Google випустила AI-двигун для дизайну ліків IsoDDE: його назвали «AlphaFold 4», він перевершує попередню версію за продуктивністю, але більше не є відкритим кодом

Isomorphic Labs від Google, також під керівництвом генерального директора DeepMind Деміса Хассабіса, випустила IsoDDE — нове покоління AI-двигуна розробки ліків під назвою «AlphaFold 4» від Nature.

Він повністю розгромив попереднє покоління, але вирішив бути повністю закритим. Золота епоха штучного інтелекту для науки, можливо, закриває свої двері.

У 2024 році Деміс Хассабіс піднявся на подіум Нобелівської премії завдяки AlphaFold.

Ця модель ШІ, здатна передбачати тривимірну структуру білків, використовується понад 3 мільйонами дослідників у більш ніж 190 країнах і є еталоном того, як ШІ приносить користь всьому людству.

Нобелівський комітет присуджує не стільки алгоритм, скільки дух — даруючи найпотужніші наукові інструменти кожному досліднику безкоштовно.

Через шістнадцять місяців було представлено наступника AlphaFold.

10 лютого фармацевтична компанія Isomorphic Labs, заснована Хассабісом у сфері штучного інтелекту, опублікувала 27-сторінковий технічний звіт про двигун розробки ліків під назвою IsoDDE, який повністю знищив AlphaFold 3 за продуктивністю, і який був оцінений обчислювальним біологом з Колумбійського університету Мохаммедом АльКурайші як «значний прорив на рівні AlphaFold 4».

Але цього разу код не буде оприлюднений, стаття не буде опублікована, а метод не буде поширений.

Макс Ядерберг, президент Isomorphic Labs, був різким із Nature: Ми не плануємо розкривати «секретний рецепт».

Відкрита сага AlphaFold, ймовірно, завершиться у третьому поколінні.

Ця здатність справді жахливо сильна

Почнемо з того, що зробив IsoDDE, що допомагає зрозуміти, чому суперечка така велика пізніше.

Якщо використати менш сувору аналогію: якщо розглядати білок як закріплення, то молекула ліків — це ключ. AlphaFold допомагає побачити, як виглядає цей замок.

Але цього недостатньо просто побачити замок — потрібно знати, чи може ключ повертатися при вставці, чи він щільно повернутий, або чи є ще якісь замкові щілини на замку, які ви зовсім не помітили.

IsoDDE відповідає на ці більш складні питання.

Це єдиний рушій, який інтегрує такі можливості, як прогнозування структур, розрахунок міцності зв’язку та виявлення прихованих місць зв’язування.

Цифри дуже інтуїтивні.

У тесті, спеціально для перевірки, чи може ШІ працювати з «ніколи раніше» новими структурами білків (бенчмарк Runs N’ Pose), IsoDDE мав більш ніж удвічі вищий рівень успішності, ніж AlphaFold 3 (AF3), коли схожість між тестовим зразком і навчальними даними становила від 0 до 20% (що є найскладнішим випадком).

З 60 найскладніших випадків 17 були повними відмовами AlphaFold 3, і IsoDDE впорався правильно.

AlphaFold 3 не працює в цьому прикладі з IsoDDE

Що стосується прогнозування того, як антитіла розпізнають мішені, високоточне прогнозування IsoDDE у 2,3 рази вище, ніж у AlphaFold 3, і майже у 20 разів більше, ніж у Boltz-2, ще однієї основної відкритої моделі.

Найдивнішим для колег є прогнозування спорідненості до зв’язування, тобто визначення того, наскільки міцно молекула ліків і мішень зв’язані.

Це завдання традиційно базувалося на фізичному методі моделювання, який називається FEP, який є надзвичайно обчислювально затратним і вимагає від лабораторії надання кристалічних структур як відправної точки.

IsoDDE не лише перевершив усі методи ШІ загалом, навіть FEP, у численних публічних тестах, і не вимагав жодних експериментальних даних з самого початку.

У технічному звіті також є особливо гарний випадок.

Існує білок під назвою цереблон, і вчені протягом 15 років думали, що він має лише один сайт зв’язування ліків. Лише на початку цього року нова стаття експериментально виявила другу приховану сторінку палітурки.

І IsoDDE щойно увійшов у амінокислотну послідовність цього білка і знайшов обидва місця — включно з тим, що був прихований протягом 15 років.

Лабораторії роблять те саме з дорогими експериментами з зануренням у кристали та з великою кількістю часу. IsoDDE займає лише кілька секунд.

АльКурайші сказав, що найбільше його вразила здатність IsoDDE узагальнювати абсолютно незнайомі молекулярні системи, «що свідчить про те, що вони, мабуть, зробили щось дуже нове».

Закрите джерело: Справді тривожна частина історії

Якщо IsoDDE — це звичайне бізнес-програмне забезпечення, то закритий код — це природно, і тут особливо нічого сказати.

Проблема в тому, що його попередник, AlphaFold, має зовсім інше значення.

AlphaFold 2 була відкрита у 2021 році, супровідна стаття була опублікована в Nature, а результати прогнозів є безкоштовними та відкритими для світу.

Це виходить далеко за межі самої технології — це доводить можливість того, що передові дослідження ШІ, фінансовані технологічними гігантами, справді можуть стати суспільним благом для всього людства.

Понад 3 мільйони вчених використали його для власних досліджень, численні проєкти прискорилися, і цілі ріки біології змінили свій курс разом із нею.

AlphaFold 3 2024 року також опублікувала статті, і хоча швидкість відкритого коду викликала суперечки, вона нарешті відкрита для академічної спільноти.

IsoDDE порушує цю традицію.

27-сторінковий технічний звіт майже не містить деталей про архітектуру моделі та методологію навчання.

Підзаголовок звіту Nature простий: вчені «можуть лише припускати, як можна досягти подібних результатів».

Слова Ядерберга до Nature викликають цікавість. Він сказав, що сподівається, що звіт «надихне» інші команди.

Але відповідь Аль-Курайші, можливо, більше відображає справжні почуття академічної спільноти: «Проблема в тому, що ми не знаємо деталей.»

Дехто вважає, що для Isomorphic Labs як комерційної компанії має сенс захищати свою основну технологію. Звісно, це правда.

Але варто запитати: коли ШІ в науковій сфері стане сильнішим і більш концентрованим у руках кількох компаній, хто вирішуватиме, наскільки відкритими будуть ці можливості?

Isomorphic Labs отримала фінансування у розмірі 600 мільйонів доларів і підписала потенційну партнерську угоду на суму 3 мільярди доларів з Eli Lilly та Novartis, з 17 лінізаційними трубопроводами, що працюють самостійно.

Хассабіс заявив у Давосі в січні цього року, що очікується, що перші препарати, розроблені на основі ШІ, почнуть клінічні випробування до кінця 2026 року.

Компанія перетворюється з науково-дослідного інституту на комерційну машину.

Дієго дель Аламо, обчислювальний структурний біолог з Takeda Pharmaceutical, звертає увагу на ще одну тонкість: Isomorphic Labs раніше доклала багато зусиль у співпраці з фармацевтичними компаніями і, можливо, отримала значну кількість приватних експериментальних даних.

Наскільки ці додаткові дані впливають на продуктивність IsoDDE, невідомо.

Якщо основна перевага полягає у бар’єрах даних, а не в інноваціях алгоритмів, то так званий «стимул» більше схожий на жест.

Відкритий табір не здається

Закриті джерела викликають тривогу, але вони також розпалюють конкуренцію.

Габріеле Корсо, співрозробник Boltz-2 і засновник некомерційної компанії Boltz, чітко заявляє: він не вважає приватні дані ключовим фактором, адже публічні дані ще мають великий простір для покращення.

IsoDDE встановлює новий базовий рівень продуктивності, який «потрібно наздогнати і бути повністю перевершеним».

Інша компанія, Deep Origin, була більш відомою, безпосередньо опублікувавши заяву наступного дня після релізу IsoDDE, що її движок DODock вже досяг порівнянного рівня продуктивності на тому ж бенчмарку у серпні 2025 року — використовуючи зовсім інший технічний підхід.

Спільнота відкритого коду не була без діла вже два роки. Після виходу AlphaFold 3 кілька команд створили відкриті моделі, які наближаються або навіть частково перевершують його, зокрема Boltz-1/2, Chai-1, Protenix та інші.

Фармацевтична сфера штучного інтелекту повторює сценарій у сфері великих мовних моделей: одна компанія демонструє вражаючі результати закритого коду, і вся спільнота відкритого коду швидко наслідує цей приклад, скорочуючи розрив від поколіннєвих до наздоганяючих.

Але ось ключова різниця.

Навчальні дані мовних моделей: інтернет-текст, є майже необмеженим публічним ресурсом.

Значна частина навчальних даних фармацевтичних засобів на базі ШІ, особливо високоякісних експериментальних даних білкових препаратів, знаходиться у руках фармацевтичних компаній.

Якщо обмеження моделі закритого коду базується на приватних даних, відкритому коду набагато складніше наздогнати їх.

Зачинені двері

Наслідки цього можуть виходити за межі самої сфери відкриття ліків.

За останні кілька років ідея «відкритий код ШІ рухає науковий прогрес» стала широко прийнятим наративом. AlphaFold — найсильніший доказ цієї історії.

Коли хтось запитує, кому користуються дослідження ШІ технологічних гігантів, AlphaFold — найкраща відповідь — дивіться, 3 мільйони вчених у всьому світі користуються ним безкоштовно.

Тепер, коли прямі нащадки AlphaFold вирішують закрити джерело, ця історія розірвана на частини.

Він натякає на можливий майбутній напрямок:

ШІ, найпотужніший інструмент у галузі фундаментальної науки, поступово перетворився з суспільного блага на комерційний актив;

Проривні результати публікуються у вигляді технічних звітів, а не рецензованих наукових статей;

Академія бачить результати, але ніколи методи.

Хассабіс колись сказав, що ШІ в науці — це багатша справа, ніж мовні моделі. Саме так. Але передумова достатку — це відкритість.

Коли найсильніший науковий ШІ відкритий лише для платних клієнтів, переважна більшість людей у науковій спільноті можуть спостерігати лише ззовні.

Нобелівська медаль AlphaFold має ідеал дарування знань усім. Технічний звіт IsoDDE свідчить про сильніше майбутнє.

Відстань між ними — це вибір, який приймається в цю епоху.