 3 w projektowaniu leków.
Dla społeczeństwa
Główna obietnica AlphaFold to przyspieszenie tworzenia leków na trudno uleczalne choroby. „Zaprojektowane przez nas cząsteczki są bardzo skuteczne, można je przyjmować w mniejszych dawkach, a skutki uboczne będą mniejsze” – oświadczył Jaderberg. Misja Isomorphic Labs, brzmiąca jak „wyleczyć wszystkie choroby”, przestała wydawać się fantastyką.
Jednak badacze z University of Illinois ostrzegają: „AlphaFold przewiduje strukturę, ale nie funkcję białka ani jego zachowanie w żywej komórce. Nowych leków opartych na AI jeszcze nie stworzono, od pomysłu do kliniki długa droga”.
Reakcja kluczowych graczy
Google DeepMind i społeczność naukowa. Dla DeepMind było to główne dowód na to, że AI może napędzać naukę podstawową. Zespół kontynuuje rozwój pokrewnych modeli: AlphaMissense i AlphaGenome do analizy mutacji, AlphaProteo do projektowania białek wiążących przeciw rakowi i cukrzycy.
Wydawcy i bazy danych. Paradoksalnie, sukces AlphaFold DB stworzył problem „starzenia się danych”. Ponieważ baza nie była aktualizowana od 2022 roku, a biblioteka UniProt jest nadal edytowana i udoskonalana, pojawiły się rozbieżności. Do czerwca 2025 roku spośród 20 504 ludzkich struktur w AlphaFold DB 631 była sprzeczna z aktualnym wpisem UniProt. Dla myszy rozbieżności wyniosły 2,4%, a dla danio pręgowanego – prawie 43% z powodu masowego czyszczenia proteomu. Redakcja Nature Structural & Molecular Biology wprost ostrzega: badacze powinni sprawdzać świeże wersje sekwencji.
Krytycy. Amerykański naukowiec Sarfraz Niazi w kilku publikacjach (w tym przyjętych przez Nature) twierdzi, że Nagroda Nobla za AlphaFold 2 została przyznana przedwcześnie. Jego zdaniem model nie jest w stanie przewidzieć struktury dla zupełnie nowej sekwencji aminokwasowej i nie odzwierciedla dynamiki białka w warunkach fizjologicznych. Choć wielu kolegów polemizuje z kategorycznością jego wniosków, sam fakt dyskusji podkreśla: AI w biologii jest dopiero na początku drogi.
Prognoza i wnioski
Co mamy na rok 2026:
- Bazę ponad 200 milionów struktur, która zmieniła podejście do rozwiązywania problemów od rolnictwa po kardiologię.
- Nagrodę Nobla, która legitymizowała AI jako pełnoprawną metodę w chemii i biologii.
- Pierwsze cząsteczki zaprojektowane przez AI, przygotowujące się do badań na ludziach.
Główne wyzwania:
- Aktualizacja bazy. AlphaFold DB wymaga wersji 2.0 z synchronizacją z UniProt w czasie rzeczywistym, w przeciwnym razie wartość zasobu będzie spadać.
- Od przewidywania do leku. Odsetek projektów AI, które przejdą wszystkie trzy fazy badań klinicznych, jest na razie nieznany. Historia zna wiele obiecujących technologii, które rozbiły się o rzeczywistość ludzkiego organizmu.
- Dynamika i stany wielokrotne. AlphaFold 3 wciąż słabo radzi sobie z przewidywaniem przejść konformacyjnych białek i może „halucynować” w obszarach nieustrukturyzowanych.
Wniosek: AlphaFold DB to nie koniec biologii strukturalnej, ale jej nowy start. Eksperymenty (krystalografia, NMR, kriomikroskopia elektronowa) nigdzie nie zniknęły. Wręcz przeciwnie, w latach 2025–2026 w PDB obserwuje się rekordową liczbę nowych, potwierdzonych eksperymentalnie struktur – częściowo dlatego, że AI pomaga biologom wybierać najbardziej obiecujące cele. To, czego doświadczamy, to nie zastąpienie laboratorium komputerem, ale pomnożenie ludzkiego intelektu możliwościami maszyny. A jeśli prognozy Isomorphic Labs się spełnią, to w ciągu najbliższych 5–10 lat zobaczymy pierwsze leki zrodzone z cyfrowych przewidywań.
— Editorial Team
