A Biohub kiadta az ESMFold2-t, amely az AlphaFold riválisa a fehérjebiológiában

A Chan Zuckerberg Biohub kutatócsoportja bemutatta legújabb fejlesztését, az ESMFold2-t, amely jelentős előrelépést ígér a fehérjebiológia területén. A Priscilla Chan és Mark Zuckerberg által alapított szervezet új modellje közvetlen versenytársa a Google DeepMind által fejlesztett AlphaFoldnak, tovább élénkítve a technológiai óriások közötti nemes versengést. Az ESMFold2 nem csupán egy egyszerű predikciós eszköz, hanem a fehérjebiológia egyfajta világmodellje: egy olyan tudományos motor, amely képes feltérképezni az élet fáján található fehérjéket, megjósolni azok pontos térszerkezetét, és teljesen új fehérjekötőket tervezni, amelyek a laboratóriumi kísérletek során is bizonyítottan működőképesnek bizonyulnak. Ez az áttörés új távlatokat nyit a biológusok számára világszerte, felgyorsítva a gyógyszerkutatást és az alapkutatási folyamatokat.

A modell fejlesztése során a kutatók az AI más területeiről már jól ismert skálázási törvényekre (scaling laws) támaszkodtak. Az ESM minden új generációjánál megfigyelték, hogy a fehérjék reprezentációjának hűsége egyenes arányban javult a paraméterek számával és a betanításhoz használt számítási kapacitással. A fehérjék biológiájának mély megértése egyfajta emergens jelenségként jelent meg a rendszerben, miközben a modellt arra tanították, hogy megjósolja az aminosavak szekvenciabeli azonosságát. A technológiai keretrendszer több pillérre épül: az ESMC egy olyan nyelvi modell, amelyet az élővilág minden részéről származó 2,8 milliárd szekvencián tanítottak be, míg maga az ESMFold2 ezeket a szekvenciákat alakítja át atomi felbontású 3D struktúrákká. A benchmark tesztek alapján a rendszer felveszi a versenyt az AlphaFold 3-mal, vagy akár le is győzi azt. A kutatók munkáját segíti továbbá az ESM Atlas navigációs eszköz, amely 6,8 milliárd szekvenciához és 1,1 milliárd megjósolt struktúrához biztosít hozzáférést.

Az elméleti sikereken túl a modell a gyakorlatban, például a rákkutatás területén is látványos eredményeket produkált. A szakemberek öt kritikus célponthoz, köztük az EGFR, PD-L1 és CTLA-4 fehérjékhez terveztek új fehérjekötőket, amelyek a laboratóriumi tesztek során kiemelkedő, 36 és 88 százalék közötti találati arányt mutattak. A kutatás rámutatott a következtetési skálázás (inference scaling) fontosságára is: az antitest-antigén megfelelési arány 49 százalékról 65 százalékra emelkedett, amikor a vizsgált minták számát egyről ezerre növelték. Ez a fejlődés jól mutatja, hogy az AI rendszerek finomhangolása és a számítási erőforrások intelligens használata közvetlen hatással van a tudományos eredmények pontosságára és a kísérleti sikerességre.

Az ESM technológiai családjához hasonló eszközök alapjaiban változtatják meg a tudományos munkát, hiszen lehetővé teszik az emberi kutatók és a mesterséges intelligencia szoros együttműködését a globális egészségügyi kihívások leküzdésében. Ez a fajta kooperáció elengedhetetlen ahhoz, hogy az emberiség képessé váljon hatékonyabb terápiák és új gyógyszerek gyorsabb kifejlesztésére az emberi egészség javítása érdekében. Emellett az ilyen jellegű projektek kulcsfontosságúak abban is, hogy a közvélemény pozitívabb, bizakodóbb képet alkosson az AI technológiáról. Ahelyett, hogy csupán absztrakt algoritmusokat látnának benne, a fehérjetervezésben elért eredmények rávilágítanak arra, hogy a mesterséges intelligencia a tudományos megismerés kiterjesztésének és a valódi orvosi áttöréseknek az egyik leghatékonyabb eszköze lehet.