AlphaFold может предсказать форму белка. Почему это пока не новое лекарство

Сгенерированная компьютером модель белка может выглядеть поразительно полной: цветные ленты, сложные карманы и аккуратно прилегающая рядом другая молекула. Для исследователей такое предсказание способно стать ценной отправной точкой. Однако у любого читателя научных заголовков оно также может создать обманчивое впечатление, будто на самые сложные вопросы ответы уже найдены.

Спрогнозированная структура не служит доказательством эффективности лечения на людях. Она может помочь исследователям сформулировать гипотезы и расставить приоритеты, однако эти гипотезы все равно требуют проверки. Чтобы верно оценить новость о разработке лекарств с помощью ИИ, сначала определите, что на самом деле демонстрирует заявленный результат.

Структурное предсказание отвечает на конкретный вопрос

Белки — это молекулы, форма и взаимодействия которых имеют ключевое значение для биологических процессов. Структурное предсказание предлагает модель того, как могут быть расположены молекулярные компоненты. Это помогает исследователям решить, в каком направлении двигаться дальше, включая возможные взаимодействия, заслуживающие проверки.

AlphaFold 3 распространяет структурное моделирование на комплексы, включающие белки и другие молекулярные компоненты. Тем не менее в обучающих материалах EMBL-EBI подчеркивается, что выдаваемый результат представляет собой статическое структурное предсказание, а не симуляцию полноценного динамического поведения молекулы в растворе. Правдоподобную предсказанную конфигурацию нельзя воспринимать как исчерпывающее описание процессов в живой системе. EMBL-EBI об ограничениях AlphaFold 3.

Для рядового читателя разница заключается в различии между предполагаемым расположением и наблюдаемым результатом. Первое способно направить эксперимент, но не может молчаливо подменять собой второе.

Степень достоверности относится к предсказанию

Программное обеспечение для прогнозирования может выдавать показатели достоверности наряду со структурой. Эти показатели необходимо интерпретировать применительно к конкретно поставленному вопросу. Уверенность в одном участке модели не означает автоматической уверенности во взаимодействии между различными молекулярными компонентами.

EMBL-EBI поясняет, что AlphaFold 3 предлагает несколько метрик, включая локальную уверенность и показатели, используемые для оценки взаимного расположения комплексов и интерфейсов взаимодействия. Они служат для критической оценки прогноза, а не являются единой вероятностью того, что будущий препарат окажется успешным. Руководство EMBL-EBI по оценке качества прогнозов.

Будьте особенно осторожны, когда в заголовке процентное значение соседствует с громким заявлением. Задайтесь вопросом, что именно измеряет это число, как оно оценивалось и применимо ли оно к обсуждаемому результату. «Высокая уверенность» без указания объекта оценки лишает читателя самой полезной информации.

Воспринимайте новость как лестницу утверждений

Рассмотрите гипотетический анонс молекулы, созданной с помощью ИИ. Красочная структурная модель может сопровождаться одним из нескольких совершенно разных выводов:

Это схема для критического чтения, а не универсальная последовательность разработки. Исследования часто возвращаются на предыдущие этапы, а разные программы используют разные методы. Ее цель — не допустить, чтобы результат на одном уровне преподносился так, будто он подтверждает каждый последующий уровень над ним.

Эксперимент, опровергающий привлекательный прогноз, — это тоже ценный научный результат. Ценность моделирования не ограничивается созданием успешного продукта; оно помогает принимать более обоснованные решения в ходе исследований.

Разработка лекарств выходит далеко за рамки модели

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) описывает процесс, охватывающий поиск молекул-кандидатов, доклинические исследования, клинические испытания, регуляторную экспертизу и непрерывный мониторинг безопасности после выхода препаратов на рынок. Его обзор наглядно показывает, какой масштаб сбора доказательств требуется после первичной лабораторной идеи. Это регуляторная база США; требования и решения в других юрисдикциях следует уточнять у соответствующего уполномоченного органа. Обзор процесса разработки лекарств от FDA.

Когда компания заявляет, что ИИ ускорил открытие, спросите, какой именно этап ускорился. Генерация структур-кандидатов, отбор экспериментов и подтверждение клинической пользы — это совершенно разные достижения. Экономия времени на одном этапе сама по себе не означает сокращение общего времени реализации программы.

Вполне разумно проявлять интерес к более быстрому методу, сохраняя при этом неопределенность относительно его возможного клинического эффекта. Эти позиции не противоречат друг другу.

Пять вопросов, вносящих ясность в научный заголовок

Прежде чем называть новость медицинским прорывом, найдите ответы на пять вопросов:

1. Что именно предсказала модель или что она помогла сделать исследователям?
2. Какие части полученного результата были проверены вне рамок модели?
3. Какое сравнение подтверждает заявление о том, что данный подход превзошел существующие методы?
4. О каких важных факторах неопределенности открыто заявляют исследователи?
5. Относятся ли доказательства к исследовательскому инструменту, экспериментальному кандидату или уже одобренному препарату?

В качественной статье эти различия должны легко прослеживаться. Она также должна указывать на лежащее в основе научное исследование и отделять выводы ученых от ожиданий коммерческой компании.

Вклад AlphaFold становится намного понятнее, когда формулировка точна. Модель может дать ученым более удачную гипотезу для проверки. Следующий заголовок, за которым действительно стоит следить, — это то, что произошло, когда они ее проверили.