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.
Miért fontos?
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. ---