AlphaFold3 се научи да предсказва смяна на форма

Двама изследователи от Института за молекулярни науки (IMS) в Япония и университета SOKENDAI са преработили начина, по който AlphaFold3 генерира структури, така че моделът да предсказва не една, а няколко форми на един и същ протеин. Методът се казва AF3-ReD и беше публикуван на 26 август 2026 г. в списанието JACS Au, а на 1 септември институтът го обяви публично. Авторите са Джун Онуки и Кей-ичи Оказаки.

Защо една структура не стига

AlphaFold реши задачата, която биолозите смятаха за почти безнадеждна — от аминокиселинната последователност до триизмерната структура. Точно за това Демис Хасабис и Джон Джъмпър от Google DeepMind получиха Нобеловата награда за химия през 2024 г. заедно с Дейвид Бейкър.

Проблемът е, че протеинът не е статуя. Той работи, като сменя конформациите си: транспортер се отваря към едната страна на мембраната, после към другата; моторен протеин се затваря около ATP и се отваря отново, когато го разгради. Именно тези преходи определят функцията, а често и мястото, където може да се закачи лекарствена молекула.

AlphaFold3 обаче обикновено връща една и съща форма. В резюмето на препринта в bioRxiv авторите го формулират директно: моделът понякога не улавя конформационните промени, предизвикани от лиганд, дори когато лигандът е изрично подаден във входа.

Отблъскваща сила между предсказанията

Идеята на AF3-ReD е проста и заета от молекулната динамика. Дифузионният модел на AlphaFold3 тръгва от облак разпръснати атоми и стъпка по стъпка маха шума, докато не се смъкне в най-ниската „енергийна долина“. Ако го пуснете сто пъти, той пада в същата долина сто пъти.

Затова екипът добавя отблъскващ потенциал (Гаусов по форма) към всяка следваща генерация: щом новото предсказание се доближи до координатите на вече намерена структура, енергията се вдига и моделът е избутан настрани. На практика вече откритите форми стават запушени и системата е принудена да търси съседните.

Който е работил с метадинамика, ще разпознае схемата — само че тук „хълмчетата“ се насипват не върху свободната енергия на симулация, а върху пространството на самия генеративен модел. Това е и по-широкото значение на работата: същият трик може да се приложи и към други дифузионни модели за дизайн на протеини и молекули.

Тестът: субединицата F1β на ATP синтазата

За демонстрация е избрана субединицата β на F1-ATP синтазата — класически пример за протеин, който се затваря около ATP. Стандартният AlphaFold3 предсказва отворената конформация и не мърда от нея, независимо дали ATP присъства във входа.

AF3-ReD връща и трите: отворена, затворена и междинни състояния между тях. На графиката на екипа структурите са разположени по две оси — отклонение (RMSD) от отворената и от затворената форма — при различна сила на отблъскването, от 0 (тоест оригиналният AF3) до 90. Колкото по-силна е биасът, толкова по-надалеч отива моделът.

Има и по-фина подробност, която авторите подчертават. Съществува друг подход за същия проблем — да се разреди множественото подравняване на последователности (MSA subsampling). Той също дава разнообразие, но често изхвърля модела в неправдоподобни структури. При AF3-ReD междинните конформации остават сравнително близо до стабилните състояния, тоест приличат на реални етапи от прехода, а не на артефакти.

Кодът е свободен

Имплементацията е публикувана в GitHub под същия лиценз като AlphaFold3 — CC BY-NC-SA 4.0, тоест без комерсиална употреба. Добавени са два основни параметъра: --bias_weight за силата на потенциала и --bias_sigma за ширината му, като препоръчителните стойности са 1–2 Å.

python run_alphafold.py \
    --json_path=/root/af_input/fold_input.json \
    --model_dir=/root/models \
    --output_dir=/root/af_output \
    --bias_weight=100.0 \
    --bias_sigma=2.0

Какво остава неясно

Струва си да сме точни какво прави и какво не прави методът. AF3-ReD разширява набора от предсказани форми — не измерва колко често протеинът стои във всяка от тях, нито колко бързо преминава между тях. Няма и свободни енергии или скорости; за това още трябват симулации или експеримент. Проверката засега е върху моторни и транспортни протеини с известни структури, което е разумно начало, но не е доказателство, че методът ще работи на непознати мишени.

Дори с тези уговорки посоката е ясна. След като AI влезе в научния инструментариум навсякъде — от прогнозата за времето до пълните карти на нервни системи — следващата стъпка е моделите да описват движение, а не само моментна снимка. Ако едно закачане на отблъскваща сила върши работа, вероятно ще видим подобни добавки и в моделите за дизайн на лекарства доста скоро.