Các chức năng và đặc điểm chính của AlphaFold 3
- AlphaFold 3 là mô hình AI mới do Google DeepMind và Isomorphic Labs phát triển, có thể nâng cao hiểu biết về thế giới sinh học và quá trình phát triển thuốc mới bằng cách dự đoán chính xác cấu trúc và tương tác của protein, DNA, RNA, ligand và nhiều thành phần khác
- So với các phương pháp dự đoán trước đây, mô hình này cải thiện ít nhất 50% trong các tương tác với những loại phân tử khác, và ở một số nhóm tương tác quan trọng, độ chính xác dự đoán tăng gấp đôi
- Mô hình được xây dựng trên nền tảng của AlphaFold 2, hệ thống đã tạo ra bước đột phá căn bản trong dự đoán cấu trúc protein vào năm 2020
- AlphaFold 3 đã mở rộng vượt ra ngoài protein sang phạm vi rộng hơn của các phân tử sinh học. Điều này có thể mở ra nhiều đột phá khoa học hơn như phát triển vật liệu có khả năng tái sinh sinh học, cây trồng bền vững hơn, tăng tốc thiết kế thuốc mới và nghiên cứu hệ gen
Cách AlphaFold 3 hoạt động
- Khi được cung cấp danh sách các phân tử đầu vào, AlphaFold 3 sẽ tạo ra cấu trúc 3D cho thấy các phân tử khớp với nhau như thế nào. Mô hình có thể biểu diễn không chỉ các đại phân tử sinh học như protein, DNA, RNA mà còn cả các phân tử nhỏ được gọi là ligand
- Mô hình có thể xử lý ligand, một nhóm bao gồm nhiều loại thuốc. Ngoài ra, nó cũng có thể mô phỏng các biến đổi hóa học của những phân tử này, vốn kiểm soát chức năng khỏe mạnh của tế bào và có thể dẫn đến bệnh tật
- Trọng tâm của mô hình là phiên bản cải tiến của mô-đun Evoformer, kiến trúc deep learning đã làm nền tảng cho hiệu năng ấn tượng của AlphaFold 2
- Sau khi xử lý đầu vào, AlphaFold 3 lắp ráp dự đoán bằng cách sử dụng mạng diffusion tương tự như những gì thấy trong các trình tạo ảnh AI. Quá trình diffusion bắt đầu từ một đám mây nguyên tử và qua nhiều bước sẽ hội tụ về cấu trúc phân tử chính xác nhất
Vai trò của AlphaFold 3 trong phát triển thuốc mới
- AlphaFold 3 tạo ra năng lực thiết kế thuốc mới thông qua việc dự đoán các phân tử thường dùng trong thuốc như ligand và kháng thể, vốn gắn với protein và làm thay đổi cách chúng tương tác trong sức khỏe và bệnh tật ở con người
- AlphaFold 3 đạt độ chính xác chưa từng có trong việc dự đoán các tương tác giống thuốc, bao gồm sự gắn kết giữa ligand, kháng thể và protein mục tiêu
- AlphaFold 3 chính xác hơn 50% so với phương pháp truyền thống tốt nhất trước đây trên benchmark PoseBusters mà không cần đầu vào là thông tin cấu trúc, qua đó trở thành hệ thống AI đầu tiên vượt qua các công cụ dựa trên vật lý trong dự đoán cấu trúc phân tử sinh học
- Khả năng dự đoán sự gắn kết giữa kháng thể và protein là yếu tố rất quan trọng để hiểu các khía cạnh của phản ứng miễn dịch ở người cũng như thiết kế kháng thể, một nhóm liệu pháp mới đang phát triển nhanh
- Isomorphic Labs đang kết hợp AlphaFold 3 với các mô hình AI nội bộ mang tính bổ trợ để áp dụng vào thiết kế thuốc trong các dự án nội bộ và cùng các đối tác dược phẩm
Tổng quan về AlphaFold Server
- AlphaFold Server mới ra mắt của Google DeepMind là công cụ chính xác nhất thế giới để dự đoán cách protein tương tác với các phân tử khác trên toàn bộ tế bào
- Đây là nền tảng miễn phí cho các nhà khoa học sử dụng trong nghiên cứu phi thương mại
- Chỉ với vài cú nhấp chuột, các nhà sinh học có thể tận dụng năng lực của AlphaFold 3 để mô hình hóa các cấu trúc gồm protein, DNA, RNA, ligand được chọn, ion và các biến đổi hóa học
- Công cụ này giúp hình thành các giả thuyết mới để kiểm chứng trong phòng thí nghiệm, từ đó tăng tốc quy trình làm việc và tạo điều kiện cho những đổi mới tiếp theo
- Nó mang đến cho các nhà nghiên cứu một cách tiếp cận dễ dàng để tạo ra dự đoán bất kể nguồn lực tính toán hay chuyên môn về machine learning
- Dự đoán cấu trúc protein bằng thực nghiệm có thể mất khoảng thời gian tương đương một chương trình tiến sĩ và tiêu tốn hàng trăm nghìn USD. AlphaFold 2 đã được dùng để dự đoán hàng trăm triệu cấu trúc, điều mà với tốc độ của sinh học cấu trúc thực nghiệm hiện nay sẽ cần tới hàng trăm triệu năm công sức của các nhà nghiên cứu
Chia sẻ AlphaFold 3 một cách có trách nhiệm
- Ở mỗi lần phát hành AlphaFold, nhóm phát triển đều phối hợp với cộng đồng nghiên cứu và an toàn để nỗ lực hiểu tác động rộng hơn của công nghệ
- Họ áp dụng cách tiếp cận dựa trên khoa học và tiến hành đánh giá trên diện rộng nhằm giảm thiểu rủi ro tiềm tàng và chia sẻ lợi ích rộng lớn đối với sinh học và nhân loại
- Dựa trên quá trình tư vấn bên ngoài đã thực hiện cho AlphaFold 2, nhóm đã tham vấn hơn 50 chuyên gia lĩnh vực và các bên thứ ba chuyên môn trong an toàn sinh học, nghiên cứu và công nghiệp để hiểu năng lực cũng như rủi ro tiềm tàng của các mô hình AlphaFold
- Trước khi phát hành AlphaFold 3, họ đã tham gia vào các diễn đàn và thảo luận trên toàn cộng đồng
- Điều này phản ánh nỗ lực liên tục nhằm chia sẻ lợi ích của AlphaFold, bao gồm cả cơ sở dữ liệu miễn phí với 200 triệu cấu trúc protein
- Họ cũng sẽ mở rộng khóa học trực tuyến miễn phí về AlphaFold cùng EMBL-EBI và hợp tác với các tổ chức ở Global South để cung cấp cho các nhà khoa học những công cụ cần thiết nhằm thúc đẩy áp dụng và tăng tốc nghiên cứu
- Nhóm sẽ tiếp tục hợp tác với cộng đồng khoa học và các nhà hoạch định chính sách để phát triển và triển khai công nghệ AI một cách có trách nhiệm
Tương lai của sinh học tế bào dựa trên AI
- AlphaFold 3 cho phép quan sát các hệ thống tế bào trong toàn bộ độ phức tạp của chúng, từ cấu trúc, tương tác đến các biến đổi
- Góc nhìn mới này cho thấy các phân tử của sự sống kết nối với nhau như thế nào và giúp hiểu những kết nối đó ảnh hưởng ra sao đến các chức năng sinh học như tác động của thuốc, sản xuất hormone và quá trình sửa chữa DNA để duy trì sức khỏe
- Tác động của AlphaFold 3 và AlphaFold Server miễn phí sẽ được thể hiện qua cách các nhà khoa học đẩy nhanh khám phá trong những câu hỏi mở của sinh học và các hướng nghiên cứu mới
- Tiềm năng của AlphaFold 3 mới chỉ bắt đầu được khai phá và tương lai phía trước rất đáng mong đợi
Ý kiến của GN⁺
- AlphaFold 3 dường như sẽ tạo ra tác động rất lớn đối với nghiên cứu sinh học khi không chỉ dự đoán cấu trúc protein mà còn có thể dự đoán tương tác giữa nhiều phân tử khác nhau trong tế bào. Đặc biệt ấn tượng là việc cung cấp máy chủ miễn phí để các nhà khoa học trên toàn thế giới có thể dễ dàng tiếp cận và sử dụng.
- Tuy vậy, dù độ chính xác dự đoán tương tác phân tử được cho là tăng 50%, vẫn còn câu hỏi về mức độ này khi so với kết quả thực nghiệm thực tế. Ở thời điểm hiện tại, có lẽ nên xem đây là một công cụ hỗ trợ giúp xây dựng giả thuyết.
- Tiềm năng ứng dụng trong lĩnh vực phát triển thuốc là rất lớn, vì vậy nhiều khả năng các công ty dược sẽ đặc biệt quan tâm. Tuy nhiên, do các vấn đề về đạo đức và an ninh, có thể sẽ cần thêm thời gian để thương mại hóa.
- Cũng như AlphaFold đã bắt đầu từ dự đoán cấu trúc protein và nay tiến tới dự đoán tương tác ở cấp độ phân tử, trong tương lai công nghệ này có thể mở rộng lên cấp độ tế bào và mô, qua đó hỗ trợ lớn cho việc làm rõ cơ chế phát sinh bệnh và y học cá thể hóa.
- Tuy nhiên, vì đây là công nghệ AI mạnh, cần có các chuẩn mực đạo đức để ngăn lạm dụng, các biện pháp bảo mật và những thí nghiệm kiểm chứng đầy đủ đi kèm. Cách tiếp cận cởi mở nhưng thận trọng của Google DeepMind là một tín hiệu tích cực.
1 bình luận
Ý kiến trên Hacker News
Tóm tắt các ý chính như sau:
Các phương pháp dựa trên ML cho thấy hiệu năng vượt trội hơn các phương pháp dựa trên vật lý trong việc dự đoán chính xác thế giới. Điều này gợi ý rằng trong quá trình phát triển khoa học, có thể tiến tới những mô hình tốt hơn ngay cả khi không có lý thuyết có thể diễn giải hoặc mô hình toán học.
Tương tự AlphaFold 3 của DeepMind, phòng thí nghiệm của David Baker cũng đã công bố
RoseTTAFold, một mô hình mã nguồn mở dự đoán cấu trúc protein cùng DNA và ligand liên kết.AlphaFold 3 cho thấy độ chính xác khoảng 70%, tương đối vượt trội so với các phương pháp trước đây (30~50%). Tuy nhiên, việc thông cáo báo chí không nêu rõ độ chính xác tuyệt đối có thể bị xem là cố tình gây hiểu lầm.
AlphaFold 3 có thể dự đoán cấu trúc của nhiều loại phân tử sinh học khác nhau, bao gồm protein, DNA, RNA, ion, ligand và các biến đổi hóa học. Độ chính xác trong mô hình hóa phức hợp protein cũng được cải thiện.
Việc không phát hành mã nguồn mở có thể gây bất tiện lớn cho giới khoa học. Giữ kín một công nghệ có tiềm năng lớn cho phát triển thuốc không có lợi cho cộng đồng khoa học.
Các phương pháp dựa trên ML có hạn chế là thiếu khả năng giải thích cho kết quả dự đoán. Nếu không hiểu các nguyên lý nền tảng, sẽ khó bảo đảm tính nhất quán và độ tin cậy của kết quả.
Chỉ cung cấp "máy chủ miễn phí" mà không công bố mô hình làm dấy lên lo ngại về tính tái lập khoa học. Việc phải phụ thuộc vào một công ty thương mại là điều không mong muốn.
Hiệu năng dự đoán docking chính xác của AlphaFold 3 vẫn chưa rõ ràng vì bài báo khoa học chưa được công bố. Dù nói là tốt hơn hơn 50% so với phương pháp cũ, nhưng không đưa ra số liệu cụ thể.
So với AlphaFold 2, có lo ngại rằng một số yếu tố có thể diễn giải như các ràng buộc cấu trúc đã bị loại bớt và mô hình chỉ đơn giản dựa vào distillation dữ liệu. Việc phải tận dụng kết quả dự đoán từ mô hình trước đó cũng gây bất tiện.
Có sự khác biệt giữa cách diễn đạt "gần như mọi" và "mọi" trong tweet của CEO DeepMind và tiêu đề bài blog, nên việc tạo ấn tượng rằng vấn đề đã được giải quyết 100% là có vấn đề.