Az AlphaFold nevű rendszer egy verseny keretében képes volt az emberi tudósok által időigényes és drága laborkísérletek révén prezentált eredmények kétharmadát precízen reprodukálni. Ez azt jelenti, hogy a mesterséges intelligencia elérte azt a szintet, amelynél már érdemi kísérleti haszna lehet, vagyis a jövőben elég lehet a virtuális fehérjehajtogatót használni, és nem feltétlenül kell ténylegesen ellenőrizni, hogyan fest egy gén által kódolt fehérje struktúrája.

A fehérjék az élet alapvető molekulái: a sejt ezek révén termel energiát, szállít, másol, végzi az anyagcserét. A fehérjék működésében pedig kulcsszerepet játszik ezek szerkezete: ettől függ, hogy a molekulák milyen feladatot képesek ellátni, és hogyan működnek. A proteinek alakját azok aminosavsorrendje determinálja, ez a sorrend pedig a fehérjét kódoló gén nukleotidjainak sorrendjétől függ. 

Az aminosavsorrendet könnyű meghatározni, hiszen évtizedek óta tudjuk, hogy melyik nukleotidhármas melyik aminosavat kódolja a lehetséges 20-ból. Annak megfejtésén viszont, hogy egy tetszőleges sorrendű aminosavlánc milyen alakot vesz fel, immár fél évszázada dolgoznak a kutatók. A struktúra feltárására mostanáig a bevett módszer az volt, hogy legyártották a láncot, megvárták, amíg az összehajtogatódik, majd röntgenkrisztallográfiával és más módszerekkel feltárták a szerkezetet, ami viszont nagyon drága és időigényes munka. Ráadásul egyes fehérjék esetén a létező módszerek egyszerűen nem működnek.

A fizikai jellemzők alapján végzett hagyományos számítógépes modellezés nem volt opció, mivel a fehérjék ehhez túlságosan összetettek. Ezért az utóbbi időszakban világszerte egyre több kutatócsoport fordult a gépi tanuláshoz, mesterséges intelligenciákkal igyekezve megfejteni a fehérjék hajtogatódásának titkait. A rendszereket, köztük a DeepMind rendszerét ismert szerkezetű proteineken tanították ki, majd a mesterséges intelligencia a meghatározni kívánt szerkezetű fehérje esetében annak részeihez hasonlókat keresett a meglévő adatbázisban.

A CASP nevű vetélkedés 1994-ben indult, azzal a céllal, hogy elbírálja az így modellezett számítógépes struktúrák pontosságát. A résztvevő kutatócsoportok olyan aminosavszekvenciákat kapnak kézhez, amelyek szerkezetét kísérletileg már mások meghatározták, de még nem publikálták. Ezt kell modellezniük pusztán az aminosavak sorrendje alapján, majd a virtuális modellt összevetik a kísérleti úton felvázolt szerkezettel.

A prediktív modell összesen 100 pontot érhet el attól függően, hogy mennyire vannak közel az egyes aminosavak a kísérletileg meghatározott pozícióhoz. 90 pont fölötti eredmény esetén a mesterséges intelligencia modellje egyenrangúnak minősül a kísérleti modellel. 2016-ban a legjobban szereplő csapat 40 pontos mediánt ért el a legösszetettebb fehérjék kategóriájában. 2018-ban az AlphaFold első verziója megközelítette a 60 pontos mediánt ugyanebben a kategóriában. Idén pedig a program továbbfejlesztett változata 87 pontos mediánnal zárta a versenyt. A rendszer az összes kategóriát tekintve a feladatként kiadott fehérjék kétharmadánál ért el 90 pont feletti eredményt.

Ez lenyűgöző, ugyanakkor a részletes adatok rávilágítanak a rendszer gyengeségeire is. Az AlphaFold például egyelőre nem igazán boldogul azokkal a fehérjékkel, amelyek struktúráját befolyásolják az őket körülvevő fehérjékkel való interakciók. Ezen a téren tehát még van hová fejlődni, ugyanakkor az is világosan látszik, hogy mely struktúrák esetében nagyon megbízható a rendszer, ami óriási lépést jelent előre.

A szakértők szerint a következő évek még úgy telhetnek, hogy a kutatók kísérletileg is ellenőrzik a számítógép által előre jelzett struktúrákat, de idővel teljesen áttérhetünk arra, hogy a fehérjék szerkezete kapcsán a mesterséges intelligenciák modellezésére építik a kutatók saját munkájukat. A következő áttörés pedig akkor jöhet, ha a számítógépes rendszerek már a molekulák közti interakciókkal is boldogulnak. Ez teljesen átformálhatja az orvostudomány és a mikrobiológia arcát, állítják a kutatók, hosszas kísérletek helyett lehetővé téve, hogy másodpercek alatt kiderüljön, mit csinál egy fehérje bizonyos helyzetekben.

Az AlphaFold az idei év elején a SARS-CoV-2 több fehérjéjével kapcsolatban is nagyon pontos struktúrákat vázolt fel pusztán a genetikai szekvencia alapján. Egy napon ezen fejlesztések révén lehetségessé válhat, hogy ha felbukkan egy hasonló vírus, gyakorlatilag azonnal megmondható legyen, mely hatóanyagok képesek megkötni annak kulcsfontosságú fehérjéit, anélkül, hogy ehhez kísérletezni kelljen.