AlphaFold 3 lanseras – AI förutser hur proteiner, DNA och läkemedel samverkar

AlphaFold 3 lanseras – AI förutser hur proteiner, DNA och läkemedel samverkar

Den 8 maj 2024 presenterade Google DeepMind och Isomorphic Labs AlphaFold 3, en ny AI-modell för att förutsäga hur proteiner, DNA, RNA, små molekyler och andra biologiska komponenter ser ut och samverkar. Modellen byggde vidare på AlphaFold 2, som hade förändrat proteinstrukturbiologin, men utvidgade problemet från enskilda proteiner till mer kompletta molekylära system.

Marketplace sammanfattar lanseringen i efterhand. AlphaFold 3 var ett forskningsverktyg och inte ett automatiskt godkännande av ett läkemedel eller en medicinsk behandling. Modellens förutsägelser kunde hjälpa forskare prioritera experiment och hypoteser, men resultaten behövde fortfarande valideras i laboratorier och kliniska processer.

AlphaFold 3 i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 8 maj 2024 |
| Utvecklare | Google DeepMind och Isomorphic Labs |
| Huvudområde | Struktur och interaktioner mellan biologiska molekyler |
| Molekyltyper | Proteiner, DNA, RNA, ligander, joner och kemiska modifieringar |
| Viktig nyhet | En gemensam modell för flera typer av molekylära komplex |
| Teknik | Ny arkitektur med en diffusionsbaserad strukturmodul |
| Forskaråtkomst | AlphaFold Server för icke-kommersiell forskning |
| Begränsning | Beräknade hypoteser måste verifieras experimentellt |

Från proteinform till biologisk interaktion

AlphaFold 2 blev känt för att kunna förutsäga ett proteins tredimensionella struktur från dess aminosyrasekvens. Det var viktigt eftersom ett proteins form ofta påverkar dess funktion.

Biologi består däremot sällan av ett isolerat protein. Proteiner binder till andra proteiner, DNA, RNA, läkemedelsmolekyler, metaller och andra ämnen. Det är i dessa interaktioner som många biologiska processer och sjukdomsmekanismer uppstår.

AlphaFold 3 utvecklades därför för frågor som:

• Hur binder ett protein till DNA?
• Var kan en läkemedelsmolekyl fästa?
• Hur samverkar två proteiner i ett komplex?
• Hur påverkar en kemisk modifiering strukturen?
• Vilka delar av en molekylär modell är osäkra?

Det breddade användningsområdet från proteinstruktur till en mer samlad modell av molekylära relationer.

Vilka molekyler kunde modellen hantera?

AlphaFold 3 kunde modellera flera kategorier i samma strukturförutsägelse:

• proteiner
• DNA
• RNA
• små molekyler, ofta kallade ligander
• joner
• kemiskt modifierade aminosyror och nukleotider

Det var relevant för läkemedelsutveckling eftersom många läkemedel är små molekyler som påverkar ett protein genom att binda till en särskild plats.

En modell som kan förutsäga både målproteinet och den möjliga bindningen kan hjälpa forskare välja vilka kandidater som bör testas först. Men en strukturell passform är bara en del av läkemedlets egenskaper. Toxicitet, upptag, metabolism, dosering och klinisk effekt måste undersökas separat.

En diffusionsmodell för molekylstrukturer

AlphaFold 3 använde en ny strukturmodul som byggde på diffusionsteknik. Diffusionsmodeller är mest kända från bildgenerering, där ett system stegvis omvandlar brus till en tydlig bild.

I AlphaFold 3 användes principen för att generera atomkoordinater. Förenklat började modellen med en osäker uppsättning positioner och förfinade stegvis strukturen till en möjlig molekylär konfiguration.

Det betyder inte att modellen ritade fria fantasier på samma sätt som en kreativ bildgenerator. Den tränades och utvärderades på biologiska strukturer och kombinerade flera komponenter för att förutsäga en fysisk modell.

Diffusionsmetoden kunde ändå ge problem. Google DeepMind beskrev bland annat risken för så kallade hallucinerade eller orealistiska strukturer i vissa fall. Modellen gav därför även osäkerhetsmått som forskaren behövde tolka.

Förbättringar i protein–ligand-interaktioner

Google DeepMind uppgav att AlphaFold 3 förbättrade träffsäkerheten för flera typer av molekylära interaktioner jämfört med befintliga metoder. Ett viktigt område var hur proteiner binder till ligander.

Traditionell molekylär docking använder fysikbaserade och statistiska metoder för att pröva möjliga bindningslägen. AlphaFold 3 kunde i vissa utvärderingar förutsäga protein–ligand-strukturer utan att behöva en känd målstruktur som separat indata.

Det kan spara tid i tidig forskning, men benchmarkresultat behöver tolkas försiktigt:

1. testuppsättningen kan skilja sig från ett företags verkliga mål
2. små strukturfel kan vara viktiga för kemin
3. modellen kan vara mer säker än vad resultatet motiverar
4. laboratoriedata behövs fortfarande
5. ett bra bindningsläge garanterar inte ett fungerande läkemedel

AI-förutsägelsen bör därför ses som ett prioriteringsverktyg, inte ett slutligt svar.

AlphaFold Server öppnade för forskare

Samtidigt lanserade Google DeepMind AlphaFold Server, en webbtjänst där forskare kunde skapa förutsägelser utan att själva drifta den avancerade modellen.

Tjänsten erbjöds för icke-kommersiell forskning och skulle göra den nya kapaciteten tillgänglig för laboratorier som saknade stor beräkningsinfrastruktur eller specialiserad maskininlärningskompetens.

En forskare kunde skicka in molekylära komponenter och få:

• en beräknad tredimensionell struktur
• möjliga interaktioner
• visualiseringar
• osäkerhetsmått
• filer för vidare analys

Servern sänkte tröskeln, men forskaren behövde fortfarande förstå biologin och begränsningarna. En färgglad strukturvisualisering kan se övertygande ut även när en viktig region har låg säkerhet.

Diskussionen om öppenhet

När AlphaFold 3 presenterades publicerade forskarna en vetenskaplig artikel och öppnade serveråtkomst, men den fullständiga modellkoden och vikterna släpptes inte samtidigt.

Det skapade kritik från delar av forskarsamhället. AlphaFold 2 hade blivit mycket inflytelserikt eftersom forskare kunde använda och vidareutveckla metoden. Begränsad kodåtkomst gjorde AlphaFold 3 svårare att reproducera och anpassa lokalt.

Google DeepMind hänvisade bland annat till säkerhet, kommersiella hänsyn och behovet av ansvarsfull tillgång. Senare utökades tillgången till modellkod för akademisk användning under bestämda villkor.

Frågan illustrerar en större konflikt inom AI-forskning:

• öppenhet hjälper reproducerbarhet och innovation
• kraftfulla modeller kan missbrukas eller innehålla kommersiellt värdefull teknik
• serveråtkomst ger kontroll men begränsar egen anpassning
• kodåtkomst kräver fortfarande stora resurser och expertis

Isomorphic Labs och läkemedelsutveckling

Isomorphic Labs, ett bolag inom Alphabet-koncernen, samarbetade med Google DeepMind kring modellen. Bolaget använder AI för läkemedelsforskning och har ingått partnerskap med läkemedelsföretag.

AlphaFold 3 kunde hjälpa i tidiga steg som:

• val av biologiskt mål
• förståelse av bindningsställen
• prioritering av molekylkandidater
• jämförelse av möjliga interaktioner
• hypoteser om resistens eller selektivitet

Läkemedelsutveckling är samtidigt en lång process. En kandidat behöver optimeras, testas prekliniskt och därefter genomgå kliniska prövningar. De flesta tidiga kandidater blir aldrig godkända läkemedel.

AI kan minska sökutrymmet och förbättra prioritering, men tar inte bort biologisk osäkerhet.

Kan AlphaFold 3 användas för diagnos?

AlphaFold 3 var inte ett kliniskt diagnostikverktyg. Modellen kunde bidra till forskning om hur en mutation påverkar ett protein eller hur en molekyl kan interagera med ett mål, men den kunde inte ensam avgöra vilken behandling en patient ska få.

Klinisk användning kräver bland annat:

• validering på relevanta patientgrupper
• regulatoriskt godkännande
• kvalitetssäkrad data
• medicinskt ansvar
• dokumentation av begränsningar
• integration med övrig diagnostik

En modellförutsägelse bör aldrig presenteras för en patient som ett bekräftat medicinskt fynd utan rätt professionell granskning.

Datakvalitet och bias

Strukturmodeller lär sig från tillgängliga biologiska databaser. Dessa data är inte jämnt fördelade över alla organismer, proteinfamiljer och molekyltyper.

Möjliga konsekvenser är:

• bättre kvalitet för välstuderade proteiner
• svagare resultat för ovanliga komplex
• begränsad representation av vissa kemiska områden
• högre osäkerhet för flexibla eller oordnade regioner
• svårigheter med dynamiska processer

Forskaren behöver läsa modellens säkerhetsmått och jämföra med experiment eller andra metoder.

Struktur är en ögonblicksbild

Biologiska molekyler rör sig. Ett protein kan anta flera former, påverkas av miljön och förändras när det binder till en annan molekyl.

AlphaFold 3 producerade främst en eller flera beräknade strukturer, inte en fullständig simulering av alla dynamiska tillstånd.

Det betyder att modellen kan missa:

• tidsberoende rörelser
• alternativa konformationer
• membranmiljöer
• temperatur- och lösningsmedelseffekter
• långsamma bindningsprocesser
• cellens fulla biologiska sammanhang

Molekylär dynamik, kryo-EM, röntgenkristallografi, NMR och andra experimentella tekniker fortsätter därför vara viktiga.

Svensk forskning och industri

Sverige har stark forskning inom läkemedel, bioteknik, strukturbiologi och livsvetenskaper. AlphaFold 3 kunde stödja universitet, sjukhus och företag i tidig hypotesgenerering.

Lämpliga användningsområden var:

• proteininteraktioner
• läkemedelskandidater
• mutationsanalys
• enzymdesign
• biomarkörforskning
• molekylär mekanismförståelse

Organisationen behövde kontrollera om användningen var kommersiell, vilka servervillkor som gällde och om opublicerad forskning eller företagshemligheter fick laddas upp.

AI Act och medicinsk forskning

En forskningsmodell omfattas inte automatiskt av samma krav som ett kliniskt beslutsstöd. Riskprofilen förändras om modellen byggs in i en produkt som påverkar patientbehandling eller diagnostik.

Företag behöver dokumentera:

1. avsett användningsområde
2. vilken data som används
3. hur resultat valideras
4. vem som granskar förutsägelsen
5. om modellen påverkar ett medicinskt beslut
6. hur fel och avvikelser rapporteras

Läs även vår genomgång av AI-förordningen 2026 och vad svenska företag behöver känna till.

Skillnaden mot AlphaFold 2

| AlphaFold 2 | AlphaFold 3 |
|---|---|
| Främst proteinstrukturer | Bredare molekylära komplex |
| Mycket stark på enskilda proteiner | Proteiner, DNA, RNA, ligander och fler komponenter |
| Öppen kod fick stort genomslag | Server först, mer begränsad kodåtkomst vid lanseringen |
| Fokus på form | Större fokus på interaktioner |
| Evoformer och strukturmodul | Ny arkitektur med diffusionsbaserad strukturmodul |

AlphaFold 3 ersatte inte AlphaFold 2 i varje forskningssituation. Det utökade framför allt vilka molekylära frågor modellen kunde försöka besvara.

Vanliga frågor

När lanserades AlphaFold 3?

Google DeepMind och Isomorphic Labs presenterade modellen den 8 maj 2024.

Vad kunde AlphaFold 3 förutsäga?

Strukturer och interaktioner mellan proteiner, DNA, RNA, små molekyler, joner och kemiska modifieringar.

Var AlphaFold Server gratis?

Google DeepMind erbjöd servern för icke-kommersiell forskning under särskilda användningsvillkor.

Kan modellen skapa ett färdigt läkemedel?

Nej. Den kan hjälpa forskare förstå och prioritera molekylära interaktioner, men laboratorietester och kliniska prövningar krävs.

Är en förutsagd struktur bevisad?

Nej. Det är en beräknad hypotes med osäkerhet som bör verifieras experimentellt.

Fick forskare ladda ned hela modellen direkt?

Inte vid den första lanseringen. Tillgången skedde främst genom AlphaFold Server, och mer kodåtkomst kom senare under villkor.

Sammanfattning

AlphaFold 3 lanserades den 8 maj 2024 och utvidgade AI-baserad strukturbiologi från enskilda proteiner till komplexa interaktioner mellan proteiner, DNA, RNA och läkemedelsliknande molekyler.

Modellen kunde göra forskning och tidig läkemedelsutveckling snabbare genom att prioritera lovande hypoteser. Men en beräknad struktur är inte en experimentell bekräftelse och inte ett kliniskt beslut. Den verkliga nyttan uppstår när AI-förutsägelser kombineras med laboratoriedata, biologisk expertis och tydlig osäkerhetsredovisning.

Faktaunderlag: Google DeepMind, ”AlphaFold 3 predicts the structure and interactions of all of life’s molecules”, publicerad 8 maj 2024, samt den tillhörande Nature-artikeln. Artikeln är en historisk sammanfattning publicerad i efterhand.