# AlphaFold ![Портрет на Демис Хасабис](https://wikib.online/media/d9525d4cf685a2e3.jpg) *Демис Хасабис, ръководител на Google DeepMind и съносител на Нобеловата награда за химия за AlphaFold — Автор: John Sears · Лиценз: CC BY-SA 4.0* AlphaFold е програма с изкуствен интелект, разработена от DeepMind — дъщерно дружество на Alphabet, — която предсказва пространствената структура на протеините. През ноември 2020 г. версията AlphaFold 2 печели състезанието CASP14 и дава най-доброто предсказание за 88 от 97-те цели. За предсказването на протеинови структури Демис Хасабис и Джон Джъмпър от Google DeepMind получават половината от Нобеловата награда за химия за 2024 г. 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. ## Основни данни | Параметър | Данни | |---|---| | Вид | Програма с изкуствен интелект за предсказване на структурата на протеините[1] | | Разработчик | DeepMind (днес Google DeepMind), дъщерно дружество на Alphabet[1] | | Първа версия | AlphaFold — първо място на CASP13 (декември 2018 г.)[2] | | AlphaFold 2 | Победа на CASP14 (ноември 2020 г.); медиана 92,4 от 100 по GDT[4] | | AlphaFold 3 | Обявен на 8 май 2024 г., разработен съвместно с Isomorphic Labs[9] | | Научна публикация | Nature, 15 юли 2021 г.; близо 43 000 цитирания към ноември 2025 г.[7] | | База данни | AlphaFold Protein Structure Database (AFDB), с EMBL-EBI, от 22 юли 2021 г.[21] | | Брой структури | Около 200 милиона (юли 2022 г.); 214 милиона към 2024 г.[22] | | Ползватели | Над два милиона души от 190 държави (по Нобеловия комитет)[36] | | Награди | Нобелова награда за химия (2024) за Демис Хасабис и Джон Джъмпър[33] | | Достъп до AlphaFold 3 | Безплатен сървър за некомерсиални изследвания[12] | ## Предистория: загадката на нагъването Протеините са вериги от аминокиселини, които спонтанно се нагъват в триизмерни структури, а без структурата не може да се разбере биологичната функция на протеина.[17] Повечето протеини са изградени от 20 различни аминокиселини, които Нобеловият комитет нарича „градивните елементи на живота“.[39] Структурите могат да се определят експериментално — чрез рентгенова кристалография, криоелектронна микроскопия и ядрено-магнитен резонанс, — но тези методи са скъпи и бавни.[17] 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.[18] Учените се опитват да предсказват структурите по последователността на аминокиселините още от 1970-те години, но задачата е изключително трудна.[37] 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.[19] Председателят на Нобеловия комитет по химия Хайнер Линке нарича предсказването на структурите по аминокиселинната последователност „50-годишна мечта“.[38] ## AlphaFold 1 (2018) През декември 2018 г. AlphaFold заема първо място в общото класиране на 13-ото издание на CASP.[2] 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.[3] 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.[20] ## AlphaFold 2 (2020) 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.[4] Точността ѝ е определяна като сравнима с експериментални техники като рентгеновата кристалография.[5] 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.[6] 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.[7] 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.[8] ## AlphaFold 3 (2024) 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.[9] Новият метод показва поне 50 % по-голяма точност при взаимодействията на протеините с други молекули в сравнение със съществуващите методи.[10] 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.[15] 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.[11] 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.[12] 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.[13] 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).[14] ## Базата данни AlphaFold Базата данни AlphaFold Protein Structure Database (AFDB) е съвместен проект на AlphaFold и EMBL-EBI и е пусната на 22 юли 2021 г.[21] Първоначално тя съдържа над 350 000 предсказани структури, включително целия човешки протеом.[43] Следват добавки, сред които 27 нови протеома, 17 от които са свързани с пренебрегвани тропически болести, засягащи над 1 милиард души.[44] 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.[42] Към 2024 г. записите са 214 милиона, от които 26 милиона са дубликати (точни съвпадения на последователността).[22] 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.[45] „AlphaFold вече предлага триизмерен поглед към вселената на протеините“, казва генералният директор на EMBL Едит Хърд.[46] 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.[23] В базата е интегрирана и информация от AlphaMissense — инструмент, който с помощта на AlphaFold предсказва последиците от миссенс мутации.[24] ## Нобеловата награда за химия (2024) 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“.[33] Наградата е в размер на 11 милиона шведски крони.[34] 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.[35] 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.[36] 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.[40] 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.[41] 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.[25] ## Влияние върху науката На CASP15 през 2022 г. DeepMind не участва, но повечето участници използват AlphaFold или инструменти, които го включват.[30] По думите на Хасабис AlphaFold бързо се превръща в незаменим инструмент за стотици хиляди учени в лаборатории и университети по света.[47] 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“.[27] 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.[28] 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.[29] ## Isomorphic Labs и лекарствата 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.[48] През март 2025 г. компанията набира 600 милиона долара външно финансиране, водено от Thrive Capital.[49] На 13 май 2026 г. Ройтерс съобщава, че Isomorphic е набрала още 2,1 милиарда долара в нов кръг, отново воден от Thrive Capital,[53] с участието и на Google Ventures, Alphabet, MGX, Temasek и CapitalG.[54] Компанията поставя на първо място кандидат-лекарства срещу рака и определя изпитванията при хора като „следващия голям етап“.[50] 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.[55] При традиционната разработка на лекарства успеваемостта след началото на изпитванията е около 10 %.[51] Според ChemDiv обаче технологията още няма доказан опит при хора и ранните данни от изпитванията ще бъдат решаващи.[52] 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.[26] ## Ограничения и критика 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.[31] AlphaFold 2 е проверяван и за предсказване на ефекта на точкови мутации върху структурата и свободната енергия, с частичен успех.[32] 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.[16] Критиците подчертават, че програмата предсказва структурите, без да обяснява механизма на нагъването, така че самият научен проблем остава нерешен.[6] Кодът на AlphaFold 3 остава с ограничение за некомерсиална употреба,[13] а повечето от публикуваните клонинги са с по-свободни лицензи.[14] ## Вижте също - [Google DeepMind](https://wikib.online/article/google-deepmind) - [Автономна наука: изкуственият интелект в научните открития](https://wikib.online/article/avtonomna-nauka) - [Нобелови награди за наука (2026)](https://wikib.online/article/nobelovi-nagradi-za-nauka-2026) - [Общ изкуствен интелект (AGI)](https://wikib.online/article/obsht-izkustven-intelekt-agi) - [Изкуственият интелект в образованието](https://wikib.online/article/izkustveniyat-intelekt-v-obrazovanieto) - [Халюцинации на езиковите модели](https://wikib.online/article/halyutsinatsii-na-ezikovite-modeli) - [Същност и развитие на технологията на изкуствения интелект (2022-2026)](https://wikib.online/article/sashtnost-i-razvitie-na-ai-tehnologiyata) - [Отворени и локални модели на изкуствения интелект](https://wikib.online/article/otvoreni-i-lokalni-modeli-na-izkustveniya-intelekt) - [DeepSeek](https://wikib.online/article/deepseek) - [ChatGPT](https://wikib.online/article/chatgpt) ## Доказателства към твърденията 1. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 2. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 3. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 4. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 5. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 6. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 7. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 8. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 9. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 10. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 11. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 12. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 13. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 14. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 15. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 16. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 17. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 18. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 19. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 20. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 21. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 22. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 23. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 24. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 25. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 26. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 27. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 28. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 29. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 30. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 31. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 32. AlphaFold — https://en.wikipedia.org/wiki/AlphaFold 33. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 34. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 35. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 36. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 37. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 38. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 39. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 40. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 41. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 42. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 43. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 44. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 45. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 46. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 47. AlphaFold predicts structure of almost every catalogued protein known to science — https://www.embl.org/news/science/alphafold-200-million/ 48. Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs — https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/ 49. Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs — https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/ 50. Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs — https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/ 51. Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs — https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/ 52. Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs — https://www.chemdiv.com/company/media/pharma-news/2026/isomorphic-labs-launches-human-trials-for-ai-designed-cancer-drugs/ 53. Google-backed Isomorphic raises $2.1 billion to scale AI-driven drug discovery — https://arynews.tv/isomorphic-labs-secures-major-funding-for-ai 54. Google-backed Isomorphic raises $2.1 billion to scale AI-driven drug discovery — https://arynews.tv/isomorphic-labs-secures-major-funding-for-ai 55. Google-backed Isomorphic raises $2.1 billion to scale AI-driven drug discovery — https://arynews.tv/isomorphic-labs-secures-major-funding-for-ai ## Метаданни - Каноничен URL: https://wikib.online/article/alphafold - Лиценз: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/) - Ревизия: 1 - Статус: published - Език: bg - JSON: https://wikib.online/api/public/articles/alphafold