DeepMind lança codebase de inferência AlphaFold 3, modelo de peso e servidor de demanda

DeepMind deu outro grande passo em biologia computacional com o lançamento da base de código AlphaFold 3, pesos de modelo e um servidor sob demanda. Esta atualização traz capacidades sem precedentes para a já revolucionária plataforma AlphaFold, expandindo seu alcance além das proteínas para prever com precisão a estrutura e as interações de praticamente todas as moléculas biológicas, incluindo ácidos nucleicos, ligantes, íons e resíduos modificados, tudo em um local contíguo. Vamos explorar as implicações e os saltos tecnológicos representados pelo AlphaFold 3.

Enfrentando desafios na previsão da estrutura biomolecular

A previsão precisa de estruturas biomoleculares é um dos desafios mais prementes da biologia e da medicina. Processos biológicos complexos, como síntese protéica, transdução de sinal e interações medicamentosas, dependem de estruturas moleculares complexas e interações precisas. Apesar do progresso significativo com ferramentas como o AlphaFold 2, permaneceu uma grande lacuna nos modelos que envolvem vários tipos de moléculas, como ácidos nucleicos, íons e outras variáveis. Os métodos tradicionais são frequentemente específicos de domínio e não conseguem se integrar bem em diversas entidades biomoleculares. Eles também sofrem com grandes requisitos computacionais, levando a atrasos que impedem testes rápidos e um planejamento de tratamento eficaz. Para enfrentar esses desafios, era necessária uma solução padrão e altamente precisa – é aí que entra o AlphaFold 3.

DeepMind lança AlphaFold 3

A DeepMind lançou recentemente a base de código de inferência, pesos de modelo e servidor sob demanda para AlphaFold 3. Esta versão torna mais fácil para pesquisadores e desenvolvedores de todo o mundo integrar o poder do AlphaFold em seus fluxos de trabalho. Comparado ao seu antecessor, AlphaFold 2, o AlphaFold 3 fornece uma estrutura complexa que pode prever a estrutura combinada de complexos biomoleculares, incluindo proteínas, DNA, RNA, ligantes, íons e até modificações químicas. Esta versão foi projetada para acomodar as interações mais complexas entre sistemas biológicos, e o lançamento inclui acesso a um modelo em massa, permitindo aos pesquisadores replicar ou ampliar diretamente as capacidades existentes.

Um servidor sob demanda torna o AlphaFold 3 acessível sem a necessidade de uma grande infraestrutura de computação. Simplesmente fornecendo uma sequência ou entrada estrutural, os usuários podem consultar o servidor para obter previsões estruturais precisas, reduzindo significativamente a barreira para institutos de pesquisa e empresas sem habilidades computacionais avançadas.

Detalhes técnicos

AlphaFold 3 apresenta uma arquitetura baseada em difusão, melhorando significativamente a precisão da previsão de interações biomoleculares. Ao contrário do AlphaFold 2, que se concentra mais em proteínas, o AlphaFold 3 utiliza estruturas gerais capazes de prever as estruturas de uma ampla gama de espécies biomoleculares. O novo “pairformer” substitui o “evoformer” AlphaFold 2 como módulo de processamento central, simplificando o processo e melhorando a eficiência. O sistema funciona prevendo diretamente as coordenadas atômicas usando um modelo de difusão, eliminando a necessidade de prever o ângulo de torção e manter estereoquímicos que acrescentavam complexidade aos modelos anteriores.

A natureza multiescala do processo de difusão melhora a precisão das previsões, reduzindo as perdas estereoquímicas e eliminando a necessidade de múltiplos alinhamentos de sequências. Conforme mostrado nos benchmarks, o AlphaFold 3 supera significativamente as ferramentas tradicionais, como AutoDock Vina e RoseTTAFold All-Atom, proporcionando maior precisão na manipulação de complexos proteína-ligante e proteína-ácido nucleico. Este desenvolvimento não apenas torna o AlphaFold 3 mais versátil, mas também reduz bastante a carga computacional, permitindo uma detecção mais ampla em todos os setores que exigem estruturas biomoleculares precisas.

Significado desta versão

O lançamento do AlphaFold 3 é monumental por vários motivos. Em primeiro lugar, preenche uma lacuna importante na nossa compreensão das complexas interações biomoleculares envolvendo não apenas proteínas, mas muitas classes de moléculas. As estruturas atualizadas do AlphaFold 3 podem modelar quase qualquer tipo de complexo encontrado no Protein Data Bank (PDB). Por exemplo, AlphaFold 3 mostrou melhorias significativas em relação às versões anteriores, especialmente na previsão de interações anticorpo-antígeno, ligação proteína-ligante e interações de ácido nucleico com precisão impressionante em conjuntos de dados como PoseBusters e alvos de RNA CASP15. As métricas de desempenho mostraram melhorias significativas em todas essas tarefas, com o AlphaFold 3 alcançando níveis de precisão que excedem as ferramentas convencionais e de previsão de ácidos nucleicos.

Com a maior disponibilidade necessária, o AlphaFold 3 permite pesquisas em doenças que envolvem interações proteína-DNA ou proteína-ligante, como câncer e doenças neurodegenerativas, fornecendo modelos estruturais confiáveis ​​desses sistemas complexos. Sua capacidade de lidar com transformações químicas complexas e prever estruturas precisas mesmo na presença de modificações (como glicosilação ou fosforilação) o torna valioso no projeto e descoberta de medicamentos. Como tal, AlphaFold 3 representa um passo no sentido de integrar modelos computacionais de forma mais eficaz na investigação médica, melhorando a nossa capacidade de conceber intervenções precisas a nível molecular.

A conclusão

O lançamento do AlphaFold 3 pela DeepMind levou o mundo da biologia estrutural a um novo nível. Ao incluir pesos de modelo, código de inferência e um servidor sob demanda, a DeepMind abriu a porta para pesquisadores de todas as áreas usarem tecnologia de ponta sem requisitos proibitivos de infraestrutura. Os avanços do AlphaFold 3 na previsão de estruturas – proteínas de dobramento, ácidos nucléicos, ligantes e muito mais – prometem acelerar nossa compreensão das interações biomoleculares, o que poderia levar a melhorias significativas no desenvolvimento de medicamentos e na biologia molecular.

Confira Papel, Base de códigode novo Detalhes. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.

[AI Magazine/Report] Leia nosso último relatório sobre 'MODELOS DE TERRENO PEQUENOS'