跳到正文
Isomorphic Labs·· 2024-05-08精选AI 评分87

Isomorphic Labs 与 Google DeepMind 开发 AlphaFold 3,可预测生物分子复合物结构

Rational drug design with AlphaFold 3

AI 导读

Isomorphic Labs 与 Google DeepMind 开发 AlphaFold 3,可输入蛋白质、DNA、RNA、小分子配体和离子并预测其复合物的 3D 结构。

推荐理由

原文说明 AlphaFold 3 可预测的分子类型与内部使用案例,读者可据此判断它在药物设计流程中的位置。

正文 · AI 翻译

理解我们体内的生物分子世界,以及细胞内复杂的分子网络如何相互作用,是通过合理药物设计来理解和治疗疾病的关键起点。 

为了推进这一理解,我们与 Google DeepMind 合作开发了 AlphaFold 3,这是我们的突破性人工智能(AI)模型,能够提供生物分子系统结构的精确原子级视图。它在 Google DeepMind 使用 AlphaFold 2 预测蛋白质结构的基础性工作之上构建,如今进一步涵盖多种蛋白质、DNA、RNA 和小分子配体如何组合并相互作用,以及预测翻译后修饰和离子对这些分子系统结构的影响。该模型是一个强大的结构预测统一框架,兼具前所未有的广度和准确性。

这一突破为药物发现开辟了令人振奋的可能性,使我们能够合理地开发针对那些此前难以或被认为无法调控的靶点的疗法。

AlphaFold 3 以及带来这一突破的研究

AlphaFold 3 是一个 AI 模型,科学家可以输入他们感兴趣的生物分子复合物的描述,模型会预测该生物分子复合物的三维结构。 

输入的生物分子系统可以由多个蛋白质、核酸(DNA 和 RNA)以及小分子配体和离子的集合组成。这些输入由 AlphaFold 3 进行处理,它是一个生成模型,由一个基于定制 Transformer 并结合三角注意力的神经网络架构组成,并使用扩散过程生成输入指定系统中每个原子的各个三维坐标。

构建这项技术需要大量的创新和研究,是与我们在 Google DeepMind 的同事共同开发的。该模型在蛋白质数据库(Protein Data Bank)中包含的世界分子结构数据上进行训练,能够处理其中超过 99% 的已知生物分子复合物。该模型的能力和准确性已在广泛的测试案例中得到广泛评估,包括许多全新的系统和分子界面。通过这些评估,我们在几乎所有结构领域都看到了最先进的准确性,其中某些重要界面的准确性提高了一倍,同时还能泛化到训练期间未见过的新界面,例如本篇博文中的示例所示。

我们非常高兴能分享我们团队的辛勤工作,关于该模型和结果的更多细节详见我们的 Nature 论文。

我们也期待看到科学家们将如何使用今天发布的 AFServer 为非商业学术研究生成分子复合物,以加速我们对生物学的理解。

三个示例展示了 AF3 如何让我们折叠多个蛋白质及其各自的配体,并阐明其作用机制。真实结构以白色显示。

AlphaFold 3 在科学和药物设计领域的前景

对于 Isomorphic Labs 而言,AlphaFold 3 使我们的药物设计者能够快速准确地预测此前从未被表征过的复合物结构,为我们提供了一个基础工具,使我们能够采取全新的药物设计方法。

如今,我们可以在原子层面创建和检验假设,并在几秒内产生高精度的结构预测,这与通过实验确定类似问题答案所需的数月甚至数年形成了鲜明对比。

我们已经在日常工作中使用 AlphaFold 3。我们的科学家们发现:

  • 针对 AlphaFold 3 的结构预测来设计小分子,有助于创造出能与目标蛋白有效结合的设计。
  • AlphaFold 3 对蛋白质-蛋白质界面结构精度的提升,为设计抗体或其他治疗性蛋白等新型治疗方式打开了可能。
  • 通过在完整的生物学背景下观察靶点的结构——即与其他蛋白结合伙伴、DNA、RNA 以及配体辅因子形成的复合物——可以更深入地理解一个新颖的靶点。我们相信,对药物靶点所处背景的这种更广泛理解,将转化为临床上更有效的药物。

为了展示 AlphaFold 3 在理性结构-based 药物设计方面的潜力,我们研究了 TIM-3,这是一种免疫检查点蛋白,在一篇 2021 年的论文发表后被确定为癌症免疫治疗的潜在靶点。 

该研究聚焦于发现和设计能够高亲和力结合 TIM-3 的小分子。研究团队通过实验解析了三个配体结合的晶体结构,以合理解释他们在研究中观察到的构效关系。据我们所知,在这篇论文发表之前,Protein Data Bank 中不存在 TIM-3 的小分子结合晶体结构,而且这些结构也不在 AlphaFold 3 的训练集中。 

至关重要的是,作者发现这些配体结合在一个此前未被表征的口袋中。

我们使用 AlphaFold 3 对该体系进行了评估,创建了与已发表的三个晶体结构相对应的三个预测。我们使用了蛋白质的原始序列和每个配体的 SMILES 表示,没有向 AlphaFold 3 提供任何关于构象、结构或口袋的额外信息。令人兴奋的是,预测结构与已发表的实验结构一致。该研究发现的口袋也被 AlphaFold 3 找到了。此外,预测的结合模式与真实结构几乎完全相同,而我们作为参考预测的无配体结构则显示出非常不同的口袋构象——平坦且开放。这种有无配体时预测蛋白结构的差异,证明了 AlphaFold 3 能够根据环境中其他分子的存在,以依赖上下文的方式改变蛋白质的结构。

通过这个例子,AlphaFold 3 证明了它能够在结构层面上准确刻画药物分子设计的进展。

展望未来 

我们已经将前沿版本的 AlphaFold 3 部署到我们自己的内部项目管线中,以及我们在与制药公司的合作中。

但 AlphaFold 3 只是我们正在研究的众多 AI 驱动的突破之一,这些突破是变革药物发现所必需的——结构上的理解只是其中的一部分。我们将 AlphaFold 3 与我们平台中的其他专有 AI 模型相结合,帮助我们更深入地了解分子系统的性质、功能和动态。随着我们对体内分子机器的了解越来越多,拥有更多的结构和生物学背景,我们可以利用这些理解来识别药物设计的新靶点,以及以全新的治疗机制来应对现有靶点。 

我们将继续埋头研究,用 AI 从第一性原理出发,攻克化学和生物学中下一个前沿的基础建模问题。将这些结合起来,将有助于改变我们设计下一代疗法的方式,并解锁新的生物学认知。

对于 AI 驱动的生物学研究而言,这是一个重要时刻,而 AI 加速数字生物学成果的潜力是无限的。进一步发展我们的 AI 研究模型,将加深我们对人类生物学和生命基本构成要素的理解,以实现我们的最终目标——利用 AI 的力量和速度,重新构想整个药物发现过程。

阅读更多:

AlphaFold 3 预测所有生命分子的结构和相互作用

Nature 论文

来源:Isomorphic Labs · isomorphiclabs.com