Alors que le modèle précédent, sorti en 2020, étonné la communauté des chercheurs avec sa capacité à prédire les structures des protéines, les chercheurs réclament que cet outil puisse gérer plus que de simples protéines.
Désormais, selon DeepMind, AlphaFold 3 peut prédire les structures de l’ADN, de l’ARN et des molécules telles que les ligands, qui sont essentielles à la découverte de médicaments. DeepMind affirme que l’outil fournit un portrait plus nuancé et dynamique des interactions moléculaires que tout ce qui était disponible auparavant.
“La biologie est un système dynamique”, a déclaré Demis Hassabis, PDG de DeepMind, aux journalistes lors d’un appel. « Les propriétés de la biologie émergent grâce aux interactions entre différentes molécules dans la cellule, et vous pouvez considérer AlphaFold 3 comme notre premier grand pas vers [modeling] que.”
AlphaFold 2 nous a aidé à mieux cartographier le cœur humainmodèle résistance aux antimicrobienset identifier les œufs de oiseaux disparusmais nous ne savons pas encore quelles avancées apportera AlphaFold 3.
Mohammed AlQuraishi, professeur adjoint de biologie des systèmes à l’Université de Columbia et non affilié à DeepMind, pense que la nouvelle version du modèle sera encore meilleure pour la découverte de médicaments. « Le système AlphaFold 2 ne connaissait que les acides aminés, il était donc d’une utilité très limitée pour la biopharmaceutique », dit-il. “Mais désormais, le système peut en principe prédire où un médicament se lie à une protéine.”
Isomorphic Labs, une spin-off de DeepMind en matière de découverte de médicaments, utilise déjà le modèle exactement dans ce but, en collaborant avec des sociétés pharmaceutiques pour tenter de développer de nouveaux traitements contre des maladies, selon DeepMind.
AlQuraishi affirme que cette publication marque un grand pas en avant. Mais il y a des mises en garde.
“Cela rend le système beaucoup plus général, et en particulier à des fins de découverte de médicaments (dans la recherche à un stade précoce), il est désormais bien plus utile qu’AlphaFold 2”, dit-il. Mais comme pour la plupart des modèles, l’impact d’AlphaFold dépendra de la précision de ses prédictions. Pour certaines utilisations, AlphaFold 3 a le double du taux de réussite de modèles phares similaires comme RoseTTAFold. Mais pour d’autres, comme les interactions protéine-ARN, AlQuraishi affirme que cela reste très inexact.
