Google DeepMind avslöjar nästa generations AI-modell för läkemedelsupptäckt

Google DeepMind har introducerat den tredje iterationen av sin banbrytande modell för artificiell intelligens, AlphaFold, som syftar till att förbättra effektiviteten och precisionen i läkemedelsdesign och sjukdomsbehandling.

Denna senaste utveckling tillkännagavs i London den 8 maj, vilket markerar ett betydande steg framåt i användningen av AI i molekylärbiologi.

Omfattande kartläggning av livets molekyler

Sedan dess första genombrott 2020, där AlphaFold använde AI för att förutsäga proteinbeteenden, har verktyget utvecklats.

Den nuvarande versionen, utvecklad i samarbete med Isomorphic Labs – båda företagen under ledning av medgrundaren Demis Hassabis – har framgångsrikt kartlagt interaktionerna mellan alla molekylära strukturer i livet, inklusive mänskligt DNA.

Inverkan på läkemedelsupptäckten

Interaktionen mellan proteiner och andra molekyler är avgörande för utvecklingen av nya läkemedel. Proteiner spelar olika roller, från att öka människans ämnesomsättning genom enzymer till att bekämpa infektioner via antikroppar.

Enligt resultaten som publicerats i forskningstidskriften Nature, minskar denna AI-modell avsevärt både tid och ekonomiska resurser som behövs för att utveckla nya behandlingar.

Innovationer inom molekylär design

Demis Hassabis förklarade funktionerna hos den nya AlphaFold under en pressträff:

"Med dessa nya funktioner kan vi designa en molekyl som kommer att binda till en specifik plats på ett protein, och vi kan förutsäga hur starkt den kommer att binda."

Han betonade vikten av detta framsteg för att utforma effektiva läkemedel och föreningar för att bekämpa sjukdomar.

AlphaFold-server: Ett nytt verktyg för forskare

Utöver modellens förbättringar har Google DeepMind släppt "AlphaFold-servern". Detta kostnadsfria onlineverktyg låter forskare testa sina hypoteser i en simulerad miljö innan de genomför verkliga experiment.

Detta initiativ bygger på AlphaFolds arv sedan 2021, då dess förutsägelser gjordes tillgängliga gratis för icke-kommersiella forskare genom en databas som innehåller över 200 miljoner proteinstrukturer.

Denna resurs har varit en värdefull tillgång, citerad tusentals gånger i vetenskaplig litteratur.