Datele secrete ale companiilor farmaceutice îmbunătățesc modelele de proteine bazate pe Inteligența Artificială
Un sistem de IA antrenat pe baza a peste 20.000 de structuri proteice provenite de la companii farmaceutice depășește performanțele modelelor de tip AlphaFold, care utilizează exclusiv date publice, potrivit prestigioasei publicații Nature.com.
În ceea ce privește descoperirea de medicamente, modelele de pliere a proteinelor, precum AlphaFold, se confruntă cu o problemă: nu există suficiente date în bazele de date publice. Unii oameni de știință susțin că îmbunătățirea performanței acestor instrumente bazate pe inteligența artificială va necesita date suplimentare care să ofere exemple privind modul în care interacționează proteinele și medicamentele.
Structurile proteice — păstrate în mii de exemplare în arhivele companiilor farmaceutice — reprezintă o sursă promițătoare. Astăzi, un consorțiu de companii farmaceutice raportează că utilizarea acestor date pentru antrenarea modelelor de IA privind plierea proteinelor îmbunătățește semnificativ performanța modelelor.
Grupul a folosit OpenFold3 — o replică open-source a AlphaFold 3 — pentru a dezvolta un nou model antrenat pe baza a peste 20.000 de structuri proteice proprietare. Sistemul a depășit atât modelele comparabile antrenate exclusiv pe date publice, cât și pe cele antrenate pe seturi de date izolate ale unor firme individuale. Studiul, descris într-o postare pe blog, nu a fost supus evaluării inter pares, iar modelul nu este disponibil public.
„Dacă aduni toate aceste date, obții o creștere semnificativă a performanței”, spune Mohammed AlQuraishi, biolog computațional la Universitatea Columbia din New York, care a făcut parte din acest efort.
Concluziile, spune el, întăresc argumentele în favoarea generării unor seturi de date similare, disponibile public, pentru a potența inteligența artificială dedicată plierii proteinelor. Un astfel de proiect, numit OpenBind și susținut de o finanțare de până la 8 milioane de lire sterline (10,8 milioane de dolari) din partea guvernului britanic, a publicat luna trecută sute de noi structuri proteice, iar alte mii sunt în curs de elaborare.
O sursă neexploatată
Protein Data Bank (PDB), un depozit deschis cu peste 200.000 de structuri proteice determinate experimental, a constituit fundamentul datelor de antrenare ale AlphaFold 2. Acesta a permis instrumentului să prezică structurile proteice cu o precizie uimitoare — o descoperire recunoscută prin acordarea Premiului Nobel pentru Chimie din 2024.
▌advertising / articolul continuă mai jos
Succesorii modelului, inclusiv AlphaFold 3, au adăugat capacitatea de a prezice modul în care proteinele vor interacționa cu alte molecule, inclusiv cu potențiale medicamente. Însă PDB conține relativ puține exemple de structuri determinate experimental care interacționează cu molecule de tipul medicamentelor — poate doar 10.000, spune Paul Mortenson, vicepreședinte pentru chimie computațională și informatică la Astex Pharmaceuticals din Cambridge, Marea Britanie.
Această lipsă de date reprezintă o problemă pentru eforturile de descoperire a medicamentelor. Cercetările au sugerat că precizia modelului AlphaFold 3 și a altor modele de „co-pliere” — care prezic structura proteinelor care interacționează între ele — scade drastic atunci când modelele sunt puse la încercare să prezică interacțiuni între molecule foarte diferite de cele pe care au fost antrenate.
Pentru ca astfel de instrumente să fie mai utile în descoperirea de medicamente, spun cercetătorii, aceștia au nevoie de acces la mai multe date — motiv pentru care au apelat la bazele de date cu structuri moleculare ale companiilor farmaceutice.
Aceste date sunt generate în cadrul programelor de descoperire a medicamentelor, folosind tehnici precum cristalografia cu raze X și microscopia crio-electronică. Multe dintre structurile proteice nu au fost niciodată depuse în baze de date publice, deoarece se referă la eforturi de dezvoltare a medicamentelor care fac obiectul drepturilor de proprietate. Dimensiunea totală a acestor baze de date este necunoscută, dar unii au estimat că ar putea conține mai multe date decât PDB.
„Datele care lipsesc din PDB sunt exact datele care se regăsesc în bazele noastre de date interne”, a declarat anul trecut pentru Nature John Karanicolas, șeful departamentului de descoperire computațională a medicamentelor la compania farmaceutică AbbVie din North Chicago, Illinois.
Predicții mai bune
Pentru a testa dacă datele lor ar putea fi utile pentru modelele de pliere a proteinelor, AbbVie, Astex și alte câteva companii farmaceutice au format anul trecut o colaborare numită Rețeaua AI Structural Biology (AISB).
Aceasta a implicat „reglarea fină” a modelului OpenFold3 — antrenat anterior doar cu date din PDB — pe încă 20.167 de structuri care surprindeau proteine legate de potențiale medicamente, sau liganzi. Structurile proveneau de la cinci companii și au fost furnizate modelului astfel încât datele proprietare să rămână confidențiale.
Studiul AISB a constatat că datele suplimentare au îmbunătățit predicțiile. Atunci când a fost testat pe 1.056 de structuri proteină-ligand care fuseseră excluse din datele de antrenare, modelul AISB a prezis mai mult de jumătate dintre acestea cu un nivel ridicat de precizie. În schimb, versiunea disponibilă public a OpenFold3 a atins aceeași performanță doar pentru o treime dintre structuri, iar un model concurent open-source numit Boltz-2 a atins aproximativ 40%.
