AlphaFold ========= [Картинка: 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 Разработчик | DeepMind (днес Google DeepMind), дъщерно дружество на Alphabet Първа версия | AlphaFold — първо място на CASP13 (декември 2018 г.) AlphaFold 2 | Победа на CASP14 (ноември 2020 г.); медиана 92,4 от 100 по GDT AlphaFold 3 | Обявен на 8 май 2024 г., разработен съвместно с Isomorphic Labs Научна публикация | Nature, 15 юли 2021 г.; близо 43 000 цитирания към ноември 2025 г. База данни | AlphaFold Protein Structure Database (AFDB), с EMBL-EBI, от 22 юли 2021 г. Брой структури | Около 200 милиона (юли 2022 г.); 214 милиона към 2024 г. Ползватели | Над два милиона души от 190 държави (по Нобеловия комитет) Награди | Нобелова награда за химия (2024) за Демис Хасабис и Джон Джъмпър Достъп до AlphaFold 3 | Безплатен сървър за некомерсиални изследвания 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. Повечето протеини са изградени от 20 различни аминокиселини, които Нобеловият комитет нарича „градивните елементи на живота“. Структурите могат да се определят експериментално — чрез рентгенова кристалография, криоелектронна микроскопия и ядрено-магнитен резонанс, — но тези методи са скъпи и бавни. 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. Учените се опитват да предсказват структурите по последователността на аминокиселините още от 1970-те години, но задачата е изключително трудна. 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. Председателят на Нобеловия комитет по химия Хайнер Линке нарича предсказването на структурите по аминокиселинната последователност „50-годишна мечта“. AlphaFold 1 (2018) ------------------ През декември 2018 г. AlphaFold заема първо място в общото класиране на 13-ото издание на CASP. 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. 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. 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. Точността ѝ е определяна като сравнима с експериментални техники като рентгеновата кристалография. 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. 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. 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. 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. Новият метод показва поне 50 % по-голяма точност при взаимодействията на протеините с други молекули в сравнение със съществуващите методи. 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. 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. 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. 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. 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). 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. Първоначално тя съдържа над 350 000 предсказани структури, включително целия човешки протеом. Следват добавки, сред които 27 нови протеома, 17 от които са свързани с пренебрегвани тропически болести, засягащи над 1 милиард души. 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. Към 2024 г. записите са 214 милиона, от които 26 милиона са дубликати (точни съвпадения на последователността). 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. „AlphaFold вече предлага триизмерен поглед към вселената на протеините“, казва генералният директор на EMBL Едит Хърд. 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. В базата е интегрирана и информация от AlphaMissense — инструмент, който с помощта на AlphaFold предсказва последиците от миссенс мутации. 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“. Наградата е в размер на 11 милиона шведски крони. 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. 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. 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. 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. 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. Влияние върху науката --------------------- На CASP15 през 2022 г. DeepMind не участва, но повечето участници използват AlphaFold или инструменти, които го включват. По думите на Хасабис AlphaFold бързо се превръща в незаменим инструмент за стотици хиляди учени в лаборатории и университети по света. 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“. 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. 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. 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. През март 2025 г. компанията набира 600 милиона долара външно финансиране, водено от Thrive Capital. На 13 май 2026 г. Ройтерс съобщава, че Isomorphic е набрала още 2,1 милиарда долара в нов кръг, отново воден от Thrive Capital, с участието и на Google Ventures, Alphabet, MGX, Temasek и CapitalG. Компанията поставя на първо място кандидат-лекарства срещу рака и определя изпитванията при хора като „следващия голям етап“. 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. При традиционната разработка на лекарства успеваемостта след началото на изпитванията е около 10 %. Според ChemDiv обаче технологията още няма доказан опит при хора и ранните данни от изпитванията ще бъдат решаващи. 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. 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. AlphaFold 2 е проверяван и за предсказване на ефекта на точкови мутации върху структурата и свободната енергия, с частичен успех. 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. Критиците подчертават, че програмата предсказва структурите, без да обяснява механизма на нагъването, така че самият научен проблем остава нерешен. Кодът на AlphaFold 3 остава с ограничение за некомерсиална употреба, а повечето от публикуваните клонинги са с по-свободни лицензи. 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 Каноничен URL: https://wikib.online/article/alphafold Ревизия: 1 Статус: published Език: bg Лиценз: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/)