Google DeepMind и Biohub объяснили, почему AlphaFold не закрыл задачу сворачивания белков

В 2020 году AlphaFold 2 набрал на конкурсе CASP14 медианный GDT около 92 из 100, а в 2024-м Демис Хассабис и Джон Джампер получили за него половину Нобелевской премии по химии. Сегодня руководитель научных направлений Google DeepMind Pushmeet Kohli и Sal Candido из Biohub в подкасте Latent Space говорят о другом: проблема сворачивания белков решена лишь частично. Выпуск вышел 10 октября 2026 года.

В анонсе эпизода заявлены две линии. Первая касается «горького урока» Ричарда Саттона о том, что общие методы с большими вычислениями в итоге обыгрывают ручную инженерию знаний. Вторая посвящена нерешённым загадкам фолдинга. Полной расшифровки в источнике нет, поэтому ниже мы опираемся на тезисы анонса и на публично известный контекст.

Что именно AlphaFold закрыл

AlphaFold 2 научился по аминокислотной последовательности предсказывать трёхмерную структуру белка с точностью, сопоставимой с экспериментальной. Для многих мишеней это сократило путь от последовательности до модели с месяцев работы в кристаллографии до минут. Вместе с EMBL-EBI DeepMind выложил базу AlphaFold DB, где больше 200 млн предсказанных структур. Это практически весь известный белковый универсум.

AlphaFold 3 в мае 2024 года расширил охват: белки, ДНК, РНК и малые молекулы-лиганды в одной модели. Для лигандов авторы заявляли улучшение не менее чем на 50% относительно существующих методов докинга.

Почему «решено» звучит слишком громко

Структура в базе описывает одну, обычно наиболее вероятную, конформацию. Реальный белок живёт в движении: меняет форму, взаимодействует с партнёрами, частично остаётся неупорядоченным. Классический список пробелов выглядит так:

• динамика и ансамбли конформаций вместо одного снимка;
• путь сворачивания: как цепочка приходит к форме, а не только какая форма получится;
• влияние точечных мутаций на стабильность и функцию;
• неупорядоченные участки, не имеющие единой структуры;
• крупные комплексы и взаимодействие в клеточной среде.

Предсказание конечной точки и понимание процесса остаются разными задачами. Модель может блестяще угадывать результат и при этом ничего не говорить о механизме. Для биологии и медицины это принципиальный зазор: лекарство работает в динамике живой клетки, а не на статичной картинке.

Масштабирование и его пределы в биологии

Урок Саттона в языковых моделях подтвердился: больше данных и вычислений дают более способные системы. В биологии у этого рецепта есть своё ограничение. Экспериментальных структур в Protein Data Bank порядка 200 тысяч, а текстов в интернете на несколько порядков больше. Данные о динамике и функции ещё скуднее, и каждая точка стоит лабораторных усилий. Поэтому разговор о понимании биологии неизбежно приходит к связке: масштабные модели плюс новые экспериментальные данные, собранные специально под слабые места моделей.

Контекст участников говорит сам за себя. DeepMind представляет путь от AlphaFold к ИИ-системам для науки. Biohub представляет исследовательскую организацию, где модели замыкаются на биологические эксперименты.

Ключевые факты

• AlphaFold 2, CASP14, 2020: медианный GDT около 92.
• AlphaFold DB: свыше 200 млн предсказанных структур.
• AlphaFold 3, 2024: белки, нуклеиновые кислоты и лиганды в одной модели.
• Нобелевская премия по химии 2024: Хассабис и Джампер (половина), Дэвид Бейкер.

Как это использовать

Команде в биотехе или фарме стоит относиться к предсказанию AlphaFold как к гипотезе, а не к результату. Для отбора мишеней и планирования экспериментов оно ускоряет работу, но для оценки подвижности, связывания и эффекта мутаций нужны молекулярная динамика и лабораторная проверка. Тем, кто строит собственные модели, полезно заранее решить, какие данные о динамике и функции они смогут получить, потому что одного масштаба параметров здесь недостаточно.