A gyógyszerfejlesztés egyik leglassabb része nem a „briliáns ötlet”, hanem az, hogy a biológiát kísérletekkel kell végigverekedni. Most egy nyílt eszközkészlet azt ígéri, hogy a fehérjékkel kapcsolatos találgatásból több lehet a célzott tervezés.

Mi történt

A Chan Zuckerberg Initiative (CZI) által támogatott Biohub kiadott egy új Evolutionary Scale Models (ESM) csomagot, amit „a fehérjebológia világmodelljeként” pozicionálnak. A lényeg: olyan AI-modellek és adatinfrastruktúra, amelyek képesek fehérjék szerkezetét megjósolni, fehérjék közti kölcsönhatásokat modellezni, és akár új fehérjéket is tervezni.

A kiemelt komponens az ESMFold2, amely egy fehérje-nyelvmodellen (ESMC) alapul. A „nyelvmodell” itt nem emberi szöveget ért: gondolj rá úgy, mint amikor egy modell rengeteg mondatból megtanulja, milyen szavak követik egymást — csak itt a „szavak” aminosavak, a „mondatok” pedig fehérjeszekvenciák. A rendszer állítása szerint 2,8 milliárd szekvencián tanult, és csúcsteljesítményt hoz szerkezetjóslásban, beleértve a fehérje–fehérje és antitest–antigén (immunrendszeri célpont) kapcsolatok előrejelzését is, sőt egyes feladatokban az AlphaFoldnál is jobbnak mondják.

A csomaghoz tartozik az ESM Atlas is: egy óriási térkép 6,8 milliárd fehérjeszekvenciáról és 1,1 milliárd előrejelzett szerkezetről. Ennek célja, hogy olyan evolúciós rokonságokat is felszínre hozzon, amelyek a klasszikus keresésekkel könnyen rejtve maradnak.

Miért fontos

A fehérjék a biológia „munkagépei”: gyógyszercélpontok, antitestek, enzimek, jelátviteli kapcsolók. Ha gyorsabban meg tudod mondani, hogyan néz ki egy fehérje 3D-ben és hogyan fog kapcsolódni más molekulákhoz, akkor gyorsabban tudsz hipotéziseket szűrni, és kevesebb drága, hónapokig tartó kísérletet futtatsz zsákutcába. A Biohub azt is kommunikálja, hogy a modellek már laborban is adnak kézzelfogható jeleket: öt daganatos és immunológiai célpont ellen tervezett kötőmolekuláknál 36–88%-os „találati arányt” említenek. (Ezt érdemes úgy olvasni, mint korai, kísérleti validációt: ígéretes, de nem ugyanaz, mint egy klinikai gyógyszerjelölt.)

A nyíltság külön tét: ha a modellek és az atlasz tényleg széles körben hozzáférhetők, akkor nem csak a nagy gyógyszercégek és elit laborközpontok játszótere marad a fehérjetervezés, hanem kisebb kutatócsoportok is rá tudnak építeni.

Mire figyelj

  1. Reprodukálhatóság a gyakorlatban: mennyire könnyű ugyanazokat az eredményeket más laboroknak megismételni, és milyen számítási kapacitás kell hozzá (GPU, tárhely, futtatási költség).
  2. Mit jelent az „jobb az AlphaFoldnál”: pontosan mely feladatokon, milyen mérőszámokkal, és mennyire általánosítható ez ritka, „furcsa” fehérjékre vagy új célpontokra.
  3. Tervezés vs. jóslás: a szerkezetjóslás már önmagában érték, de a valódi áttörés ott jön, ha a modell megbízhatóan tervez olyan fehérjéket, amelyek tényleg működnek a laborban — és ezt nem csak néhány célponton, hanem széles skálán.
  4. Nyílt infrastruktúra hatása: ha a Virtual Biology Initiative-hez hasonló programok tényleg skálázzák a hozzáférést, akkor a következő 1–2 évben látni fogjuk, hány új eszköz, adatbázis és terápiás irány épül rá a közösségben.