Az Isomorphic Labs megduplázza az AlphaFold 3 pontosságát a gyógyszertervezésben
Egy átlagos új gyógyszer piacra kerülése több mint egy évtizedet és körülbelül 6 milliárd dollárt vesz igénybe, miközben a klinikai vizsgálatokba kerülő vegyületek nagyjából 90%-a elbukik. Ez az a kemény fal, amibe az egész gyógyszeripar évtizedek óta ütközik. Az AlphaFold, a Google DeepMind mesterséges intelligenciája, amely megoldott egy 50 éves fehérjehajtogatási problémát, 2024-ben kémiai Nobel-díjat ért alkotóinak. Az AlphaFold 3 mögött álló csapat az Isomorphic Labs-nál (a DeepMind leányvállalata, Demis Hassabis vezetésével) közzétett egy technikai jelentést, amely szerint új rendszerük több mint megduplázza az AlphaFold 3 pontosságát a gyógyszertervezés legnehezebb részénél. Az AI olyan molekulákat kezd tervezni, amelyeket az emberi kémikusok korábban nem tudtak, ami elmozdulást jelez az AI-alapú gyógyszerkutatás felé.
- A gyógyszerkutatás kegyetlen matematikája: egy évtizednyi munka, ~6 milliárd dollár gyógyszerenként és 90%-os klinikai tesztelési hibaarány.
- A szerkezet-előrejelző modellek ma már olyan jól egyeznek a röntgenkrisztallográfiás szerkezetekkel, hogy a csapatok kezdik kihagyni a drága kísérleti lépéseket.
- Még nyílt forráskód és publikációk mellett is nehéznek bizonyult más laborok számára az AlphaFold 3 teljes reprodukálása az összetett modellezési részletek miatt.
- A „molekuláris ragasztó” (molecular glue) forradalma lehetővé teszi, hogy az új gyógyszerek megjelöljék a fehérjéket a sejten belüli megsemmisítésre, ahelyett, hogy csupán blokkolnák őket.
- Az AI-t korábban „bedrogozhatatlannak” (undruggable) tartott fehérjék, például a KRAS ellen is bevetik, amelyet évtizedekig érinthetetlennek bélyegeztek.
- Az AI-központú felfedezés célja egy olyan tervezési ciklus, amely csupán néhány száz molekulából eredményez gyógyszerjelöltet.
Az eddigi legtöbb „AI az egészségügyben” hír csupán bizonytalan optimizmusról vagy adminisztratív lépésekről szólt. Ez a fejlesztés pontosan megmutatja, hogy a gyógyszertervezés mely lépései váltak AI-vezéreltté, melyek igényelnek még wet-lab munkát, és hogyan teszi az AI a „kezelhetetlen” célpontokat évtizedes küzdelem helyett megoldható feladattá. ---