1715886254
2024-05-16 18:50:00
人工知能における最も重要な進歩の 1 つは、不気味な会話をするチャットボットではありません。それは、タンパク質のユニークな 3D 構造を解明する新しい方法です。 AlphaFold と呼ばれるこの強力な深層学習アルゴリズムは、かつて科学者が研究室で完了するまでに何年もかかったプロセスを、1 時間以内に実行できるコンピューター プログラムに変えます。
医学への影響は計り知れません。タンパク質の構造の分子的ニュアンスが特定されれば、研究者はそれを薬剤で標的にし、機能不全を修正し、感染症と闘い、健康を改善し始めることができます。 しかし、AIが生物医学を変革する前に、研究者はアルゴリズムの予測がX線結晶構造解析など過去の実証済みの実験方法から得られた結果と同じくらい正確であることを実証する必要がある。
サイエンスの新しい論文 現在もそうなっている可能性があることを示唆しています。 研究者らが洗練されたソフトウェアを使用して数十億の化合物をふるいにかけ、タンパク質構造と照合して潜在的な新薬を検索したところ、AlphaFold によって予測された構造が、少なくとも場合によっては、実験的に決定された構造を効果的に置き換えることができることがわかりました。
この研究結果は、この AI テクノロジーである AlphaFold2 を 1 回繰り返すだけで効果的な創薬ツールとなり得ることを初めて実証したものです。 「これまでの研究では、構造ベースの薬物スクリーニングタスクでは、AlphaFold2 が実験構造よりも劣っていることが示唆されてきました」と述べています。 リュ・ジャンクン、論文の筆頭著者であり、ロックフェラーに入社してプロジェクトを完了する前に、カリフォルニア大学サンフランシスコ校で研究の多くを行った。 「私たちがテストした 2 つの薬剤標的では、アルゴリズムのモデルが、薬剤発見のために同定する必要がある結合分子であるリガンドを発見するためのプログラムの入力として使用した場合、実験構造と同じくらい信頼できることがわかりました。」
私たちは Lyu と対談し、テクノロジーの最新バージョンである AlphaFold3 の有望性、ディープラーニングの限界、そしてそれが創薬にとって何を意味するのかについて話し合いました。
あなたの論文は、医学を進歩させるための AlphaFold の可能性について何を教えてくれますか?
以前の研究に基づいた我々の予想では、構造に基づいたリガンド発見において、AlphaFold は実験的手法よりも劣るだろうということでした。 しかし、これらの研究では、従来の方法を使用してすでに発見されている受容体の構造を分析し、AlphaFold2 がそれらの構造とその相互作用をどの程度正確に予測できたかを遡及的に評価しました。 私たちは、実験構造が利用可能になる前に AlphaFold2 を使用して構造を予測するなど、前向きに研究を実施すると、異なる結果が得られるのではないかと疑問に思いました。
私たちは、前向きに分析すると、AlphaFold の予測構造が実験的に得られた構造に十分近い場合があることを発見して驚きました。 私たちは、ケースの約 3 分の 1 で、AlphaFold が予測した構造によってプロジェクトが大幅に促進される可能性があると推定しています。 実験的手法で新しい構造を取得する場合と比較して、プロジェクトのスケジュールを最大数年短縮できる可能性は、大きな利点となります。
AlphaFold3 はこれをどのように改善するのでしょうか?
一方で、AlphaFold3 は AlphaFold2 からの大幅なアップグレードです。 以前のモデルでは、単鎖タンパク質の構造しか予測できませんでした。 AlphaFold2 は、Multimer アドオンを使用してのみ、一部のタンパク質複合体を予測できました。 しかし、最新のモデルは翻訳後修飾と低分子タンパク質複合体を予測できる。 簡単に言えば、開発者らは、AI が DNA、RNA、その他の分子を含むタンパク質分子複合体を予測できるようになったと主張しています。
問題は、最新のリリースがブラックボックスであることです。
AlphaFold2 が最初にリリースされたとき、チームは自社のモデルもリリースしました。 ユーザーが予測できるタンパク質の数に実際の制限はありませんでした。 その結果、最新の論文のように、アルゴリズムと基礎科学および創薬におけるより広範な応用を調査することができました。 残念ながら、最新のモデルはサーバー上でのみ利用可能であり、モデルはリリースされておらず、1 日に予測できる構造の数は限られています。 今後 6 か月以内にこの方針を変更し、透明性を高める可能性のある兆候がいくつかあります。 しかし、もし彼らがこのモデルを学術的スクリーニング用途に開放しなければ、我々の今回の研究がその種の最後の研究になるだろう。 AlphaFold3 で現在の研究を実行することはできなかったでしょう。 それがなければ、新しいモデルがテンプレート創薬に適しているかどうかを知ることはできません。
この政策の変化により、AI と医療の将来について楽観的ではなくなりましたか?
私個人としては、とても興味があります！ しかし、現在、多くの AI が過度に約束され、十分に提供されていないため、私は注意することをお勧めします。 今、注意深く扱わないと、生物医学における AI は消え去り、単なる誇大広告で終わってしまうのではないかと心配しています。 そうなると何十年も前に戻る可能性があります。
では、未来はまだ明るいのでしょうか？
絶対に。 これは最も注目されている研究分野の 1 つであり、基礎研究と産業の両方でタンパク質複合体を正確に予測するための巨大な市場が存在します。 研究室では、多くの機構研究におけるクロストークを解明するために、調査対象の複合体の 3D モデルが必要です。また、業界側では、これらのモデルがより正確で入手しやすくなればなるほど、より多くの研究者が抗体や抗体の想像を始めることができます。治療標的と相互作用するナノボディ生物製剤または小分子薬。 医薬品の製造に必要なのはそれだけではありませんが、正確なモデルを取得することは、医薬品のさらなる最適化にもつながる重要な初期ステップです。
かつては、AI やディープラーニング モデルでこのようなことができるとは考えていなかった人がたくさんいました。 それができるかどうかはまだわかりませんが、その可能性はますます高まっています。
AI 企業の透明性を高める以外に、深層学習モデルを改善して創薬の実用的なツールにするには何が必要でしょうか?
AI が生物医学に素晴らしい成果をもたらす能力があることは多くの研究で示されていますが、AI がそれらのことをどれだけうまくできるかは、AI を訓練するための実験データの入手可能性によってボトルネックとなっています。
AI がすでに成功しているのは、基礎科学が実験的に多くのデータを生成している分野です。 現在、多くの AI アーキテクチャがあるため、ベンチに戻ってより高品質のデータを生成し、より良い予測が得られるまでデータを大量に消費するアルゴリズムに供給する必要があります。 そのとき、ブレークスルーが起こります。
/一般公開。 元の組織/著者からのこの資料は、その時点の性質のものである可能性があり、明確さ、スタイル、長さのために編集されています。 Mirage.News は組織的な立場や立場をとらず、ここで表明されているすべての見解、立場、結論は著者のみのものです。全文を見る ここ。
#創薬における #の役割は信頼にかかっています