AlphaFold 1 ist ein Deep-Learning-System, das von DeepMind entwickelt wurde und 2018 den 13. Critical Assessment of protein Structure Prediction (CASP13)-Wettbewerb gewann. Das System zeigte, dass künstliche Intelligenz Proteinstrukturen in drei Dimensionen aus ihren Aminosäuresequenzen mit beispielloser Genauigkeit vorhersagen konnte, was einen bedeutenden Meilenstein in der Computerbiologie darstellte. Sein Erfolg bei CASP13 legte das Fundament für das fortschrittlichere AlphaFold 2, das später im Jahr 2020 eine nahezu experimentelle Genauigkeit erreichen sollte.
Die Vorhersage von Proteinstrukturen ist ein grundlegendes Problem in der Biologie, da die Funktion eines Proteins weitgehend durch seine dreidimensionale Form bestimmt wird. Vor AlphaFold hatten computergestützte Methoden Schwierigkeiten, Strukturen genau vorherzusagen, und stützten sich oft auf template-basierte Modellierung, die bekannte homologe Strukturen erforderte. Der Ansatz von AlphaFold 1 kombinierte maschinelles Lernen mit evolutionären Informationen und nutzte multiple Sequenzalignments sowie co-evolutionäre Signale, um räumliche Einschränkungen zwischen Aminosäuren abzuleiten.
Architektur und Methoden
Die Architektur von AlphaFold 1 basierte auf einem neuralen Netzwerk, das Eingabemerkmale verarbeitete, die aus multiplen Sequenzalignments abgeleitet wurden. Das System verwendete eine Kombination aus Faltungs- und Residualnetzwerk-Komponenten, ähnlich denen in Residualnetzwerken, um paarweise Abstände zwischen Aminosäureresten vorherzusagen. Diese Abstandsvorhersagen wurden dann verwendet, um eine potenzielle Energielandschaft zu konstruieren, die mittels Gradientenabstieg minimiert wurde, um eine endgültige dreidimensionale Struktur zu erzeugen.
Das System integrierte einen neuartigen Ansatz zur Verarbeitung evolutionärer Informationen. Durch die Analyse co-evolutionärer Muster in homologen Proteinsequenzen konnte AlphaFold 1 Reste identifizieren, die wahrscheinlich in engem Kontakt in der gefalteten Struktur standen. Diese Informationen wurden als zusätzliche Eingabemerkmale in das neuronale Netzwerk eingespeist, was die Vorhersagegenauigkeit erheblich verbesserte. Der Trainingsprozess verwendete einen großen Datensatz bekannter Proteinstrukturen aus der Protein Data Bank, mit Datenanreicherungstechniken zur Verbesserung der Generalisierung.
CASP13-Leistung
Bei CASP13, das 2018 stattfand, erreichte AlphaFold 1 einen medianen Global Distance Test (GDT)-Score von etwa 68 von 100 für die schwierigsten Ziele, eine signifikante Verbesserung gegenüber den bisherigen besten Methoden, die typischerweise unter 60 lagen. Für die anspruchsvollsten Free-Modeling-Ziele übertraf AlphaFold 1 alle anderen teilnehmenden Gruppen mit deutlichem Abstand. Der Wettbewerb umfasste 98 Gruppen aus der ganzen Welt, wobei AlphaFold 1 insgesamt den ersten Platz belegte.
Eine bemerkenswerte Leistung war die Performance von AlphaFold 1 bei Zielen ohne bekannte homologe Strukturen, bei denen traditionelle template-basierte Methoden versagten. Das System zeigte, dass Deep Learning strukturelle Informationen direkt aus Sequenzdaten extrahieren konnte, selbst ohne evolutionäre Templates. Dieser Erfolg war besonders auffällig bei Membranproteinen und anderen schwierigen Zielen, die früheren computergestützten Ansätzen widerstanden hatten.
Auswirkungen und Rezeption
Die wissenschaftliche Gemeinschaft nahm die Ergebnisse von AlphaFold 1 mit erheblicher Aufmerksamkeit auf. Die Organisatoren von CASP13 stellten fest, dass die Leistung des Systems einen großen Fortschritt auf diesem Gebiet darstellte, warnten jedoch auch, dass die Vorhersagen noch nicht experimentelle Genauigkeit erreichten. Der Erfolg inspirierte andere Forschungsgruppen, ähnliche Deep-Learning-Ansätze zu übernehmen, was zu einer raschen Beschleunigung des Fortschritts bei der Proteinstrukturvorhersage führte.
Nach CASP13 entwickelte DeepMind das System weiter und integrierte neue Ideen wie Aufmerksamkeitsmechanismen und ausgefeiltere Trainingsstrategien. Die aus AlphaFold 1 gewonnenen Erkenntnisse beeinflussten direkt das Design von AlphaFold 2, das später CASP14 im Jahr 2020 mit nahezu experimenteller Genauigkeit gewinnen sollte. Das Ergebnis von 2018 trug auch dazu bei, DeepMinds Ruf als führend in der Anwendung von Deep Learning auf wissenschaftliche Probleme zu festigen, nach früheren Erfolgen bei Spielen wie Go und Schach.
Vermächtnis
Der Erfolg von AlphaFold 1 bei CASP13 zeigte, dass Deep Learning komplexe wissenschaftliche Probleme lösen konnte, die jahrzehntelang traditionellen computergestützten Methoden widerstanden hatten. Der Ansatz des Systems, evolutionäre Informationen mit neuronalen Netzwerken zu kombinieren, wurde zu einer Standardtechnik auf diesem Gebiet und beeinflusste viele nachfolgende Werkzeuge zur Proteinstrukturvorhersage. Die Open-Source-Veröffentlichung des Codes von AlphaFold 1 im Jahr 2019 ermöglichte es anderen Forschern, auf seinen Methoden aufzubauen, was die Innovation in diesem Bereich beschleunigte.
Die Leistung von 2018 hatte auch breitere Implikationen für die Anwendung von künstlicher Intelligenz in der Biologie. Sie zeigte, dass KI-Systeme lernen konnten, Vorhersagen über physikalische Systeme aus großen Datensätzen zu treffen, ohne explizite Programmierung physikalischer Gesetze. Dieses Prinzip wurde seitdem auf andere Probleme in der Molekularbiologie angewendet, einschließlich Proteindesign und Arzneimittelentdeckung. AlphaFold 1 bleibt ein wegweisendes Beispiel dafür, wie maschinelles Lernen die wissenschaftliche Forschung transformieren kann.