Fungsi utama dan karakteristik AlphaFold 3
- AlphaFold 3 adalah model AI baru yang dikembangkan oleh Google DeepMind dan Isomorphic Labs, yang dapat meningkatkan pemahaman tentang dunia biologis dan pengembangan obat baru dengan memprediksi secara akurat struktur serta interaksi protein, DNA, RNA, ligan, dan lainnya
- Dalam interaksi dengan jenis molekul lain, performanya meningkat setidaknya 50% dibanding metode prediksi sebelumnya, dan pada beberapa kategori interaksi penting, akurasi prediksinya meningkat dua kali lipat
- Dibangun di atas fondasi AlphaFold 2, yang pada tahun 2020 menghadirkan terobosan mendasar dalam prediksi struktur protein
- AlphaFold 3 telah diperluas melampaui protein ke berbagai biomolekul. Hal ini dapat membuka lebih banyak sains inovatif, seperti pengembangan material berbasis hayati yang dapat diperbarui, tanaman yang lebih tangguh, percepatan desain obat baru, dan riset genom
Cara kerja AlphaFold 3
- Ketika diberikan daftar molekul sebagai input, AlphaFold 3 menghasilkan struktur 3D yang menunjukkan bagaimana molekul-molekul tersebut saling cocok dan berinteraksi. Model ini dapat memodelkan biomolekul besar seperti protein, DNA, dan RNA, serta molekul kecil yang dikenal sebagai ligan
- Model ini mampu memodelkan ligan, kategori yang mencakup banyak obat. Selain itu, model ini dapat memodelkan modifikasi kimia dari molekul-molekul tersebut yang mengatur fungsi sehat sel dan dapat menyebabkan penyakit
- Inti modelnya adalah versi yang ditingkatkan dari modul Evoformer, arsitektur deep learning yang mendukung performa luar biasa AlphaFold 2
- Setelah memproses input, AlphaFold 3 menyusun prediksi menggunakan jaringan difusi yang mirip dengan yang ditemukan pada generator gambar AI. Proses difusi dimulai dari awan atom dan melalui beberapa tahap akhirnya berkonvergensi pada struktur molekul yang paling akurat
Peran AlphaFold 3 dalam pengembangan obat baru
- AlphaFold 3 membuka kemampuan desain obat baru melalui prediksi untuk molekul yang umum digunakan dalam obat, seperti ligan dan antibodi, yang berikatan dengan protein dan mengubah cara interaksinya dalam kesehatan dan penyakit manusia
- AlphaFold 3 mencapai akurasi yang belum pernah ada sebelumnya dalam memprediksi interaksi mirip obat, termasuk pengikatan ligan dan antibodi dengan protein target
- Tanpa input informasi struktur, AlphaFold 3 50% lebih akurat daripada metode tradisional terbaik sebelumnya pada benchmark PoseBusters, menjadikannya sistem AI pertama yang melampaui alat berbasis fisika untuk prediksi struktur biomolekul
- Kemampuan memprediksi pengikatan antibodi-protein sangat penting untuk memahami aspek respons imun manusia dan desain antibodi, yang sedang berkembang menjadi jenis terapi baru
- Isomorphic Labs menggabungkan AlphaFold 3 dengan model AI internal pelengkap untuk diterapkan pada desain obat baru dalam proyek internal dan bersama mitra farmasi
Ikhtisar AlphaFold Server
- AlphaFold Server yang baru dirilis Google DeepMind adalah alat paling akurat di dunia untuk memprediksi bagaimana protein berinteraksi dengan molekul lain di seluruh sel
- Ini adalah platform yang dapat digunakan ilmuwan secara gratis untuk riset nonkomersial
- Hanya dengan beberapa klik, para biolog dapat memanfaatkan kemampuan AlphaFold 3 untuk memodelkan struktur yang terdiri dari protein, DNA, RNA, ligan pilihan, ion, dan modifikasi kimia
- Platform ini membantu membangun hipotesis baru untuk diuji di laboratorium, sehingga mempercepat alur kerja dan memungkinkan inovasi lebih lanjut
- Platform ini menyediakan cara yang mudah diakses bagi peneliti untuk menghasilkan prediksi tanpa bergantung pada sumber daya komputasi atau keahlian machine learning
- Prediksi struktur protein eksperimental dapat memakan waktu setara masa studi doktoral dan biaya ratusan ribu dolar. AlphaFold 2 telah digunakan untuk memprediksi ratusan juta struktur, yang pada kecepatan biologi struktur eksperimental saat ini akan memerlukan ratusan juta tahun waktu peneliti
Pembagian AlphaFold 3 secara bertanggung jawab
- Pada setiap rilis AlphaFold, telah diupayakan kerja sama dengan komunitas riset dan keselamatan untuk memahami dampak luas teknologi ini
- Mereka mengambil pendekatan yang dipimpin sains dan melakukan evaluasi luas untuk memitigasi risiko potensial serta membagikan manfaat luas bagi biologi dan umat manusia
- Berdasarkan konsultasi eksternal yang dilakukan untuk AlphaFold 2, mereka berkonsultasi dengan lebih dari 50 pakar domain dan pihak ketiga profesional di bidang biosekuriti, riset, dan industri untuk memahami kemampuan dan potensi risiko model AlphaFold
- Menjelang peluncuran AlphaFold 3, mereka berpartisipasi dalam forum dan diskusi di seluruh komunitas
- Hal ini mencerminkan upaya berkelanjutan untuk membagikan manfaat AlphaFold, termasuk basis data gratis berisi 200 juta struktur protein
- Mereka berencana memperluas kursus online gratis pelatihan AlphaFold bersama EMBL-EBI dan bermitra dengan organisasi di Global South untuk menyediakan alat yang dibutuhkan ilmuwan guna mempercepat adopsi dan riset
- Mereka akan terus bekerja sama dengan komunitas ilmiah dan para pembuat kebijakan untuk pengembangan dan penerapan teknologi AI yang bertanggung jawab
Masa depan biologi sel berbasis AI
- AlphaFold 3 memungkinkan sistem seluler dilihat dalam seluruh kompleksitasnya, mencakup struktur, interaksi, dan modifikasi
- Jendela baru ini menunjukkan bagaimana molekul kehidupan saling terhubung dan membantu memahami bagaimana hubungan tersebut memengaruhi fungsi biologis seperti cara kerja obat, produksi hormon, dan proses perbaikan DNA yang menjaga kesehatan
- Dampak AlphaFold 3 dan AlphaFold Server gratis akan terwujud melalui bagaimana ilmuwan mempercepat penemuan pada pertanyaan terbuka di biologi dan lini riset baru
- Potensi AlphaFold 3 baru mulai digali, dan masa depannya sangat dinantikan
Opini GN⁺
- AlphaFold 3 tampaknya akan memiliki dampak besar pada riset biologi karena melampaui prediksi struktur protein semata dan kini dapat memprediksi interaksi antarberbagai molekul di dalam sel. Terutama mengesankan karena server gratisnya memungkinkan ilmuwan di seluruh dunia mengakses dan memanfaatkannya dengan mudah.
- Namun, meskipun akurasi prediksi interaksi antarmolekul disebut meningkat 50%, masih menjadi pertanyaan sejauh mana hasilnya bila dibandingkan dengan hasil eksperimen nyata. Untuk saat ini, lebih tepat melihatnya sebagai alat bantu pendukung dalam penyusunan hipotesis.
- Mengingat potensi pemanfaatannya yang sangat besar di bidang pengembangan obat baru, minat dari perusahaan farmasi diperkirakan akan tinggi. Namun, isu etika dan keamanan kemungkinan akan membuat komersialisasinya memerlukan waktu lebih lama.
- Seperti AlphaFold yang bermula dari prediksi struktur protein dan kini mampu memprediksi interaksi pada tingkat molekuler, ke depan teknologi ini diharapkan meluas ke tingkat sel dan jaringan sehingga sangat membantu dalam mengungkap mekanisme timbulnya penyakit maupun pengobatan yang dipersonalisasi.
- Namun, karena ini adalah teknologi AI yang kuat, perlu didukung dengan penyusunan norma etika untuk mencegah penyalahgunaan, langkah-langkah keamanan, dan eksperimen verifikasi yang memadai. Sikap Google DeepMind yang terbuka dan berhati-hati tampak positif.
1 komentar
Opini Hacker News
Ringkasan poin-poin utamanya adalah sebagai berikut:
Metode berbasis ML menunjukkan kinerja yang lebih unggul daripada metode berbasis fisika dalam memprediksi dunia secara akurat. Ini mengisyaratkan bahwa dalam proses kemajuan sains, model yang lebih baik dapat berkembang bahkan tanpa teori yang dapat diinterpretasikan atau model matematika.
Mirip dengan AlphaFold 3 dari DeepMind, lab David Baker juga merilis
RoseTTAFold, model open-source yang memprediksi struktur protein serta DNA dan ligan yang terikat.AlphaFold 3 menunjukkan akurasi sekitar 70%, dengan kinerja yang relatif lebih baik dibanding metode sebelumnya (30~50%). Namun, fakta bahwa siaran pers tidak mencantumkan akurasi absolut bersifat sengaja menyesatkan.
AlphaFold 3 dapat memprediksi berbagai struktur biomolekul termasuk protein, DNA, RNA, ion, ligan, dan modifikasi kimia. Akurasi pemodelan kompleks protein juga meningkat.
Fakta bahwa model ini tidak dirilis sebagai open-source dapat menimbulkan ketidaknyamanan besar bagi komunitas ilmiah. Menjaga teknologi dengan potensi besar untuk pengembangan obat tetap tertutup tidak membantu dunia sains.
Metode berbasis ML memiliki keterbatasan berupa kurangnya penjelasan atas hasil prediksi. Tanpa pemahaman atas prinsip dasarnya, sulit menjamin konsistensi dan keandalan hasil prediksi.
Menyediakan hanya "server gratis" tanpa merilis modelnya menimbulkan kekhawatiran dari sisi reproduksibilitas ilmiah. Ketergantungan pada perusahaan komersial bukan hal yang diinginkan.
Kinerja prediksi docking yang akurat dari AlphaFold 3 masih belum jelas karena makalahnya belum dipublikasikan. Disebut lebih unggul lebih dari 50% dibanding metode sebelumnya, tetapi angka spesifik tidak disajikan.
Dibanding AlphaFold 2, ada kekhawatiran karena beberapa elemen yang dapat diinterpretasikan seperti kendala struktural dikesampingkan dan model hanya mengandalkan distillation data. Kewajiban memanfaatkan hasil prediksi model sebelumnya juga merepotkan.
Adanya perbedaan ungkapan antara tweet CEO DeepMind dan judul blog, yaitu "hampir semua" vs. "semua", sehingga memberi kesan seolah masalah telah terselesaikan 100%, merupakan hal yang bermasalah.