Google DeepMind расшифровала структуры 200 миллионов белков: как это меняет медицину

DeepMind расширила базу данных AlphaFold до 200 миллионов предсказанных структур белков, включая сотни тысяч ранее неизвестных. Исследователи по всему миру получают бесплатный доступ к данным, которые могут радикально ускорить разработку лекарств и понимание генетических заболеваний.

Команда Google DeepMind объявила о крупнейшем в истории биологии каталоге трёхмерных структур белков. В обновлённой базе AlphaFold DB теперь хранится более 200 миллионов предсказаний — это практически охватывает все известные науке белки живых организмов.

Почему структура белка так важна

Белки — молекулярные машины, управляющие практически всеми процессами в живой клетке. Их форма напрямую определяет функцию: неправильно сложенный белок может вызвать болезнь Паркинсона, Альцгеймера или рак. Понимание трёхмерной структуры белка — ключ к разработке лекарств, которые точечно взаимодействуют именно с нужным участком молекулы.

Долгое время расшифровка одной белковой структуры требовала месяцев лабораторной работы и сотен тысяч долларов. Рентгеновская кристаллография и криоэлектронная микроскопия — мощные, но дорогие и медленные методы. AlphaFold изменил это уравнение полностью.

«Мы переходим от эпохи, когда структура белка была редким и ценным ресурсом, к эпохе, когда она является исходной точкой любого исследования», — говорит Демис Хасабис, CEO DeepMind.

Что нового в AlphaFold 3

Третья версия системы научилась предсказывать не только структуры отдельных белков, но и то, как белки взаимодействуют друг с другом, с ДНК, РНК и малыми молекулами — потенциальными лекарственными препаратами. Это качественный скачок для фармакологии.

• Предсказание белок-белковых взаимодействий с точностью 89%
• Моделирование связывания малых молекул (потенциальных лекарств)
• Поддержка модифицированных аминокислот
• Предсказание динамики белков — как они меняют форму во времени

Практические применения уже сейчас

Несколько фармацевтических компаний уже используют AlphaFold в реальных проектах. Insilico Medicine сократила время поиска перспективных молекул для лечения лёгочного фиброза с нескольких лет до нескольких месяцев. Exscientia использует предсказания структур для разработки онкологических препаратов следующего поколения.

Особого внимания заслуживает работа по тропическим болезням. Ранее игнорируемые фармкомпаниями из-за отсутствия коммерческого интереса, болезни вроде шистосомоза и африканского трипаносомоза теперь получают новый импульс к изучению — просто потому, что структурные данные стали доступны любому исследователю с интернетом.

Открытый доступ как философия

DeepMind приняла решение опубликовать всю базу бесплатно через Европейский институт биоинформатики (EMBL-EBI). Это принципиальная позиция: научный прогресс в биологии должен быть открытым, а не закрытым за корпоративными стенами.

За первые два года существования открытой базы к ней обратились более 1,5 миллиона исследователей из 190 стран. Число публикаций, ссылающихся на AlphaFold, растёт экспоненциально — сейчас их уже более 20 000.

Ограничения и открытые вопросы

Несмотря на впечатляющие результаты, у AlphaFold есть важные ограничения. Система предсказывает статичную структуру «в покое», тогда как в живой клетке белки постоянно двигаются и меняют конформацию. Кроме того, точность падает для мембранных белков — тех, что встроены в клеточные мембраны и являются главной мишенью для большинства современных лекарств.

Работа над динамическим моделированием уже ведётся — это следующий рубеж для команды DeepMind. Если они справятся с этой задачей, последствия для медицины трудно переоценить.

Источник: Google DeepMind Blog

Теги: deepmind, alphafold, биология, белки, фармакология, biotech