{"id":"db3919a1-ea3c-4b53-83f1-3c347fe9dd9f","slug":"alphafold","title":"AlphaFold","category":"Технологии · Изкуствен интелект","tags":["AlphaFold","Google DeepMind","протеини","структурна биология","Нобелова награда","Isomorphic Labs","изкуствен интелект в науката","CASP","биоинформатика"],"lead":"[[Файл:demis-hasabis-2024|Демис Хасабис, ръководител на Google DeepMind и съносител на Нобеловата награда за химия за AlphaFold]]\n**AlphaFold** е програма с изкуствен интелект, разработена от [[google-deepmind|DeepMind]] — дъщерно дружество на Alphabet, — която предсказва пространствената структура на протеините.[^w-def] През ноември 2020 г. версията AlphaFold 2 печели състезанието CASP14 и дава най-доброто предсказание за 88 от 97-те цели.[^w-casp14] За предсказването на протеинови структури Демис Хасабис и Джон Джъмпър от Google DeepMind получават половината от Нобеловата награда за химия за 2024 г.[^nob-half] Базата данни на AlphaFold, създадена съвместно с EMBL-EBI, съдържа предсказани структури на около 200 милиона протеина от 1 милион вида — почти всички известни протеини на планетата.[^w-200m]","sections":[{"id":"osnovni-danni","title":"Основни данни","paragraphs":["| Параметър | Данни |\n|---|---|\n| Вид | Програма с изкуствен интелект за предсказване на структурата на протеините[^w-def] |\n| Разработчик | DeepMind (днес Google DeepMind), дъщерно дружество на Alphabet[^w-def] |\n| Първа версия | AlphaFold — първо място на CASP13 (декември 2018 г.)[^w-casp13] |\n| AlphaFold 2 | Победа на CASP14 (ноември 2020 г.); медиана 92,4 от 100 по GDT[^w-casp14] |\n| AlphaFold 3 | Обявен на 8 май 2024 г., разработен съвместно с Isomorphic Labs[^w-af3] |\n| Научна публикация | Nature, 15 юли 2021 г.; близо 43 000 цитирания към ноември 2025 г.[^w-nature] |\n| База данни | AlphaFold Protein Structure Database (AFDB), с EMBL-EBI, от 22 юли 2021 г.[^w-afdb] |\n| Брой структури | Около 200 милиона (юли 2022 г.); 214 милиона към 2024 г.[^w-200m] |\n| Ползватели | Над два милиона души от 190 държави (по Нобеловия комитет)[^nob-users] |\n| Награди | Нобелова награда за химия (2024) за Демис Хасабис и Джон Джъмпър[^nob-half] |\n| Достъп до AlphaFold 3 | Безплатен сървър за некомерсиални изследвания[^w-server] |"]},{"id":"predistoriya-zagadkata-na-nagavaneto","title":"Предистория: загадката на нагъването","paragraphs":["Протеините са вериги от аминокиселини, които спонтанно се нагъват в триизмерни структури, а без структурата не може да се разбере биологичната функция на протеина.[^w-bg] Повечето протеини са изградени от 20 различни аминокиселини, които Нобеловият комитет нарича „градивните елементи на живота“.[^nob-20aa] Структурите могат да се определят експериментално — чрез рентгенова кристалография, криоелектронна микроскопия и ядрено-магнитен резонанс, — но тези методи са скъпи и бавни.[^w-bg]","За около 60 години експерименталните методи определят структурите на около 170 000 протеина, докато известните протеини във всички форми на живот са над 200 милиона.[^w-170k] Учените се опитват да предсказват структурите по последователността на аминокиселините още от 1970-те години, но задачата е изключително трудна.[^nob-1970]","Състезанието CASP, създадено през 1994 г., проверява най-добрите предсказания на научната общност; до 2016 г. за най-трудните протеини се постигат едва около 40 от 100 точки по мярката GDT.[^w-casp-bg] Председателят на Нобеловия комитет по химия Хайнер Линке нарича предсказването на структурите по аминокиселинната последователност „50-годишна мечта“.[^nob-linke]"]},{"id":"alphafold-1-2018","title":"AlphaFold 1 (2018)","paragraphs":["През декември 2018 г. AlphaFold заема първо място в общото класиране на 13-ото издание на CASP.[^w-casp13] В своя клас програмата дава най-доброто предсказание за 25 от 43 цели, с медиана 58,9 точки по GDT срещу 52,5 и 52,4 за следващите два отбора.[^w-casp13b] DeepMind обучава програмата на над 170 000 протеинови структури от публичната база Protein Data Bank, като използва вид мрежа с „внимание“ (attention), а обучението е проведено на между 100 и 200 графични процесора.[^w-train]"]},{"id":"alphafold-2-2020","title":"AlphaFold 2 (2020)","paragraphs":["През ноември 2020 г. новата версия AlphaFold 2 печели CASP14: тя дава най-доброто предсказание за 88 от 97 цели, а медианата ѝ по GDT е 92,4 от 100.[^w-casp14] Точността ѝ е определяна като сравнима с експериментални техники като рентгеновата кристалография.[^w-xray] Резултатите са описани като „поразителни“ и „преобразяващи“, но някои изследователи отбелязват, че точността не е достатъчна за една трета от предсказанията и че програмата не разкрива механизма на нагъването — самият проблем за нагъването на протеините остава нерешен.[^w-crit]","Статията за AlphaFold 2 е публикувана в Nature на 15 юли 2021 г. заедно с отворен код и база данни с протеоми; към ноември 2025 г. тя е цитирана близо 43 000 пъти.[^w-nature] Обновлението AlphaFold-Multimer от октомври 2021 г. включва в обучението и протеинови комплекси; според DeepMind то предсказва точно взаимодействията между протеини в около 70 % от случаите.[^w-multimer]"]},{"id":"alphafold-3-2024","title":"AlphaFold 3 (2024)","paragraphs":["AlphaFold 3 е обявен на 8 май 2024 г. и е разработен съвместно от Google DeepMind и Isomorphic Labs — и двете дъщерни дружества на Alphabet. Той не се ограничава до протеините, а предсказва и комплекси на протеини с ДНК, РНК, посттранслационни модификации и избрани лиганди и йони.[^w-af3] Новият метод показва поне 50 % по-голяма точност при взаимодействията на протеините с други молекули в сравнение със съществуващите методи.[^w-af3-50] В няколко сравнителни теста AlphaFold 3 средно се справя по-добре от класическите алгоритми за докинг при предсказване на начина, по който малки молекули се свързват с протеини.[^w-dock]","Архитектурата въвежда модула Pairformer — подобен на Evoformer от AlphaFold 2, но по-прост, — чиито първоначални предсказания се уточняват от дифузионен модел, който започва от облак атоми и постепенно намества позициите им.[^w-pairformer] За некомерсиални изследвания AlphaFold 3 е достъпен безплатно чрез сървъра AlphaFold Server; към ноември 2025 г. статията за него е цитирана пряко над 9000 пъти.[^w-server]","Кодът на няколко по-стари версии е отворен от DeepMind през 2022 г. по молба на научната общност, а кодът и теглата на AlphaFold 3 стават достъпни по заявка за некомерсиална употреба през ноември 2024 г. и публично — през февруари 2025 г., пак само за некомерсиална употреба.[^w-src] Появяват се и клонинги, повечето с по-свободни лицензи, сред тях Protenix на ByteDance (Apache 2.0), OpenFold-3 на лабораторията на АлКурайши и Boltz-1/2 (MIT).[^w-clones]"]},{"id":"bazata-danni-alphafold","title":"Базата данни AlphaFold","paragraphs":["Базата данни AlphaFold Protein Structure Database (AFDB) е съвместен проект на AlphaFold и EMBL-EBI и е пусната на 22 юли 2021 г.[^w-afdb] Първоначално тя съдържа над 350 000 предсказани структури, включително целия човешки протеом.[^embl-launch] Следват добавки, сред които 27 нови протеома, 17 от които са свързани с пренебрегвани тропически болести, засягащи над 1 милиард души.[^embl-ntd]","На 28 юли 2022 г. базата е разширена около 200 пъти — от близо 1 милион до над 200 милиона структури, обхващащи почти всеки организъм със секвениран геном.[^embl-200] Към 2024 г. записите са 214 милиона, от които 26 милиона са дубликати (точни съвпадения на последователността).[^w-200m] В рамките на малко повече от година над 1000 научни статии цитират базата, а над 500 000 изследователи от над 190 държави са я ползвали.[^embl-use] „AlphaFold вече предлага триизмерен поглед към вселената на протеините“, казва генералният директор на EMBL Едит Хърд.[^embl-heard]","Към 2026 г. AFDB използва AlphaFold 2 за предсказанията си; дотогава базата съдържа само мономерни структури, а в началото на 2026 г. добавя предсказания за хомо- и хетеродимери за част от протеомите.[^w-dimers] В базата е интегрирана и информация от AlphaMissense — инструмент, който с помощта на AlphaFold предсказва последиците от миссенс мутации.[^w-missense]"]},{"id":"nobelovata-nagrada-za-himiya-2024","title":"Нобеловата награда за химия (2024)","paragraphs":["На 9 октомври 2024 г. Кралската шведска академия на науките присъжда Нобеловата награда за химия: половината — на Дейвид Бейкър „за изчислителен дизайн на протеини“, а другата половина — съвместно на Демис Хасабис и Джон Джъмпър от Google DeepMind „за предсказване на протеинови структури“.[^nob-half] Наградата е в размер на 11 милиона шведски крони.[^nob-amount]","По думите на Нобеловия комитет през 2020 г. Хасабис и Джъмпър представят модела AlphaFold2, с чиято помощ предсказват структурата на практически всички 200 милиона протеина, установени от изследователите.[^nob-2020] Оттогава AlphaFold2 е ползван от над два милиона души от 190 държави — например за по-добро разбиране на антибиотичната резистентност и за изображения на ензими, които разграждат пластмаса.[^nob-users] Бейкър успява още през 2003 г. да проектира нов протеин, различен от всички познати, а групата му създава протеини, които могат да служат като лекарства, ваксини, наноматериали и миниатюрни сензори.[^nob-baker]","Демис Хасабис е роден през 1976 г. в Лондон, защитава докторат през 2009 г. в Университетския колеж в Лондон и е главен изпълнителен директор на Google DeepMind; Джон Джъмпър е роден през 1985 г. в Литъл Рок (Арканзас, САЩ), защитава докторат през 2017 г. в Чикагския университет и е старши научен сътрудник в Google DeepMind.[^nob-bios] Преди това двамата получават наградата Breakthrough в науките за живота и наградата „Ласкър“ за фундаментални медицински изследвания през 2023 г., както и специалната награда VinFuture за 2022 г.[^w-prizes]"]},{"id":"vliyanie-varhu-naukata","title":"Влияние върху науката","paragraphs":["На CASP15 през 2022 г. DeepMind не участва, но повечето участници използват AlphaFold или инструменти, които го включват.[^w-casp15] По думите на Хасабис AlphaFold бързо се превръща в незаменим инструмент за стотици хиляди учени в лаборатории и университети по света.[^embl-hassabis]","Работен доклад на Райън Хил и Каролин Стайн от 2026 г. разглежда пускането на базата през юли 2021 г. като естествен експеримент и установява, че фундаменталните изследвания на протеини без известна дотогава структура нарастват с 23–32 % спрямо протеините с вече известна структура — ефект, който авторите наричат „прожектор“ (floodlight), за разлика от стесняващия „ефект на уличната лампа“.[^w-hill]","Според тях предсказаните структури не изместват експерименталната работа, а я правят по-ефективна: в края на изследвания период експерименталните структури без близък известен аналог използват предсказания на AlphaFold като шаблон в над 60 % от случаите срещу 15 % при останалите; в анкета сред 427 структурни биолози респондентите съобщават, че решават малко повече структури годишно, като отделят по-малък дял от лабораторното време за това.[^w-hill2] Работен доклад на Джънъи Ю установява, че след появата на AlphaFold 2 публикациите на структурните биолози се отдалечават от предишните им изследвания с около 3 % по мярка, базирана на модела SciBERT.[^w-yu]"]},{"id":"isomorphic-labs-i-lekarstvata","title":"Isomorphic Labs и лекарствата","paragraphs":["Isomorphic Labs е създадена през 2021 г. на основата на пробива с AlphaFold; тя развива AlphaFold 3 заедно с Google DeepMind, както и собствен двигател за дизайн на лекарства, IsoDDE.[^cd-2021] През март 2025 г. компанията набира 600 милиона долара външно финансиране, водено от Thrive Capital.[^cd-600] На 13 май 2026 г. Ройтерс съобщава, че Isomorphic е набрала още 2,1 милиарда долара в нов кръг, отново воден от Thrive Capital,[^ary-21] с участието и на Google Ventures, Alphabet, MGX, Temasek и CapitalG.[^ary-backers]","Компанията поставя на първо място кандидат-лекарства срещу рака и определя изпитванията при хора като „следващия голям етап“.[^cd-onc] Според Ройтерс първите клинични изпитвания се очакват до края на 2026 г. — забавяне спрямо по-ранната цел на главния изпълнителен директор лекарства, създадени с ИИ, да влязат в изпитвания до края на 2025 г.[^ary-delay] При традиционната разработка на лекарства успеваемостта след началото на изпитванията е около 10 %.[^cd-10] Според ChemDiv обаче технологията още няма доказан опит при хора и ранните данни от изпитванията ще бъдат решаващи.[^cd-unproven]","През 2026 г. Google обявява, че екипът зад AlphaFold е разформирован: повечето членове са пренасочени към работа по Gemini, а други преминават в Isomorphic Labs или напускат компанията.[^w-disband]"]},{"id":"ogranicheniya-i-kritika","title":"Ограничения и критика","paragraphs":["Базата AlphaFold DB съдържа модели на отделни протеинови вериги (мономери), а не на биологично значимите им комплекси, а много области — включително вътрешно неподредените участъци — се предсказват с ниска увереност.[^w-limits] AlphaFold 2 е проверяван и за предсказване на ефекта на точкови мутации върху структурата и свободната енергия, с частичен успех.[^w-mut]","AlphaFold 3 може да предсказва комплекси само с много ограничен набор от кофактори и модификации, а между 50 % и 70 % от структурите на човешкия протеом са непълни без ковалентно свързаните гликани.[^w-af3lim] Критиците подчертават, че програмата предсказва структурите, без да обяснява механизма на нагъването, така че самият научен проблем остава нерешен.[^w-crit] Кодът на AlphaFold 3 остава с ограничение за некомерсиална употреба,[^w-src] а повечето от публикуваните клонинги са с по-свободни лицензи.[^w-clones]"]},{"id":"vizhte-sashto","title":"Вижте също","paragraphs":["- [[google-deepmind|Google DeepMind]] • [[avtonomna-nauka|Автономна наука: изкуственият интелект в научните открития]] • [[nobelovi-nagradi-za-nauka-2026|Нобелови награди за наука (2026)]]"]}],"sources":[{"key":"w","title":"AlphaFold","url":"https://en.wikipedia.org/wiki/AlphaFold","note":"","publisher":"Уикипедия (английска)","language":"en","retrieved_at":"2026-10-31"},{"key":"nob","title":"Press release: The Nobel Prize in Chemistry 2024","url":"https://www.nobelprize.org/prizes/chemistry/2024/press-release/","note":"","publisher":"NobelPrize.org (Кралската шведска академия на науките)","published_at":"2024-10-09","language":"en","retrieved_at":"2026-10-31"},{"key":"embl","title":"AlphaFold predicts structure of almost every catalogued protein known to science","url":"https://www.embl.org/news/science/alphafold-200-million/","note":"","publisher":"EMBL (Европейска лаборатория по молекулярна биология)","published_at":"2022-07-28","language":"en","retrieved_at":"2026-10-31"},{"key":"cd","title":"Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs","url":"https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/","note":"","publisher":"ChemDiv (Pharma News)","published_at":"2026-04-27","language":"en","retrieved_at":"2026-10-31"},{"key":"ary","title":"Google-backed Isomorphic raises $2.1 billion to scale AI-driven drug discovery","url":"https://arynews.tv/isomorphic-labs-secures-major-funding-for-ai","note":"","publisher":"ARY News (по Ройтерс)","published_at":"2026-05-13","language":"en","retrieved_at":"2026-10-31"}],"citations":[{"id":"w-def","source_key":"w","locator":"","excerpt":"AlphaFold is an artificial intelligence (AI) program developed by DeepMind, a subsidiary of Alphabet, which performs predictions of protein structure.","note":""},{"id":"w-casp13","source_key":"w","locator":"","excerpt":"In December 2018, DeepMind's AlphaFold placed first in the overall rankings of the 13th Critical Assessment of Techniques for Protein Structure Prediction (CASP).","note":""},{"id":"w-casp13b","source_key":"w","locator":"","excerpt":"AlphaFold gave the best prediction for 25 out of 43 protein targets in this class, ... achieving a median score of 58.9 on the CASP's global distance test (GDT) score, ahead of 52.5 and 52.4 by the two next best-placed teams","note":""},{"id":"w-casp14","source_key":"w","locator":"","excerpt":"In November 2020, DeepMind's new version, AlphaFold 2, won CASP14. ... Overall, AlphaFold 2 made the best prediction for 88 out of the 97 targets. ... On the competition's preferred global distance test (GDT) measure of accuracy, the program achieved a median score of 92.4 (out of 100)","note":""},{"id":"w-xray","source_key":"w","locator":"","excerpt":"a level of accuracy reported to be comparable to experimental techniques like X-ray crystallography.","note":""},{"id":"w-crit","source_key":"w","locator":"","excerpt":"AlphaFold 2's results at CASP14 were described as \"astounding\" ... and \"transformational\". ... However, some researchers noted that the accuracy was insufficient for a third of its predictions, and that it did not reveal the underlying mechanism or rules of protein folding for the protein folding problem, which remains unsolved.","note":""},{"id":"w-nature","source_key":"w","locator":"","excerpt":"On 15 July 2021, the AlphaFold 2 paper was published in Nature as an advance access publication alongside open source software and a searchable database of species proteomes. ... As of November 2025, the paper had been cited nearly 43,000 times.","note":""},{"id":"w-multimer","source_key":"w","locator":"","excerpt":"However, the October 2021 update, named AlphaFold-Multimer, included protein complexes in its training data. DeepMind stated this update succeeded about 70% of the time at accurately predicting protein-protein interactions.","note":""},{"id":"w-af3","source_key":"w","locator":"","excerpt":"Announced on 8 May 2024, AlphaFold 3 was co-developed by Google DeepMind and Isomorphic Labs, both subsidiaries of Alphabet. AlphaFold 3 is not limited to proteins, as it can also predict the structures of protein complexes with DNA, RNA, post-translational modifications and selected ligands and ions.","note":""},{"id":"w-af3-50","source_key":"w","locator":"","excerpt":"The new prediction method shows a minimum 50% improvement in accuracy for protein interactions with other molecules compared to existing methods.","note":""},{"id":"w-pairformer","source_key":"w","locator":"","excerpt":"AlphaFold 3 introduces the \"Pairformer,\" a deep learning architecture inspired by the transformer, which is considered similar to, but simpler than, the Evoformer used in AlphaFold 2. ... The Pairformer module's initial predictions are refined by a diffusion model. This model begins with a cloud of atoms and iteratively refines their positions, guided by the Pairformer's output, to generate a 3D representation of the molecular structure.","note":""},{"id":"w-server","source_key":"w","locator":"","excerpt":"The AlphaFold server was created to provide free access to AlphaFold 3 for non-commercial research. ... As of November 2025, the AlphaFold 3 research paper has been directly cited more than 9,000 times.","note":""},{"id":"w-src","source_key":"w","locator":"","excerpt":"Open access to source code of several AlphaFold versions (excluding AlphaFold 3) has been provided by DeepMind in 2022 after requests from the scientific community. ... The source code and weights of AlphaFold 3 were made available for non-commercial use to the scientific community upon request in November 2024. It became publicly available in February 2025, still retaining the non-commercial restriction.","note":""},{"id":"w-clones","source_key":"w","locator":"","excerpt":"A number of AlphaFold clones have also been published, mostly with permissive license terms. Clones for AlphaFold3 include ByteDance's Protenix (Apache 2.0 License), ... AlQuraishi Laboratory's OpenFold-3 (MIT license), and Boltz-1/2 (MIT license).","note":""},{"id":"w-dock","source_key":"w","locator":"","excerpt":"Across several benchmarks, AlphaFold3 has demonstrated, on average, superior performance to conventional search-based docking algorithms in predicting small-molecule–protein binding modes.","note":""},{"id":"w-af3lim","source_key":"w","locator":"","excerpt":"AlphaFold 3 version can predict structures of protein complexes with a very limited set of selected cofactors and co- and post-translational modifications. ... Between 50% and 70% of the structures of the human proteome are incomplete without covalently-attached glycans.","note":""},{"id":"w-bg","source_key":"w","locator":"","excerpt":"Proteins consist of chains of amino acids which spontaneously fold to form the three dimensional (3-D) structures of the proteins. The 3-D structure is necessary to understanding the biological function of the protein. Protein structures can be determined experimentally through techniques such as X-ray crystallography, cryo-electron microscopy and nuclear magnetic resonance (NMR), which are all expensive and time-consuming.","note":""},{"id":"w-170k","source_key":"w","locator":"","excerpt":"Such efforts, using the experimental methods, have identified the structures of about 170,000 proteins over the last 60 years, while there are over 200 million known proteins across all life forms.","note":""},{"id":"w-casp-bg","source_key":"w","locator":"","excerpt":"CASP, which was launched in 1994 to challenge the scientific community to produce their best protein structure predictions, found that GDT scores of only about 40 out of 100 can be achieved for the most difficult proteins by 2016.","note":""},{"id":"w-train","source_key":"w","locator":"","excerpt":"DeepMind is known to have trained the program on over 170,000 protein structures from the Protein Data Bank, a public repository of protein sequences and structures. The program uses a form of attention network, a deep learning technique that focuses on having the AI identify parts of a larger problem, then piece it together to obtain the overall solution. ... The overall training was conducted on processing power between 100 and 200 GPUs.","note":""},{"id":"w-afdb","source_key":"w","locator":"","excerpt":"The AlphaFold Protein Structure Database (AFDB), a joint project between AlphaFold and EMBL-EBI, was launched on July 22, 2021.","note":""},{"id":"w-200m","source_key":"w","locator":"","excerpt":"On July 28, 2022, the team uploaded to the database the structures of around 200 million proteins from 1 million species, covering nearly every known protein on the planet. ... The number as of 2024 is 214 million, with 26 million being duplicates (exact sequence matches) of another protein in the database.","note":""},{"id":"w-dimers","source_key":"w","locator":"","excerpt":"As of 2026, the AFDB uses AlphaFold 2 for its predictions. The database previously contained only monomeric structures but in early 2026, AFDB added homo- and heterodimer predictions for some proteomes.","note":""},{"id":"w-missense","source_key":"w","locator":"","excerpt":"Information from AlphaMissense (a tool that uses AlphaFold to predict the outcome of missense mutations) is also integrated.","note":""},{"id":"w-prizes","source_key":"w","locator":"","excerpt":"Hassabis and Jumper had previously won the Breakthrough Prize in Life Sciences and the Albert Lasker Award for Basic Medical Research in 2023 for their leadership of the AlphaFold project. ... Dr. Demis Hassabis and Dr. John Jumper also won 2022 VinFuture Special Prize for their pioneering work on AlphaFold 2.","note":""},{"id":"w-disband","source_key":"w","locator":"","excerpt":"Google announced in 2026 that the team behind AlphaFold had been disbanded, with most being reassigned to work on Gemini while others moved to Isomorphic Labs or left the company entirely.","note":""},{"id":"w-hill","source_key":"w","locator":"","excerpt":"A 2026 working paper by Ryan Hill and Carolyn Stein treated the July 2021 release of the AlphaFold Protein Structure Database as a natural experiment, comparing proteins that already had experimental structures against those that did not. They found that basic research on proteins lacking prior structural information rose by 23 to 32% relative to proteins that already had structures, and characterized this as a \"floodlight\" effect that widened the range of proteins under study, ... as opposed to a narrowing “streetlight effect” that had been suggested as a possible outcome.","note":""},{"id":"w-hill2","source_key":"w","locator":"","excerpt":"Hill and Stein found little evidence that predicted structures displaced experimental work at the level of the field as a whole, with the overall rate of experimental structure determination almost unchanged, and argued that researchers were instead using predictions to make experimental work more efficient: by the end of their sample, experimental structures lacking a closely related known structure used AlphaFold predictions as templates more than 60% of the time, compared with 15% for those that had one. In an accompanying survey of 427 structural biologists, respondents reported solving slightly more structures per year after AlphaFold's release while devoting a smaller share of laboratory time to structure determination.","note":""},{"id":"w-yu","source_key":"w","locator":"","excerpt":"A working paper by Zhengyi Yu similarly found that structural biologists' published work moved measurably further from their own prior research after AlphaFold 2 became available, by roughly 3% on a measure derived from SciBERT embeddings of titles, abstracts and keywords.","note":""},{"id":"w-casp15","source_key":"w","locator":"","excerpt":"In 2022, DeepMind did not enter CASP15, but most of the entrants used AlphaFold or tools incorporating AlphaFold.","note":""},{"id":"w-limits","source_key":"w","locator":"","excerpt":"AlphaFold DB provides models of individual protein chains (monomers), rather than their biologically relevant complexes. ... Many protein regions are predicted with low confidence score, including the intrinsically disordered protein regions.","note":""},{"id":"w-mut","source_key":"w","locator":"","excerpt":"Alphafold-2 was validated for predicting effects of point mutations on structure ... and free energy, ... with a partial success.","note":""},{"id":"nob-half","source_key":"nob","locator":"","excerpt":"9 October 2024 The Royal Swedish Academy of Sciences has decided to award the Nobel Prize in Chemistry 2024 with one half to David Baker ... “for computational protein design” and the other half jointly to Demis Hassabis Google DeepMind, London, UK John Jumper Google DeepMind, London, UK “for protein structure prediction”","note":""},{"id":"nob-amount","source_key":"nob","locator":"","excerpt":"Prize amount: 11 million Swedish kronor, with one half to David Baker and the other half jointly to Demis Hassabis and John Jumper.","note":""},{"id":"nob-2020","source_key":"nob","locator":"","excerpt":"In 2020, Demis Hassabis and John Jumper presented an AI model called AlphaFold2. With its help, they have been able to predict the structure of virtually all the 200 million proteins that researchers have identified.","note":""},{"id":"nob-users","source_key":"nob","locator":"","excerpt":"Since their breakthrough, AlphaFold2 has been used by more than two million people from 190 countries. Among a myriad of scientific applications, researchers can now better understand antibiotic resistance and create images of enzymes that can decompose plastic.","note":""},{"id":"nob-1970","source_key":"nob","locator":"","excerpt":"Since the 1970s, researchers had tried to predict protein structures from amino acid sequences, but this was notoriously difficult. However, four years ago, there was a stunning breakthrough.","note":""},{"id":"nob-linke","source_key":"nob","locator":"","excerpt":"The other is about fulfilling a 50-year-old dream: predicting protein structures from their amino acid sequences. Both of these discoveries open up vast possibilities,” says Heiner Linke, Chair of the Nobel Committee for Chemistry.","note":""},{"id":"nob-20aa","source_key":"nob","locator":"","excerpt":"Proteins generally consist of 20 different amino acids, which can be described as life’s building blocks.","note":""},{"id":"nob-baker","source_key":"nob","locator":"","excerpt":"In 2003, David Baker succeeded in using these blocks to design a new protein that was unlike any other protein. Since then, his research group has produced one imaginative protein creation after another, including proteins that can be used as pharmaceuticals, vaccines, nanomaterials and tiny sensors.","note":""},{"id":"nob-bios","source_key":"nob","locator":"","excerpt":"Demis Hassabis, born 1976 in London, UK. PhD 2009 from University College London, UK. CEO of Google DeepMind, London, UK. John Jumper, born 1985 in Little Rock, AR, USA. PhD 2017 from ... versity of Chicago, IL, USA. Senior Research Scientist at Google DeepMind, London, UK.","note":""},{"id":"embl-200","source_key":"embl","locator":"","excerpt":"28 July 2022 ... The database is being expanded by approximately 200 times, from nearly 1 million protein structures to over 200 million, covering almost every organism on Earth that has had its genome sequenced.","note":""},{"id":"embl-launch","source_key":"embl","locator":"","excerpt":"DeepMind and EMBL-EBI launched the AlphaFold database in July 2021, with more than 350,000 protein structure predictions, including the entire human proteome.","note":""},{"id":"embl-ntd","source_key":"embl","locator":"","excerpt":"Subsequent updates saw the addition of UniProtKB/SwissProt and 27 new proteomes, 17 of which represent neglected tropical diseases that continue to devastate the lives of more than 1 billion people globally.","note":""},{"id":"embl-use","source_key":"embl","locator":"","excerpt":"In just over a year, more than 1,000 scientific papers have cited the database and over 500,000 researchers from over 190 countries have accessed the AlphaFold Database to view over two million structures.","note":""},{"id":"embl-heard","source_key":"embl","locator":"","excerpt":"“AlphaFold now offers a 3D view of the protein universe,” said Edith Heard, Director General of EMBL.","note":""},{"id":"embl-hassabis","source_key":"embl","locator":"","excerpt":"“We’ve been amazed by the rate at which AlphaFold has already become an essential tool for hundreds of thousands of scientists in labs and universities across the world,” said Demis Hassabis, Founder and CEO of DeepMind.","note":""},{"id":"cd-2021","source_key":"cd","locator":"","excerpt":"Isomorphic Labs was established in 2021 from DeepMind's AlphaFold breakthrough, which predicts protein structures with high accuracy. The company has advanced this with AlphaFold 3, co-developed with Google DeepMind, and its own Isomorphic Labs Drug Design Engine (IsoDDE).","note":""},{"id":"cd-600","source_key":"cd","locator":"","excerpt":"In March 2025, Isomorphic secured $600 million in external funding led by Thrive Capital to build its drug design engine and advance programs to clinical stages.","note":""},{"id":"cd-onc","source_key":"cd","locator":"","excerpt":"Isomorphic is prioritizing oncology candidates for its first clinical trials, though AlphaFold technology applies to other areas. Murdoch told Fortune that human trials are 'the next big milestone,'","note":""},{"id":"cd-10","source_key":"cd","locator":"","excerpt":"Traditional drug development faces high costs and low success rates, often around 10% once trials begin.","note":""},{"id":"cd-unproven","source_key":"cd","locator":"","excerpt":"However, the technology's unproven track record in humans means early trial data will be critical for validating claims of improved efficiency.","note":""},{"id":"ary-21","source_key":"ary","locator":"","excerpt":"Google-backed Isomorphic raises $2.1 billion to scale AI-driven drug discovery By Reuters - May 13, 2026 ... Isomorphic Labs, an artificial intelligence-driven drug discovery company, said on Wednesday it has raised $2.1 billion in its ... latest funding round led by existing investor Thrive Capital.","note":""},{"id":"ary-backers","source_key":"ary","locator":"","excerpt":"funding round, completed at an undisclosed valuation, also included other existing investors, Google Ventures and Alphabet, along with new backers MGX, Temasek and CapitalG.","note":""},{"id":"ary-delay","source_key":"ary","locator":"","excerpt":"The company now expects its first clinical trials by the end of ... 2026 — a delay from the CEO’s earlier target ... of having ... AI-designed drugs in trials by the end of 2025.","note":""}],"status":"published","featured":false,"revision":1,"created_at":"2026-10-31T06:05:31.333Z","updated_at":"2026-10-31T06:05:31.333Z","media":[{"slug":"demis-hasabis-2024","title":"Demis_Hassabis,_2024_Nobel_Prize_Laureate_in_Chemistry_7_(cropped)","alt":"Портрет на Демис Хасабис","caption":"Демис Хасабис, съосновател и ръководител на Google DeepMind, на Нобеловата седмица през декември 2024 г.","author":"John Sears","own_work":false,"source_url":"https://commons.wikimedia.org/wiki/File:Demis_Hassabis,_2024_Nobel_Prize_Laureate_in_Chemistry_7_(cropped).jpg","license":"CC-BY-SA-4.0","license_label":"CC BY-SA 4.0","license_url":"https://creativecommons.org/licenses/by-sa/4.0/deed.bg","width":1280,"height":1705,"bytes":428065,"mime":"image/jpeg","file":"d9525d4cf685a2e3.jpg","url":"/media/d9525d4cf685a2e3.jpg","uploaded_at":"2026-10-25T22:35:06.418Z","updated_at":"2026-10-25T22:35:06.418Z"}]}