Il laboratorio di ricerca DeepMind, noto per il suo pionieristico lavoro nell’Intelligenza Artificiale, ha recentemente presentato AlphaFold 3, un nuovo traguardo nella predizione accurata delle strutture molecolari, rivoluzionando il campo della scoperta dei farmaci.
Circa cinque anni fa, DeepMind ha lanciato AlphaFold, un sistema di intelligenza artificiale in grado di predire le strutture delle proteine umane con precisione. Da allora, l’azienda ha continuato a perfezionare questa tecnologia, culminando nel rilascio di AlphaFold 2 nel 2020.
Tuttavia, la corsa all’innovazione non si è fermata qui.
Oggi, DeepMind ha svelato la nuova versione di AlphaFold, AlphaFold 3, che si distingue per la sua abilità nel generare previsioni per un’ampia gamma di molecole presenti nel Protein Data Bank, uno dei più grandi database di molecole biologiche accessibili in modo aperto.
Un passo avanti fondamentale è rappresentato dall’impiego di AlphaFold 3 da parte di Isomorphic Labs, un’azienda spin-off di DeepMind focalizzata sulla scoperta di farmaci. Questo nuovo modello viene utilizzato per la progettazione terapeutica dei farmaci, contribuendo a caratterizzare varie strutture molecolari cruciali per il trattamento delle malattie.
Capacità e Applicazioni Le capacità di AlphaFold 3 vanno oltre la semplice previsione delle strutture proteiche.
DeepMind afferma che il modello è in grado di predire con precisione le strutture dei ligandi, molecole che si legano alle proteine “recettori” causando variazioni nella comunicazione cellulare. Inoltre, è in grado di analizzare gli acidi nucleici e le modifiche post-traduzionali, rappresentando un passo avanti nell’analisi delle informazioni genetiche e delle modifiche chimiche che avvengono dopo la creazione delle proteine.
La previsione delle strutture proteina-ligando si configura come uno strumento cruciale per la scoperta di farmaci, in quanto aiuta gli scienziati a identificare e progettare nuove molecole candidate per diventare farmaci.
Attualmente, i ricercatori farmaceutici si affidano a simulazioni al computer, note come “metodi di docking”, per comprendere le interazioni tra proteine e ligandi. Tuttavia, tali metodi richiedono una struttura proteica di riferimento e la posizione suggerita per il legame del ligando su tale struttura.
Il vantaggio di AlphaFold 3 è la capacità di predire le strutture proteiche anche in assenza di una struttura proteica di riferimento, permettendo la previsione di proteine non ancora caratterizzate dal punto di vista strutturale. Inoltre, il modello simula l’interazione di proteine e acidi nucleici con altre molecole, superando le limitazioni dei metodi di docking attuali.
“Un’analisi iniziale dimostra che il nostro modello supera di gran lunga l’AlphaFold precedente su alcuni problemi di previsione della struttura delle proteine rilevanti per la scoperta di farmaci, come il legame degli anticorpi,” ha dichiarato DeepMind in un post. “Il notevole miglioramento delle prestazioni del nostro modello testimonia il potenziale dell’Intelligenza Artificiale nel potenziare la comprensione scientifica delle macchine molecolari presenti nel corpo umano.”
Nonostante i successi, AlphaFold 3 presenta anche alcune limitazioni.
In un documento tecnico che analizza punti di forza e debolezze del sistema, i ricercatori di DeepMind e Isomorphic Labs rivelano che il modello non raggiunge il livello del metodo leader nel predire le strutture delle molecole di RNA, le molecole responsabili della trasmissione delle istruzioni per la creazione di proteine all’interno del corpo.
Senza dubbio, sia DeepMind che Isomorphic Labs stanno già lavorando per superare questa sfida, dimostrando un impegno costante verso l’innovazione nel campo della scoperta di farmaci attraverso l’Intelligenza Artificiale.
