آرمحققان Google DeepMind AlphaFold 3 را توسعه دادهاند، یک مدل هوش مصنوعی که میتواند ساختار و تعامل بین مولکولهای بیولوژیکی، از جمله پروتئینها، DNA و RNA، و مولکولهای کوچکی را که میتوانند به عنوان دارو عمل کنند، پیشبینی کند. Google DeepMind این مدل را برای استفاده غیرتجاری از طریق سرور AlphaFold در دسترس قرار خواهد داد. یک تازگی برجسته که جزئیات آن در مجله منتشر شد طبیعت 8 می احتمالاً تحقیقات بیولوژیکی را به طرز چشمگیری تسریع خواهد کرد.
دمیس حسابیس، مدیر عامل گوگل دیپ مایند، در نشستی در 7 می که این پیشرفت را اعلام کرد، گفت: «امروز یک نقطه عطف بزرگ برای ما، معرفی AlphaFold 3 است. “زیست شناسی یک سیستم پویا است، و شما باید درک کنید که چگونه خواص زیست شناسی از طریق تعامل بین مولکول های مختلف در یک سلول به وجود می آید. می توانید AlphaFold 3 را به عنوان اولین گام بزرگ ما به سوی آن در نظر بگیرید.
سیستم هوش مصنوعی نسلی از مدلهای قبلی AlphaFold است که توسط Google DeepMind ایجاد شده بود، که اساساً مشکل پیشبینی ساختار سه بعدی پروتئین را از ساختار اسید آمینه آن حل کرد. اولین مدل Google DeepMind AlphaFold که در سال 2018 معرفی شد، تلاش کرد تا ساختارهای پروتئینی را پیشبینی کند و مقام اول را در رقابت بینالمللی پیشبینی ساختار پروتئین به دست آورد. AlphaFold 2 که در سال 2020 منتشر شد، به طور قابل توجهی دقت پیش بینی ساختار پروتئین اول را بهبود بخشید.
AlphaFold 3 با پیشبینی ساختار تقریباً تمام مولکولهای بیولوژیکی و مدلسازی برهمکنشهای بین این مولکولها فراتر میرود. در حالی که محققان مدتهاست روشهای محاسباتی تخصصی را برای مدلسازی برهمکنشهای بین انواع خاصی از مولکولهای بیولوژیکی توسعه دادهاند، AlphaFold 3 اولین بار است که یک سیستم واحد قادر به پیشبینی برهمکنش بین تقریباً همه انواع مولکولها با عملکرد پیشرفته است.
خواص و عملکرد مولکول ها در سیستم های بیولوژیکی معمولاً نتیجه نحوه تعامل آنها با مولکول های دیگر است. استفاده از آزمایشها برای درک تعاملات مولکولی میتواند سالها تحقیق طول بکشد و بسیار گران تمام شود. اگر بتوان این فعل و انفعالات را به صورت محاسباتی با دقت کافی تخمین زد، آنگاه می توان تحقیقات بیولوژیکی را تا حد زیادی تسریع کرد. به عنوان مثال، اگر محققان بر این باورند که مولکولی که به یک محل خاص در یک پروتئین خاص متصل می شود، یک داروی امیدوارکننده است، می توانند از سیستم های محاسباتی مانند AlphaFold 3 برای غربالگری مولکول های دارویی بالقوه استفاده کنند.
پل نرس، ژنتیک دان برنده جایزه نوبل و مدیر اجرایی موسسه تحقیقات زیست پزشکی فرانسیس کریک در لندن، در بیانیه ای که گوگل را همراهی می کند، گفت: “AlphaFold به پیشرفت خود ادامه می دهد و به طور فزاینده ای به تحقیقات بیولوژیکی مرتبط می شود.” اعلامیه توسط DeepMind. این نسخه سوم دقت پیشبینی ساختار کمپلکسها بین ماکرومولکولهای مختلف و همچنین ارتباط بین درشت مولکولها، مولکولهای کوچک و یونها را بهبود میبخشد.
Google DeepMind با نام DeepMind در سال 2010 توسط Hassabis به همراه دانشمند ارشد Google DeepMind AGI Shane Legh و مصطفی سلیمان تاسیس شد. (سلیمان اکنون مدیر عامل مایکروسافت AI، سازمان هوش مصنوعی مصرفکننده مایکروسافت است.) DeepMind در سال 2014 توسط Google خریداری شد و در سال 2023 Google DeepMind را با Google Brain، یکی دیگر از بخشهای هوش مصنوعی گوگل ادغام کرد تا Google DeepMind را تشکیل دهد و به تلاشهای این شرکت پایان دهد. رهبری DeepMind برای تضمین استقلال بیشتر از شرکت مادرش.
علاوه بر خانواده سیستمهای هوش مصنوعی AlphaFold، گوگل دیپمایند پیشرفتهای متعددی داشته است که از هوش مصنوعی برای پیشرفت علم و فناوری استفاده میکند. در سال 2022، این شرکت یک سیستم هوش مصنوعی را منتشر کرد که می توانست الگوریتم های جدید را شناسایی کند و در سال 2023، یک مدل هوش مصنوعی منتشر کرد که می توانست آب و هوا را با دقت بی سابقه ای پیش بینی کند. همچنین در سال 2023، Google DeepMind یک مدل هوش مصنوعی منتشر کرد که ادعا میکند ساختار مواد را بهطور دقیق پیشبینی میکند، اگرچه سودمندی این مدل از آن زمان توسط محققان مستقل مورد تردید قرار گرفته است.
در سال 2021، شرکت مادر گوگل، آلفابت، ایجاد آزمایشگاه ایزومورفیک را اعلام کرد که هدف آن اعمال رویکرد مبتنی بر هوش مصنوعی برای کشف دارو است. محققان Isomorphic Labs در توسعه AlphaFold 3 مشارکت داشتند و در حالی که سرور AlphaFold می تواند توسط هر کسی برای تحقیقات غیر تجاری استفاده شود، محققان Isomorphic Labs دسترسی انحصاری به AlphaFold 3 برای استفاده تجاری خواهند داشت.
مکس جادربرگ، مدیر ارشد هوش مصنوعی آزمایشگاههای ایزومورفیک، در این نشست گفت: ما از قابلیتهای AlphaFold 3 به صورت روزانه در برنامههای توسعه دارویی خود استفاده میکنیم. ما در حال حاضر شاهد این پتانسیل برای تسریع، بهبود و در نهایت تغییر روش کشف دارو هستیم، و این واقعاً به دلیل سطح جدید دقت این مدل و افزایش گستردگی مولکولهای زیستی است که این مدل قادر به پیشبینی این واقعیت است. به ما اجازه می دهد این کار را انجام دهیم.”