Principales fonctions et caractéristiques d’AlphaFold 3
- AlphaFold 3 est un nouveau modèle d’IA développé par Google DeepMind et Isomorphic Labs, capable de prédire avec précision la structure et les interactions de protéines, ADN, ARN, ligands et autres molécules, ce qui peut améliorer notre compréhension du monde biologique et du développement de nouveaux médicaments
- Par rapport aux méthodes de prédiction existantes, il apporte une amélioration d’au moins 50 % pour les interactions avec d’autres types de molécules, et, pour certaines catégories d’interactions importantes, la précision des prédictions est doublée
- Il s’appuie sur les fondations d’AlphaFold 2, qui a marqué une percée fondamentale dans la prédiction de la structure des protéines en 2020
- AlphaFold 3 va au-delà des protéines et s’étend à un large éventail de biomolécules. Cela pourrait permettre des avancées scientifiques encore plus innovantes, comme le développement de matériaux biodégradables, de cultures plus résilientes, l’accélération de la conception de médicaments et la recherche en génomique
Fonctionnement d’AlphaFold 3
- Lorsqu’on lui fournit une liste de molécules en entrée, AlphaFold 3 génère une structure 3D montrant comment ces molécules s’assemblent. Il peut modéliser non seulement de grandes biomolécules comme les protéines, l’ADN et l’ARN, mais aussi de petites molécules appelées ligands
- Il peut modéliser les ligands, une catégorie qui comprend de nombreux médicaments. Il peut également modéliser les modifications chimiques de ces molécules qui contrôlent le bon fonctionnement des cellules et dont l’altération peut conduire à des maladies
- Une version améliorée du module Evoformer, l’architecture de deep learning qui soutenait les performances remarquables d’AlphaFold 2, constitue le cœur du modèle
- Après traitement des entrées, AlphaFold 3 assemble ses prédictions à l’aide d’un réseau de diffusion similaire à ceux utilisés dans les générateurs d’images par IA. Le processus de diffusion commence par un nuage d’atomes et converge, en plusieurs étapes, vers la structure moléculaire finale la plus précise
Le rôle d’AlphaFold 3 dans le développement de médicaments
- AlphaFold 3 ouvre de nouvelles possibilités en conception de médicaments grâce à ses prédictions sur des molécules couramment utilisées dans ce domaine, comme les ligands et les anticorps, qui se lient aux protéines et modifient la manière dont elles interagissent dans la santé humaine et la maladie
- AlphaFold 3 atteint une précision sans précédent dans la prédiction d’interactions de type médicamenteux, notamment la liaison des ligands et des anticorps à leurs protéines cibles
- Sans nécessiter d’informations structurelles en entrée, AlphaFold 3 est 50 % plus précis que les meilleures méthodes traditionnelles précédentes sur le benchmark PoseBusters, devenant ainsi le premier système d’IA à surpasser les outils physiques de prédiction des structures biomoléculaires
- Sa capacité à prédire la liaison anticorps-protéine est essentielle pour comprendre certains aspects de la réponse immunitaire humaine et pour la conception d’anticorps, un type de thérapie en plein essor
- Isomorphic Labs combine AlphaFold 3 avec des modèles d’IA internes complémentaires pour l’appliquer à la conception de médicaments dans ses propres projets ainsi qu’avec ses partenaires pharmaceutiques
Présentation d’AlphaFold Server
- Le nouvel AlphaFold Server lancé par Google DeepMind est l’outil le plus précis au monde pour prédire comment les protéines interagissent avec d’autres molécules à l’échelle de la cellule entière
- Il s’agit d’une plateforme gratuite accessible aux scientifiques pour la recherche non commerciale
- En quelques clics, les biologistes peuvent exploiter les capacités d’AlphaFold 3 pour modéliser des structures composées de protéines, d’ADN, d’ARN, de ligands sélectionnés, d’ions et de modifications chimiques
- Il aide à formuler de nouvelles hypothèses à tester en laboratoire, accélérant ainsi les workflows et ouvrant la voie à d’autres innovations
- Il offre aux chercheurs un moyen accessible de générer des prédictions, indépendamment de leurs ressources de calcul ou de leur expertise en machine learning
- La prédiction expérimentale de la structure des protéines peut demander l’équivalent d’un doctorat et coûter plusieurs centaines de milliers de dollars. AlphaFold 2 a été utilisé pour prédire des centaines de millions de structures, ce qui aurait représenté, au rythme actuel de la biologie structurale expérimentale, des centaines de millions d’années de travail de chercheurs
Un partage responsable d’AlphaFold 3
- À chaque publication d’AlphaFold, les équipes ont travaillé avec les communautés de la recherche et de la sécurité afin de mieux comprendre l’impact large de la technologie
- Elles ont adopté une approche guidée par la science et mené des évaluations approfondies pour atténuer les risques potentiels et partager les bénéfices pour la biologie et l’humanité
- En s’appuyant sur la consultation externe menée pour AlphaFold 2, elles ont travaillé avec plus de 50 experts du domaine et tiers spécialisés en biosécurité, recherche et industrie pour comprendre les capacités et les risques potentiels du modèle AlphaFold
- Avant le lancement d’AlphaFold 3, elles ont participé à des forums et discussions ouverts à l’ensemble de la communauté
- Cela reflète les efforts continus pour partager les bénéfices d’AlphaFold, notamment via une base de données gratuite de 200 millions de structures de protéines
- Elles prévoient d’élargir le cours en ligne gratuit de formation à AlphaFold avec l’EMBL-EBI et de nouer des partenariats avec des organisations du Global South afin de fournir aux scientifiques les outils nécessaires pour accélérer l’adoption et la recherche
- Elles continueront à collaborer avec la communauté scientifique et les décideurs publics pour développer et déployer des technologies d’IA de manière responsable
L’avenir de la biologie cellulaire pilotée par l’IA
- AlphaFold 3 permet d’observer les systèmes cellulaires dans toute leur complexité, à travers les structures, les interactions et les modifications
- Cette nouvelle fenêtre montre comment les molécules du vivant sont connectées et aide à comprendre comment ces connexions influencent des fonctions biologiques telles que l’action des médicaments, la production d’hormones ou les processus de réparation de l’ADN qui préservent la santé
- L’impact d’AlphaFold 3 et du service gratuit AlphaFold Server se manifestera dans la manière dont les scientifiques accéléreront leurs découvertes face aux grandes questions ouvertes de la biologie et aux nouvelles pistes de recherche
- Le potentiel d’AlphaFold 3 ne fait que commencer à être exploré, et l’avenir suscite beaucoup d’attentes
L’avis de GN⁺
- AlphaFold 3 semble promis à un fort impact sur la recherche biologique, non seulement parce qu’il dépasse la simple prédiction de la structure des protéines, mais aussi parce qu’il permet désormais d’anticiper les interactions entre diverses molécules au sein de la cellule. Le fait qu’un serveur gratuit le rende facilement accessible aux scientifiques du monde entier est particulièrement marquant.
- Cela dit, même si la précision de la prédiction des interactions moléculaires aurait progressé de 50 %, il reste difficile de savoir ce que cela représente face aux résultats expérimentaux réels. Pour l’instant, il semble plus prudent de le considérer comme un outil d’appui à la formulation d’hypothèses.
- Son potentiel d’application dans le développement de médicaments devrait susciter un fort intérêt de la part des entreprises pharmaceutiques. Toutefois, les questions éthiques et de sécurité pourraient ralentir sa commercialisation.
- De la même manière qu’AlphaFold est passé de la prédiction de la structure des protéines à celle des interactions à l’échelle moléculaire, on peut s’attendre à ce qu’il s’étende à l’avenir au niveau cellulaire et tissulaire, avec des retombées majeures pour la compréhension des mécanismes d’apparition des maladies et pour la médecine personnalisée.
- Mais, comme pour toute technologie d’IA puissante, il faudra l’accompagner de règles éthiques contre les abus, de mesures de sécurité adaptées et d’expérimentations de validation suffisantes. L’attitude ouverte et prudente de Google DeepMind paraît positive.
1 commentaires
Avis Hacker News
Voici un résumé des principaux points :
Les méthodes basées sur le ML montrent de meilleures performances que les méthodes fondées sur la physique pour prédire correctement le monde. Cela suggère que le progrès scientifique pourrait aboutir à de meilleurs modèles même sans théorie interprétable ni modèle mathématique.
À l’instar de l’AlphaFold 3 de DeepMind, le laboratoire de David Baker a également publié
RoseTTAFold, un modèle open source capable de prédire la structure des protéines ainsi que l’ADN et les ligands qui leur sont liés.AlphaFold 3 affiche une précision d’environ 70 %, ce qui représente une performance relativement supérieure aux méthodes existantes (30 à 50 %). Cependant, le fait que le communiqué de presse n’indique pas la précision absolue est intentionnellement trompeur.
AlphaFold 3 peut prédire diverses structures de biomolécules, notamment les protéines, l’ADN, l’ARN, les ions, les ligands et les modifications chimiques. La précision de modélisation des complexes protéiques s’est également améliorée.
Le fait qu’il ne soit pas publié en open source peut causer une forte gêne pour la communauté scientifique. Garder fermée une technologie avec un fort potentiel, notamment pour la découverte de médicaments, n’aide pas la recherche.
Les méthodes basées sur le ML ont pour limite de peu expliquer leurs résultats de prédiction. Sans compréhension des principes sous-jacents, il est difficile de garantir la cohérence et la fiabilité des résultats.
Ne pas publier le modèle et ne proposer qu’un « serveur gratuit » soulève des inquiétudes en matière de reproductibilité scientifique. Devoir dépendre d’une entreprise commerciale n’est pas souhaitable.
Les performances exactes d’AlphaFold 3 en prédiction de docking restent floues, car l’article n’a pas encore été publié. Il est affirmé qu’il serait supérieur de plus de 50 % aux méthodes existantes, mais aucun chiffre précis n’est donné.
Par rapport à AlphaFold 2, le fait d’écarter en partie certains éléments interprétables, comme les contraintes structurelles, pour s’appuyer simplement sur la distillation des données (
distillation) suscite des inquiétudes. Le besoin d’exploiter les résultats de prédiction du modèle précédent est également gênant.La différence de formulation entre « presque tous » et « tous » entre le tweet du PDG de DeepMind et le titre du blog pose problème, car elle donne l’impression que le problème a été résolu à 100 %.