AlphaFold 3: от белков к комплексам с ДНК и лекарствами

8 мая 2024 года Google DeepMind и Isomorphic Labs одновременно представили AlphaFold 3 и опубликовали основную статью в Nature. В этом разборе AlphaFold 3 важно не только то, что модель стала точнее на ряде задач, но и то, что единицей предсказания стал уже не отдельный белок, а смешанный биомолекулярный комплекс: белки, ДНК, РНК, лиганды, ионы и модифицированные остатки. Для практиков это сдвиг от «предсказать fold белка» к «собрать рабочую структурную гипотезу о взаимодействии». Ниже — что именно сделали авторы, на каких задачах это проверяли и чего работа 2024 года все-таки не доказывает.

Контекст

Чтобы понять масштаб шага, полезно вспомнить исходную точку. Highly accurate protein structure prediction with AlphaFold была опубликована 15 июля 2021 года и закрепила AlphaFold 2 как стандарт для предсказания структуры отдельных белков. Но большая часть биологии и почти вся прикладная medicinal chemistry упираются не в одиночный белок, а в взаимодействия: белок с ДНК, белок с РНК, белок с антителом, белок с небольшим лигандом, белок с химической модификацией.

До AlphaFold 3 этот ландшафт был фрагментирован. Для белок-белковых комплексов использовали AlphaFold-Multimer, для белок-нуклеиновых задач — RoseTTAFoldNA, для более общих all-atom постановок — RoseTTAFold All-Atom, а для белок-лигандных задач по-прежнему оставались важны docking-пайплайны вроде Vina и Gold. Это означало разные представления молекул, разные функции ранжирования и постоянные потери на стыках между инструментами.

Авторы AlphaFold 3 формулируют амбицию шире: не улучшить еще один частный инструмент, а показать, что большая часть молекулярного пространства, представленного в Protein Data Bank, может описываться единой глубокой моделью. Именно это и делает статью важной: она переносит фокус с «folding белка» на «совместное моделирование биомолекулярных взаимодействий».

Метод

Суть AlphaFold 3 — в унификации представления. На вход модель может принимать белковые цепи, РНК, ДНК, лиганды, ионы и модифицированные остатки; локальный формат запуска на GitHub также допускает описание ковалентных связей, пользовательских лигандов и модификаций. Это уже важное практическое отличие от AlphaFold 2: модель проектировалась не под аминокислотную цепочку как основной объект, а под смешанный комплекс.

Архитектурно авторы делают два крупных шага. Во-первых, они упрощают обработку эволюционных сигналов и заменяют центральный блок AlphaFold 2 evoformer на pairformer. Во-вторых, они отказываются от белок-специфичного структурного модуля, который работал через residue frames и торсионные углы боковых цепей, и переходят к диффузионному модулю, предсказывающему сырые атомные координаты напрямую.

Практический смысл этого перехода в том, что модель легче переносится на произвольные химические компоненты. Если AlphaFold 2 был по сути очень сильной системой для белков, а потом расширялся в сторону мультимеров, то AlphaFold 3 с самого начала строится как общая модель для белков, нуклеиновых кислот и малых молекул.

Еще одна важная деталь — ранжирование сэмплов. Модель не ограничивается одним выходом: авторы генерируют несколько вариантов и затем ранжируют их по внутренним confidence-метрикам, включая семейство оценок вроде pLDDT, pTM и ipTM. Для пользователя это означает, что смотреть нужно не только на «лучшую картинку», но и на то, какой именно аспект структуры хорошо поддержан: локальная геометрия цепи, интерфейс между молекулами или глобальная сборка комплекса.

Входные последовательности и молекулы → единое токенизированное представление комплекса → pairformer → диффузионная генерация атомных координат → ранжирование по confidence-метрикам

Результаты

Авторы оценивают AlphaFold 3 не на одном агрегированном бенчмарке, а на наборе задач по типам взаимодействий. Это методологически правильно: белок-лиганд, белок-ДНК и антитело-антиген — разные проблемы, и одна средняя цифра по ним мало что объясняет.

Отдельно важно, что для белок-лигандной оценки на PoseBusters авторы использовали более ранний training cutoff, чтобы минимизировать риск утечки данных между обучением и тестом. Это усиливает правдоподобность результата именно как теста на обобщение, а не на запоминание близких структур.

Задача	Набор и метрика	С чем сравнивали	Что сообщили авторы
Белок–лиганд	PoseBusters; успешность по локальной точности позы лиганда	Классические docking-методы и RoseTTAFold All-Atom	AlphaFold 3 заметно сильнее blind docking baselines даже без структурной подсказки о кармане.
Белок–ДНК / белок–РНК	Recent PDB set; интерфейсная точность	RoseTTAFold2NA	Модель показывает более высокую точность на белок-нуклеиновых взаимодействиях и умеет работать с более общими смешанными комплексами.
RNA-only	CASP15 RNA	RoseTTAFold2NA и AIchemy_RNA	На общем подмножестве предсказаний AlphaFold 3 в среднем лучше AI-базлайнов, но авторы прямо пишут, что не превосходят лучший human-expert-aided submission.
Белок–белок	Recent PDB set; успешность интерфейса	AlphaFold-Multimer	Успешность предсказания интерфейсов выросла относительно специализированного мультимерного варианта семейства AlphaFold.
Антитело–антиген	Recent PDB set; успешность интерфейса	AlphaFold-Multimer	Авторы выделяют особенно заметное улучшение именно на антительных интерфейсах.
Ковалентные модификации и гликаны	Отдельные срезы recent PDB; локальная точность модифицированного участка	Единого универсального baseline нет	Ключевой результат здесь не столько «победа в таблице», сколько сам факт, что модификации обрабатываются тем же единым пайплайном.

Если свернуть эти результаты до одного тезиса, он будет таким: AlphaFold 3 не просто улучшает качество предсказания белков, а расширяет зону уверенного применения на те классы задач, где раньше приходилось собирать конвейер из нескольких специализированных инструментов.

Интерпретация

Наш комментарий

На наш взгляд, главный смысл AlphaFold 3 не в том, что DeepMind «еще раз улучшила AlphaFold», а в смене уровня абстракции. AlphaFold 2 был прорывом для структуры белка как объекта. AlphaFold 3 — это попытка сделать объектом предсказания молекулярную сцену: кто с кем связан, как ориентированы компоненты, где сидит лиганд, как встраивается модификация.

Для практиков это важно по двум причинам. Во-первых, исчезает часть ошибок на переходах между этапами: отдельно предсказали белок, отдельно искали карман, отдельно доковали лиганд, отдельно проверяли интерфейс. Во-вторых, появляется более естественный режим постановки задачи: можно сразу спрашивать о комплексе, а не о его разрозненных кусках.

Но отсюда не следует, что AlphaFold 3 автоматически лучший выбор для любой задачи drug discovery. Если у вас уже есть качественная экспериментальная структура рецептора и нужно быстро прогнать библиотеку соединений, классические docking и последующее физическое или статистическое скоринг-переранжирование никуда не исчезают. Сильная сторона AlphaFold 3 — именно joint structural hypothesis, особенно там, где известна последовательность, а сама сборка комплекса неочевидна.

Ограничения

Первое ограничение — доступность и воспроизводимость стартового релиза. В мае 2024 года вместе со статьей исследователи получили в основном доступ через AlphaFold Server для некоммерческой работы. Только 11 ноября 2024 года DeepMind объявила о публикации кода и весов для academic use, а 27 ноября 2024 года в Nature вышло addendum, фиксирующее этот релиз. Это улучшило воспроизводимость, но режим доступа все равно не равен полностью свободному open-source релизу.

Второе ограничение касается самих бенчмарков. Работа оценивает в основном статические структуры из PDB. Это сильный и уместный критерий для структурной биологии, но он не доказывает, что модель надежно восстанавливает кинетику связывания, свободную энергию, индуцированную подгонку, конформационные переходы или функциональное состояние рецептора.

Третье ограничение — интерпретация confidence-метрик. Высокая внутренняя уверенность не равна автоматической биологической истинности. Nature Methods отдельно подчеркивает более общий для семейства AlphaFold тезис: такие предсказания полезнее всего рассматривать как сильные гипотезы, а не как замену эксперименту, особенно если критичны лиганды, модификации, средовые условия или несколько конформационных состояний.

Наконец, более поздние независимые работы добавляют важный контекст. FoldBench показывает, что AlphaFold 3 часто оказывается среди сильнейших all-atom систем, но трудные зоны сохраняются — особенно для нуклеиновых кислот, антитело-антигенных интерфейсов и аллостерических белок-лигандных сценариев. Отдельная работа по GPCR-комплексам приходит к более жесткому выводу: глобальная архитектура рецептора нередко верна, тогда как постановка малого лиганда может быть нестабильной и особенно ненадежной для аллостерических модуляторов. А одна из более поздних работ в Nature Biotechnology прямо отмечает склонность AlphaFold 3 схлопывать задачу к одному доминирующему состоянию вместо ансамбля конформаций.

Заключение

AlphaFold 3 — важная работа не потому, что она «закрыла» структурную биологию, а потому, что убедительно показала: единая модель может работать сразу с несколькими типами биомолекул и предсказывать не только форму белка, но и геометрию его взаимодействий. Для исследователя это означает более короткий путь от последовательности к рабочей структурной гипотезе о комплексе.

Если формулировать совсем коротко, вклад AlphaFold 3 такой: после AlphaFold 2 структурное предсказание перестало быть только задачей о белках, а стало задачей о молекулярных сборках. Но именно поэтому требования к аккуратности выше: чем ближе вы к реальной биохимии и дизайну лекарств, тем важнее смотреть на ограничения постановки, состав входа, confidence-метрики и независимую экспериментальную проверку.

Источники

• Accurate structure prediction of biomolecular interactions with AlphaFold 3
• Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model
• AlphaFold — Google DeepMind
• AlphaFold 3 inference pipeline
• Addendum: Accurate structure prediction of biomolecular interactions with AlphaFold 3
• AI protein-prediction tool AlphaFold3 is now more open
• Highly accurate protein structure prediction with AlphaFold
• Protein complex prediction with AlphaFold-Multimer
• Accurate prediction of protein–nucleic acid complexes using RoseTTAFoldNA
• Generalized biomolecular modeling and design with RoseTTAFold All-Atom
• PoseBusters: AI-based docking methods fail to generate physically valid poses or generalise to novel sequences
• AlphaFold predictions are valuable hypotheses and accelerate but do not replace experimental structure determination
• Benchmarking all-atom biomolecular structure prediction with FoldBench
• An update for AlphaFold3 versus experimental structures: assessing the precision of small molecule binding in GPCRs

FAQ

Чем AlphaFold 3 отличается от AlphaFold 2 по сути?

AlphaFold 2 в первую очередь решал задачу структуры белка, а AlphaFold 3 проектировался как единая модель для комплексов, куда могут входить белки, ДНК, РНК, лиганды, ионы и модификации.

Можно ли использовать AlphaFold 3 для дизайна лекарств без эксперимента?

Как источник структурных гипотез — да. Как полноценную замену экспериментальной валидации — нет. Это особенно важно для случаев с аллостерией, динамикой и тонкой постановкой малого лиганда.

Что именно открылось после публикации статьи?

Сначала был доступ через AlphaFold Server для некоммерческих исследований. Позже DeepMind опубликовала код инференса и предоставила доступ к весам для академического использования на отдельных условиях.

Когда AlphaFold 3 особенно полезен на практике?

Когда нужно быстро получить правдоподобную структурную гипотезу для смешанного комплекса и понять общую геометрию взаимодействий. Если же задача сводится к массовому виртуальному скринингу по уже известной структуре, классические docking- и rescoring-пайплайны все еще уместны.

Читайте также

• Как читать AI-paper и не утонуть в абстрактном хайпе
• GPQA: как устроен benchmark с вопросами, которые не гуглятся
• Количественная оценка моделей: как квантование влияет на разные способности ИИ