Пять лет AlphaFold: как ИИ переписал структурную биологию

Летом 2021 года DeepMind выложила в открытый доступ AlphaFold2 и базу предсказанных структур белков. К 2022 году в этой базе было около 200 миллионов записей — почти все белки, о которых знала наука. Раньше на определение структуры одного белка уходили месяцы работы в лаборатории и дорогое оборудование. Теперь модель выдаёт предсказание за минуты, и в 2024 году Демис Хассабис и Джон Джампер из DeepMind вместе с Дэвидом Бейкером получили за это Нобелевскую премию по химии.

Что именно решает AlphaFold

Белок — это цепочка аминокислот, которая сворачивается в трёхмерную структуру. Именно форма определяет функцию: как белок связывается с другими молекулами, как работает фермент, как вирус цепляется за клетку. Задача предсказать эту форму по одной лишь последовательности аминокислот десятилетиями считалась одной из главных нерешённых проблем биологии — её называли problem of protein folding.¹

Экспериментальные методы вроде рентгеноструктурного анализа и криоэлектронной микроскопии дают точную картину, но медленно и дорого. За всю историю такими методами определили порядка 200 тысяч структур — это данные из Protein Data Bank, на которых AlphaFold и училась. Модель научилась обобщать: по последовательности она предсказывает координаты каждого атома и заодно выдаёт оценку собственной уверенности для каждого участка.

Как оценивают точность

Ключевой прорыв случился на конкурсе CASP14 в 2020 году. AlphaFold2 набрала медианный балл около 92 из 100 по метрике GDT — это уровень, сопоставимый с точностью экспериментальных методов для большинства белков. Для сравнения: предыдущие подходы застревали заметно ниже, и разрыв был качественным, а не косметическим.

Важная деталь, о которой часто забывают: AlphaFold возвращает не только структуру, но и pLDDT — оценку надёжности по шкале до 100. Участки с низким pLDDT (условно ниже 50) часто оказываются подвижными или неструктурированными, и доверять там модели нельзя. Это не баг, а честный сигнал: здесь предсказание слабое.

AlphaFold не отменяет лабораторию. Он превращает эксперимент из способа определить структуру с нуля в способ проверить и уточнить гипотезу, которую машина выдала за минуты.

Что изменилось за пять лет

DeepMind вместе с EMBL-EBI выложила базу AlphaFold Protein Structure Database в открытый доступ. По данным DeepMind, ей пользуются свыше двух миллионов исследователей более чем в 190 странах. Структуры применяют в разработке лекарств, изучении устойчивости к антибиотикам, дизайне ферментов для переработки пластика.

В 2024 году вышла AlphaFold3 — она предсказывает уже не только белки, но и их комплексы с ДНК, РНК, малыми молекулами и ионами. Это важно для фармы: лекарство обычно связывается с белком, и увидеть эту связку — половина дела. Но AlphaFold3 запустили с ограничениями: сначала через веб-сервер AlphaFold Server с квотами и без коммерческого использования, а код и веса открыли позже и на условиях, отличных от полностью свободной AlphaFold2.

Экосистема вокруг

Появились форки и надстройки: ColabFold позволяет запускать предсказания в браузере без своей вычислительной инфраструктуры, а группа Дэвида Бейкера развивает RoseTTAFold и инструменты для дизайна белков с нуля. Структурная биология из области, где данные добывались годами, превратилась в область, где данных больше, чем успевают осмыслить.

Где границы

Восторги вокруг Нобелевской премии заслонили ограничения, о которых стоит помнить перед тем, как строить на предсказаниях выводы.

• Одна структура, а не динамика. Белок в клетке двигается, меняет конформацию, реагирует на окружение. AlphaFold обычно выдаёт одно статичное состояние, а не весь репертуар движений.
• Мутации и их эффект. Модель плохо предсказывает, как единичная замена аминокислоты повлияет на стабильность или функцию — это отдельная нерешённая задача.
• Неструктурированные участки. Значительная часть белков содержит гибкие области без фиксированной формы. Здесь предсказание либо ненадёжно, либо бессмысленно по определению.
• Взаимодействия сложных комплексов. Даже AlphaFold3 ошибается на многокомпонентных сборках, и оценку уверенности нужно читать внимательно, а не брать структуру как факт.

Что это даёт на практике

Как относиться к результатам

Практический вывод для тех, кто работает с этими данными или читает про них в новостях: предсказание AlphaFold — это гипотеза с указанной степенью доверия, а не окончательная истина. Порядок разумной работы примерно такой:

1. Смотрите на pLDDT и другие метрики уверенности, а не только на красивую картинку структуры.
2. Для участков с низкой уверенностью не делайте сильных выводов о функции.
3. Ключевые предсказания подтверждайте экспериментом, если от них зависит решение — например, выбор кандидата в лекарства.
4. Помните, что модель обучалась на известных структурах и хуже работает на белках, непохожих ни на что в обучающей выборке.

За пять лет AlphaFold сдвинула не столько отдельные открытия, сколько сам темп работы. Гипотезы, которые раньше проверялись годами, теперь генерируются за вечер — и вся нагрузка сместилась на то, чтобы отделять надёжные предсказания от правдоподобных, но неверных.

¹ Protein folding — процесс, в котором линейная цепочка аминокислот сворачивается в трёхмерную структуру. Предсказать эту структуру по последовательности — и есть та задача, которую решает AlphaFold.