Google DeepMind og Isomorphic Labs presenterte i fjor AlphaFold 3, et meget kraftig verktøy som kombinerer den nye Pairformer‑arkitekturen med diffusjonsmodellen. Verktøyet forbedres fortløpende og kan nå forutsi samspillet mellom proteiner og DNA, RNA, ligander, ioner og modifiserte aminosyrer, alt med nøyaktighet på atomnivå. Presisjonen har forbedret seg med over 50 %, og på enkelte områder er den nesten dobbelt så høy sammenlignet med tidligere utgaver.
Innholdsfortegnelse
Hva betyr dette for medisin?
Nå kan man teste bindinger mellom legemidler og proteiner digitalt med større presisjon enn med tradisjonell metoder som Vina og Gold. AlphaFold 3 er blitt et verktøy mange farmasøytiske selskaper, som Eli Lilly og Novartis, bruker for å raskt utvikle og validere legemiddelhypoteser, før de går i laboratoriet.
Ny teknologi bak suksessen
AlphaFold 3 erstatter Evoformer fra versjon 2 med Pairformer og introduserer diffusjonsmodellen. Istedenfor sekvens‑justeringer genereres atomskyromforminger som utvikler seg til detaljerte strukturer. Denne tilnærmingen fjerner behovet for separat energiberegning og gir innebygde indikasjoner på konfidensnivå.
Praktisk bruk i dag
Utviklingssamarbeidet mellom Isomorphic Labs og farmasøytiske giganter har ført til bruk av AlphaFold 3 i legemiddeldesign. For ikke‑kommersielle akademikere finnes servertjenesten med daglig begrenset kapasitet (ca. 20 spørringer), som likevel åpner for arbeid med sykdommer som kreft, malaria og antibiotikaresistens.
Global helse på agendaen
Fri akademisk tilgang til AlphaFold 3 gir forskere i lav‑ og mellominntektsland et kraftig verktøy uten store labkostnader. Dette kan føre til en mer jevn spilletid globalt, og stimulere til innovative behandlinger mot både kreft, pandemier og antibiotikaresistente bakterier.
Viktige hensyn ved bruk av AlphaFold 3
Modellen er ekstremt presis, men det finnes områder der den fortsatt sliter. Spesielt komplekse regioner med fleksible proteiner, bindinger til nukleinsyrer eller karbohydratmodifikasjoner kan gi usikre resultater. Derfor vil eksperimentell validering fortsatt være nødvendig før kliniske beslutninger tas.
Tilgangen til AlphaFold 3 er også sterkt regulert. Selv om serveren er tilgjengelig for forskning, krever det godkjenning fra Google/DeepMind og begrenset daglig bruksvolum. Det kan skape ulikhet i hvem som får tilgang og gjøre det vanskelig for store initiativer med høy gjennomstrømming.
Samtidig kan frie forskningsresultater bli tatt i bruk komersielt. Store legemiddelselskaper kan benytte prediksjoner til å utvikle patenter, uten å finansiere den underliggende infrastrukturen, noe som reiser spørsmål om rettferdig retur til samfunnet.
Etiske og juridiske utfordringer
Når prediksjoner leder til feilbehandling, eksisterer det foreløpig lite juridisk rammeverk som tydelig definerer hvem som bærer ansvaret, modellskapere, forskere eller klinikere. Forskningsulikheter kan også forsterkes ved at kun utvalgte aktører får tilgang, og denne ulikheten risikerer å forsterke globale skjevheter i medisinsk innovasjon.
Patentlandskapet er i endring i takt med maskinlæring. Spørsmålet oppstår om innsikten fra modellbaserte prediksjoner skal beskyttes gjennom patenter eller behandles som fellesgoder for forskningen. Slike dilemmaer krever dialog mellom biologer, jurister og beslutningstakere på både nasjonalt og internasjonalt nivå.
Mine tanker
Det er spennende å se stadig nye bruksområder for KI innen medisin. Akkurat som Alibaba bruker KI for å oppdage bukspyttkjertelkreft på et tidlig stadium, kan AlphaFold bidra til å utvikle biomarkører og diagnostiske kjemikalier. Hos Tsinghua University med sine 42 KI-doktorer som simulerer ulike fremtidsscenarioer kan AlphaFold-støttet medisin bli testet i virtuell praksis, før pasienten trår inn i klinikken. I fremtiden kan presise molekylprediksjoner fra AlphaFold bidra til å designe biokompatible implantater og medikamentstoffer som brukes i selvgående operasjoner, med robotkirurgi uten menneskelig hjelp.
AlphaFold 3 representerer en teknologisk revolusjon innen biomedisin. Det unike samspillet mellom proteiner, DNA, RNA og ligander gir nye muligheter for legemiddeldesign og diagnostikk. Samtidig må vi være bevisste på begrensninger, både teknologisk og i markedstilgang, for å unngå at forskningsfremgangen blir urettferdig fordelt.
For at teknologien både skal blomstre og gavne, trenger vi tverrfaglige rammeverk som integrerer biologi, jus, etikk og politikk. Bare slike helhetlige strukturer kan sikre at kraften til denne teknologiske innovasjonen faktisk kommer hele menneskeheten til gode.
Kilder:
https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model
