Oparta na sztucznej inteligencji rewolucja uhonorowana Nagrodą Nobla z chemii

• Strona główna
• Artykuły
• Oparta na sztucznej inteligencji rewolucja uhonorowana Nagrodą Nobla z chemii

2026-09-09  / Autor: Karolina Lipiec

Centralnym elementem tej nagrody jest AlphaFold – sztuczna inteligencja opracowana przez zespół DeepMind, która rozwiązała 50-letni problem składania białek, umożliwiając przewidywanie ich trójwymiarowych struktur na podstawie sekwencji aminokwasów. To odkrycie nie tylko rewolucjonizuje biologię strukturalną, ale także otwiera nowe perspektywy w medycynie, farmacji i ochronie środowiska.

Białka są fundamentalnymi budulcami życia. Składają się z łańcuchów aminokwasów – zazwyczaj z 20 różnych rodzajów – które zwijają się w skomplikowane struktury trójwymiarowe. Te struktury decydują o funkcji białek: od katalizowania reakcji chemicznych, przez transport substancji, po obronę immunologiczną. Zrozumienie, jak łańcuch aminokwasów przyjmuje ostateczną formę, było jednym z największych wyzwań biologii od lat 70. XX wieku. Tradycyjne metody eksperymentalne, takie jak krystalografia rentgenowska czy mikroskopia krioelektronowa, są kosztowne i czasochłonne - mogą trwać lata i kosztować miliony dolarów. AlphaFold zmienił to diametralnie, umożliwiając przewidywania w ciągu minut.

Historia problemu składania białek

Problem składania białek (protein folding problem) został sformułowany w latach 60. XX wieku, gdy naukowcy zdali sobie sprawę, że struktura białka determinuje jego funkcję. Laureat Nagrody Nobla w chemii z 1972 roku, Christian Anfinsen, wykazał, że informacja o ostatecznej strukturze białka jest zakodowana w jego sekwencji aminokwasowej. Jednak przewidywanie tej struktury na podstawie sekwencji było niezwykle trudne ze względu na ogromną liczbę możliwych konfiguracji - dla białka o 100 aminokwasach jest to liczba rzędu 10^300, co przewyższa liczbę atomów we wszechświecie.

W 1994 roku zainicjowano konkurs CASP (Critical Assessment of Structure Prediction), odbywający się co dwa lata, by testować metody przewidywania struktur białek. Uczestnicy otrzymują sekwencje aminokwasów białek o nieznanych strukturach i muszą przewidzieć ich kształty. Przez lata postępy były powolne, z dokładnością poniżej 50% dla trudnych celów. Sytuacja zmieniła się wraz z rozwojem uczenia maszynowego i sztucznej inteligencji.

Powstanie AlphaFold: Od AlphaGo do biologii

AlphaFold wywodzi się z laboratorium DeepMind, założonego w 2010 roku przez Demisa Hassabisa, Mustafę Suleymana i Shane'a Legga. DeepMind zyskał sławę w 2016 roku, gdy ich system AlphaGo pokonał mistrza świata w go, Lee Sedola, demonstrując potencjał AI w rozwiązywaniu złożonych problemów. Hassabis, z wykształcenia neurobiolog i informatyk (doktorat z University College London w 2009 roku), dostrzegł analogię między grami a nauką - obie wymagają przewidywania sekwencji ruchów lub struktur.

W 2016 roku DeepMind (przejęty przez Google w 2014 roku) skierował uwagę na biologię. Zespół pod kierownictwem Johna Jumpera (doktorat z University of Chicago w 2017 roku) rozpoczął prace nad AlphaFold. Pierwsza wersja, AlphaFold 1, zadebiutowała w CASP13 w 2018 roku. Zastosowała sieci neuronowe do przewidywania map kontaktów i odległości między resztami aminokwasowymi, osiągając medianę GDT (Global Distance Test) 68,5 - najwyższą w konkursie, szczególnie dla trudnych celów bez szablonów strukturalnych. Była to pierwsza próba DeepMind, co zaskoczyło społeczność naukową.

AlphaFold 2, zaprezentowany w CASP14 w 2020 roku, był przełomem. Osiągnął medianę GDT 92,4, co oznacza dokładność na poziomie atomowym (RMS deviation median 2,1 Å). Dla dwóch trzecich białek dokładność przekraczała 90 GDT, co jest porównywalne z metodami eksperymentalnymi. CASP ogłosił, że problem składania białek został rozwiązany. Metoda została opublikowana w "Nature" w lipcu 2021 roku, a kod źródłowy udostępniony na GitHub.

W październiku 2021 roku dodano AlphaFold-Multimer do przewidywania kompleksów białkowych, z sukcesem 70% w interakcjach. W 2022 roku DeepMind nie brał udziału w CASP15, ale większość uczestników korzystała z narzędzi AlphaFold.

Najnowsza wersja, AlphaFold 3, ogłoszona 8 maja 2024 roku przez Google DeepMind i Isomorphic Labs (założone przez Hassabisa), rozszerza możliwości na interakcje białek z DNA, RNA, ligandami i jonami. Używa Pairformer (inspirowanego transformerami) i modelu dyfuzyjnego, zaczynając od chmury atomów. Poprawia dokładność o ponad 50% w benchmarkach jak PoseBusters, bez potrzeby podawania struktur wejściowych. AlphaFold Server umożliwia niekomercyjne przewidywania online.

Jak działa AlphaFold: Techniczne podstawy

AlphaFold opiera się na głębokim uczeniu maszynowym. Trenowany na ponad 170 000 strukturach z Protein Data Bank, wykorzystuje sieci neuronowe i GPU (100-200 na trening).

W AlphaFold 1 stosowano moduły do przewidywania potencjałów przewodnich, łączone z energią fizyczną. AlphaFold 2 jest modelem end-to-end: Evoformer (oparty na transformerach) przetwarza wielokrotne wyrównania sekwencji (z bazy Big Fantastic Database, zawierającej 65 milionów rodzin sekwencji, w tym metagenomowych), iteracyjnie rafinując relacje reszt. Końcowa struktura jest minimalizowana energią pola sił AMBER.

AlphaFold 3 używa modelu dyfuzyjnego, przewidując wspólne struktury kompleksów biomolekularnych. Nie rozwiązuje mechanizmów składania, ale dostarcza struktur z wysoką pewnością.

Baza danych AlphaFold: otwartość i dostępność

W lipcu 2021 roku DeepMind we współpracy z EMBL-EBI uruchomił AlphaFold Protein Structure Database, początkowo z 365 000 struktur (proteom ludzki i 20 organizmów modelowych). W lipcu 2022 rozszerzono do ponad 200 milionów struktur – niemal wszystkich znanych białek z UniProt. Baza jest darmowa, dostępna dla ponad 3 milionów użytkowników z 190 krajów.

Otwartość jest kluczowa: kod AlphaFold 2 i Multimer na GitHub, wspiera przewidywania multimerów. To przyspieszyło badania, oszczędzając setki milionów lat pracy badawczej.

Wpływ AlphaFold na biologię i medycynę

AlphaFold transformuje nauki przyrodnicze. W biologii strukturalnej umożliwia szybkie modelowanie struktur, co wspiera zrozumienie funkcji białek i ewolucji. W medycynie przyspiesza odkrywanie leków: przewiduje miejsca wiążące, wspiera projektowanie terapii na choroby jak COVID-19, malaria czy oporność na antybiotyki. Ponad 30% cytujących publikacji dotyczy chorób.

W farmacji wspiera walidację celów terapeutycznych, rozwiązywanie struktur cryo-EM i przewidywanie interakcji lek-białko. AlphaFold 3 rewolucjonizuje projektowanie leków, przewidując interakcje z ligandami z 50% wyższą dokładnością.

W badaniach wirusowych przyspiesza rozwój szczepionek i terapii. Do listopada 2025 roku AlphaFold zacytowano ponad 43 tys. razy (AlphaFold 2) i 9 tys. razy (AlphaFold 3).

Znaczenie AlphaFold dla rozwoju przemysłu chemicznego

Jednym z najważniejszych aspektów wpływu AlphaFold na przemysł chemiczny jest jego rola w farmaceutyce, gdzie struktury białek są kluczowe dla projektowania leków opartych na strukturze (Structure-Based Drug Design, SBDD). Tradycyjnie, brak dokładnych struktur ograniczał liczbę celów terapeutycznych do około 3500 unikalnych białek ludzkich w bazie Therapeutic Target Database, podczas gdy ludzki proteom liczy około 50 000 unikalnych białek. AlphaFold rozszerza ten zakres, dostarczając modeli o wysokiej dokładności, co umożliwia identyfikację nowych kieszeni wiążących i projektowanie małych molekuł (ligandów) jako potencjalnych leków.

AlphaFold 3, najnowsza wersja, idzie dalej, przewidując interakcje białek nie tylko z innymi białkami, ale także z DNA, RNA, jonami, modyfikacjami chemicznymi i małymi molekułami, w tym ligandami o charakterze lekowym. Poprawia dokładność o co najmniej 50% w porównaniu do wcześniejszych metod, co jest kluczowe dla zrozumienia wiązań ligand-białko czy antygen-przeciwciało. W praktyce, to przyspiesza walidację celów biologicznych, wspiera rozwiązywanie struktur za pomocą cryo-EM i umożliwia przewidywanie interakcji lek-białko w wczesnych etapach odkrywania leków. Badania ankietowe wśród 240 naukowców z sektora farmaceutycznego wskazują, że około jedna trzecia respondentów używa modeli AlphaFold w projektach odkrywania leków, głównie do określania funkcji nieznanych białek i wspierania SBDD.

Przykłady zastosowań obejmują rozwój terapii na choroby takie jak rak, gdzie AlphaFold pomaga modulować interakcje białko-białko, czy personalizowaną medycynę, analizując mutacje genetyczne wpływające na struktury białek. W czasie pandemii COVID-19, AlphaFold przewidział struktury białek wirusowych, ułatwiając projektowanie szczepionek i leków przeciwwirusowych. Integracja z innymi metodami ML, takimi jak DragonFold (przewidujący kompleksy białko-ligand) czy ProteinMPNN (optymalizujący sekwencje białek), dodatkowo wzmacnia efektywność, umożliwiając wysokoprzepustowe screeningi i optymalizację leadów. Szacuje się, że to skraca czas od identyfikacji celu do odkrycia hitu, obniżając koszty rozwoju leków, które tradycyjnie wynoszą miliardy dolarów.

AlphaFold ma również znaczenie dla zrównoważonego rozwoju w przemyśle chemicznym, szczególnie w zielonej chemii i inżynierii enzymatycznej. Białka, jako naturalne katalizatory, mogą być projektowane do efektywniejszych procesów chemicznych, redukując zużycie energii i emisje. AlphaFold umożliwia szybkie przewidywanie struktur enzymów, co ułatwia ich modyfikację do rozkładu zanieczyszczeń, takich jak plastiki (np. PET - polietylen tereftalan). Przykładowo, projektowane enzymy mogą rozkładać odpady plastikowe na materiały wielokrotnego użytku, wspierając gospodarkę obiegu zamkniętego i zmniejszając zanieczyszczenie oceanów oraz składowisk.

W bioremediacji, AlphaFold pomaga tworzyć białka wiążące dwutlenek węgla lub neutralizujące toksyny, co wspiera wysiłki na rzecz łagodzenia zmian klimatycznych. W produkcji biopaliw, narzędzie optymalizuje enzymy rozkładające odpady roślinne na bioetanol lub zwiększające wydajność lipidów w algach, redukując zależność od paliw kopalnych. W rolnictwie, AlphaFold wspiera projektowanie białek odpornych na patogeny lub poprawiających absorpcję składników odżywczych z gleby, co prowadzi do bardziej zrównoważonych upraw i mniejszego użycia pestycydów.

Ponadto, w sektorze materiałów, AlphaFold ułatwia rozwój biopolimerów - trwałych i biodegradowalnych materiałów do opakowań czy tekstyliów - oraz samozorganizujących się biomateriałów o nowych właściwościach. To wpisuje się w cele zielonej chemii, promując procesy o niższym wpływie środowiskowym.

ARTYKUŁ DOSTĘPNY w "CHEMIA i BIZNES" 1/2026

"Chemia i Biznes” to dwumiesięcznik biznesowo-gospodarczy, stworzony z myślą o firmach poszukujących rzetelnej, aktualnej i profesjonalnie przygotowanej informacji na temat rynku chemicznego i sektorów powiązanych.

AIprzemysł chemicznyfarmacjabiotechnologiabadania i rozwójNagroda Noblatechnologiainnowacyjność