Google DeepMind afslører næste generations AI-model til lægemiddelopdagelse

Google DeepMind har introduceret den tredje iteration af sin banebrydende kunstig intelligens-model, AlphaFold, der har til formål at forbedre effektiviteten og præcisionen af lægemiddeldesign og sygdomsbehandling.

Denne seneste udvikling blev annonceret i London den 8. maj, hvilket markerede et væsentligt skridt fremad i brugen af AI i molekylærbiologi.

Omfattende kortlægning af livets molekyler

Siden dets første gennembrud i 2020, hvor AlphaFold brugte AI til at forudsige proteinadfærd, har værktøjet udviklet sig.

Den nuværende version, udviklet i samarbejde med Isomorphic Labs – begge virksomheder under ledelse af medstifter Demis Hassabis – har med succes kortlagt interaktionerne mellem alle molekylære strukturer i livet, inklusive menneskets DNA.

Indvirkning på opdagelse af lægemidler

Interaktionen mellem proteiner og andre molekyler er afgørende i udviklingen af ny medicin. Proteiner spiller forskellige roller, fra at øge menneskets stofskifte gennem enzymer til at bekæmpe infektioner via antistoffer.

Ifølge resultaterne offentliggjort i forskningstidsskriftet Nature, skærer denne AI-model markant ned både den tid og de økonomiske ressourcer, der er nødvendige for at udvikle nye behandlinger.

Innovationer inden for molekylært design

Demis Hassabis forklarede mulighederne i den nye AlphaFold under en pressebriefing:

"Med disse nye muligheder kan vi designe et molekyle, der vil binde til et bestemt sted på et protein, og vi kan forudsige, hvor stærkt det vil binde."

Han understregede vigtigheden af dette fremskridt for at designe effektive lægemidler og forbindelser til at bekæmpe sygdomme.

AlphaFold-server: Et nyt værktøj til forskere

Ud over modellens forbedringer har Google DeepMind udgivet "AlphaFold-serveren." Dette gratis onlineværktøj giver videnskabsfolk mulighed for at teste deres hypoteser i et simuleret miljø, før de udfører eksperimenter i den virkelige verden.

Dette initiativ bygger på AlphaFolds arv siden 2021, hvor dets forudsigelser blev gjort gratis tilgængelige for ikke-kommercielle forskere gennem en database, der indeholder over 200 millioner proteinstrukturer.

Denne ressource har været et værdifuldt aktiv, citeret tusindvis af gange i videnskabelig litteratur.