Az AlphaFold3 mesterséges intelligencia fehérje előrejelző eszköze már elérhető nyílt forráskódúként

Az AlphaFold3 mesterséges intelligencia fehérje előrejelző eszköze már elérhető nyílt forráskódúként

Az AlphaFold3 végre elérhető. Hat hónappal a Google DeepMind után ellentmondásos a kód egy Beszámolók a fehérjeszerkezet előrejelzési modelljéről a tudósok most megtehetik töltse le a szoftver kódját és nem kereskedelmi alkalmazásokhoz használja a mesterséges intelligencia eszközét – jelentette be a londoni székhelyű cég november 11-én.

„Nagyon izgatottak vagyunk, hogy látjuk, mit kezdenek vele az emberek” – mondja John Jumper, aki a DeepMind AlphaFold csapatát vezeti, és a múlt hónapban csatlakozott Demis Hassabis vezérigazgatóhoz. elnyerte a 2024-es kémiai Nobel-díj egy részét az AI-eszközön végzett munkájukért.

Elődeivel ellentétben az AlphaFold3 képes fehérjéket más molekulákkal kombinálva modellezni. Ahelyett, hogy kiadnák a mögöttes kódot – ahogy az a helyzet AlphaFold2 a DeepMind hozzáférést biztosított egy webszerveren keresztül, amely korlátozta a tudósok által alkotható előrejelzések számát és típusát.

Az AlphaFold3 szerver nem tette lehetővé a tudósok számára, hogy előre jelezzék, hogyan reagálnak a fehérjék potenciális gyógyszerek jelenlétében. De most, hogy a DeepMind úgy döntött, hogy kiadja a kódot, azt jelenti, hogy az akadémikus tudósok megjósolhatják az ilyen interakciókat, ha maguk futtatják a modellt.

A vállalat eredetileg kijelentette, hogy az AlphaFold3 csak webszerveren keresztül elérhetővé tétele megfelelő egyensúlyt teremtett a kutatáshoz való hozzáférés biztosítása és a kereskedelmi ambíciók védelme között. A londoni DeepMind leányvállalata, az Isomorphic Labs az AlphaFold3-at alkalmazza a gyógyszerkutatásban.

Viszont kihúzta az AlphaFold3 kiadását a kód vagy a modell súlya nélkül – A szoftver fehérjeszerkezetekre és egyéb adatokra való betanításával nyert paraméterek – kritikát váltottak ki a tudósoktól, akik szerint a lépés aláásta a reprodukálhatóságot. A DeepMind gyorsan levonta a következtetéseket, és közölte, hogy az eszköz nyílt forráskódú verziója hat hónapon belül elérhető lesz.

Mostantól bárki letöltheti az AlphaFold3 szoftverkódot, és nem kereskedelmi célból használhatja. Jelenleg azonban csak az akadémiai kötődésű tudósok férhetnek hozzá a képzési súlyokhoz kérésre.

Hozzáférhető verziók

A DeepMind versenytársa: az elmúlt hónapokban több cég is Nyílt forráskódú eszközök a fehérjeszerkezet előrejelzéséhez AlphaFold3 alapján, amelyek az eredeti dokumentumban leírt, pszeudokódként ismert specifikációkra támaszkodnak.

Két kínai cég – a Baidu technológiai óriás és a TikTok fejlesztője, a ByteDance – kiadta saját AlphaFold3 ihletésű modelljét, csakúgy, mint a kaliforniai San Franciscóban működő startup, a Chai Discovery.

Ezeknek a modelleknek az egyik fő hátránya, hogy az AlphaFold3-hoz hasonlóan egyikük sem rendelkezik engedéllyel olyan kereskedelmi alkalmazásokra, mint például a gyógyszerkutatás, mondja Mohammed AlQuraishi, a New York-i Columbia Egyetem számítógépes biológusa. A Chai Discovery modellje, a Chai-1 azonban webszerveren keresztül is használható ilyen munkákra – magyarázza Jack Dent, a cég társalapítója.

Egy másik cég, a Ligo Biosciences of San Francisco kiadta az AlphaFold3 korlátozásmentes verzióját. Ez azonban még nem rendelkezik a funkciók teljes skálájával, beleértve a gyógyszerek és a fehérjéken kívüli molekulák modellezésének képességét.

Más csapatok az AlphaFold3 ilyen korlátozások nélkül elérhető verzióin dolgoznak: az AlQuraishi azt reméli, hogy még ebben az évben egy teljesen nyílt forráskódú modellt kínál majd OpenFold3 néven. Ez lehetővé tenné a gyógyszergyárak számára, hogy saját modellváltozataikat szabadalmaztatott adatok – például a különböző gyógyszerekhez kötött fehérjék szerkezete – segítségével újraképezzenek, ami potenciálisan javítja a teljesítményt.

A nyitottság számít

Az elmúlt évben rengeteg új biológiai mesterségesintelligencia-modell jelent meg olyan vállalatoktól, amelyek különböző módon közelítik meg a nyitottságot. Anthony Gridnek, a Wisconsin-Madison Egyetem számítógépes biológusának nincs problémája azzal, hogy kereskedelmi társaságok lépnek be a területére – mindaddig, amíg ugyanazokat a szabályokat követik, mint a többi tudós, amikor megosztják munkájukat folyóiratokban és nyomtatás előtti szervereken.

Ha a DeepMind állításokat tesz az AlphaFold3-ról egy tudományos publikációban, "elvárnám, hogy megosszák az előrejelzések elkészítésének módjáról szóló információkat, és olyan módon biztosítsák az AI-modelleket és kódot, hogy tesztelni tudjuk őket" - teszi hozzá a grid. "A csoportom nem fog olyan eszközöket használni, amelyeket nem tudunk ellenőrizni."

Az a tény, hogy az AlphaFold3-nak már több replikációja is megjelent, azt mutatja, hogy a modell nyílt forráskód nélkül is reprodukálható volt – mondja Pushmeet Kohli, a DeepMind AI for Science vezetője. Hozzáteszi, hogy a jövőben több vitát szeretne látni a szabványok közzétételéről egy olyan területen, amelyet egyre inkább akadémiai és vállalati kutatók népesítenek be.

Az AlphaFold2 nyílt forráskódú természete más tudósok innovációjának hullámzásához vezetett. Például egy közelmúltbeli fehérjemodellezési verseny győztesei az AI eszközt használták új fehérjék tervezésére, amelyek képesek kötődni egy rák célpontjához. Jumper kedvenc AlphaFold2 hackje egy csapattól származik, amely az eszközt használta azonosítani egy fontos fehérjét, amely segíti a spermiumok petesejthez való kötődését.

A Jumper alig várja, hogy lássa, milyen meglepetések születnek az AlphaFold3 megjelenése után – még ha nem is mindig sikeresek. „Az emberek furcsa módokon fogják használni” – jósolja. "Néha kudarcot vall, néha pedig sikerülni fog."