Штучний інтелект від Apple пришвидшив моделювання структури білків

Нещодавно представлена модель штучного інтелекту SimpleFold для передбачення 3D-структур білків показала точність, порівняну з найсильнішими інструментами, водночас потребуючи менше обчислювальних ресурсів. Це стало можливим завдяки використанню принципово іншої архітектури нейронної мережі, яка не покладається на вже відомі структури білків. Препринт з описом моделі та результатів опублікувала команда Apple на сайті препринтів arXiv.

Передбачена структура фрагмента ферменту РуБісКО, який є ключовим для фотосинтезу. Wang et al., 2025

Чим особлива ця нова модель?

Передбачення можливих білкових структур є одним із наріжних каменів біології, і в останні роки нейромережі різко пришвидшили прогрес у цій сфері. Водночас поширені підходи до автоматизованого прогнозування структури часто потребують значних обчислювальних ресурсів і часу для якісної роботи. Після появи AlphaFold2 фактичним стандартом стали спеціальні геометричні шари та інші обчислювальні компоненти, що закладають аналітичні розрахунки прямо в архітектуру моделі.

SimpleFold натомість відмовляється від цього підходу на користь звичайного трансформера без спеціалізованих блоків, спорідненого з системами, що перетворюють текст на зображення чи 3D-об’єкти. Замість пошуку еволюційних підказок у сотнях подібних за послідовністю білків модель напряму перетворює амінокислотну послідовність у 3D-координати всіх атомів. Для цього застосовано метод узгодження потоку (від англ. «flow-matching»): мережа вчиться плавно перетворювати шум у правдоподібну структуру в просторі білкової геометрії. Така спрощена архітектура не лише полегшує розробку, а й прискорює саму роботу моделі та зменшує обчислювальні витрати.

Як штучний інтелект допомагає у біологічних дослідженнях

🤖 До цього першість у сфері передбачення структури білків тримав уже згаданий AlphaFold, за кілька днів виконавши роботу, для якої досі потрібні були роки.

🧬 А його наступник AlphaFold 3 навчився передбачати взаємодію білків з ДНК і РНК, а також іншими білками.

💊 Також машинне навчання використали, аби знайти потенційні ліки проти туберкульозу в базі даних уже відомих фармацевтичних сполук.