AlphaFold3 ya es de código abierto
Los académicos pueden ahora descargar el código fuente de la herramienta ganadora del premio Nobel para modelar estructuras de proteínas.
(Por Ewen Callaway*) - AlphaFold3 por fin es de código abierto. Seis meses después de que Google DeepMind ocultara de forma controvertida el código de un artículo que describía el modelo de predicción de la estructura de las proteínas, los científicos pueden finalmente descargar el código del software y utilizar la herramienta de inteligencia artificial (IA) para aplicaciones no comerciales, anunció la empresa con sede en Londres.
"Estamos muy emocionados de ver lo que la gente hace con esto", dice John Jumper, quien lidera el equipo AlphaFold en DeepMind y el mes pasado, junto con el director ejecutivo Demis Hassabis, ganó una parte del Premio Nobel de Química 2024 por su trabajo en la herramienta de IA. Esta importante actualización de AlphaFold ofrece un impulso para el descubrimiento de fármacos
AlphaFold3, a diferencia de sus predecesores, es capaz de modelar proteínas en conjunto con otras moléculas. Pero en lugar de publicar su código subyacente, como se hizo con AlphaFold2, DeepMind proporcionó acceso a través de un servidor web que restringió la cantidad y los tipos de predicciones que los científicos podían hacer.
Fundamentalmente, el servidor AlphaFold3 impidió que los científicos pudieran predecir cómo se comportan las proteínas en presencia de posibles fármacos. Pero ahora, la decisión de DeepMind de publicar el código significa que los científicos académicos pueden predecir tales interacciones ejecutando el modelo ellos mismos.
La compañía dijo inicialmente que hacer que AlphaFold3 esté disponible solo a través de un servidor web lograba el equilibrio adecuado entre permitir el acceso para la investigación y proteger las ambiciones comerciales. Isomorphic Labs, una empresa derivada de DeepMind en Londres, está aplicando AlphaFold3 al descubrimiento de fármacos.
Pero la publicación de AlphaFold3 sin su código o pesos de modelo (parámetros obtenidos al entrenar el software con estructuras de proteínas y otros datos) generó críticas de los científicos, quienes dijeron que la medida socavaba la reproducibilidad. DeepMind rápidamente cambió de postura y dijo que pondría a disposición una versión de código abierto de la herramienta dentro de medio año.
Cualquiera podrá descargar el código del software AlphaFold3 y usarlo de manera no comercial. Pero, por ahora, solo los científicos con una afiliación académica pueden acceder a las medidas de entrenamiento si lo solicitan.
Versiones accesibles
DeepMind tiene competencia: en los últimos meses, varias empresas han presentado herramientas de predicción de la estructura de proteínas de código abierto basadas en AlphaFold3, que se basan en especificaciones descritas en el artículo original, conocido como pseudocódigo.
Dos empresas chinas (el gigante tecnológico Baidu y el desarrollador de TikTok ByteDance) han lanzado sus propios modelos inspirados en AlphaFold3, al igual que una start-up de San Francisco, California, llamada Chai Discovery.
Una limitación clave de estos modelos es que, al igual que AlphaFold3, ninguno tiene licencia para aplicaciones comerciales como el descubrimiento de fármacos, dice Mohammed AlQuraishi, biólogo computacional de la Universidad de Columbia en la ciudad de Nueva York. Sin embargo, el modelo de Chai Discovery, Chai-1, se puede utilizar a través de un servidor web para ese trabajo, dice Jack Dent, cofundador de la empresa.
Otra empresa, Ligo Biosciences, con sede en San Francisco, ha lanzado una versión sin restricciones de AlphaFold3. Pero aún no tiene el conjunto completo de capacidades, incluida la capacidad de modelar fármacos y moléculas distintas de las proteínas.
Otros equipos están trabajando en versiones de AlphaFold3 que no tienen esos límites: AlQuraishi espera tener un modelo de código abierto llamado OpenFold3 disponible para finales de año. Esto permitiría a las compañías farmacéuticas volver a entrenar sus propias versiones del modelo utilizando datos patentados, como las estructuras de las proteínas unidas a diferentes fármacos, lo que podría mejorar el rendimiento.
La apertura es importante
El año pasado se produjo una avalancha de nuevos modelos de IA biológica lanzados por compañías con diferentes enfoques de apertura. Anthony Gitter, un biólogo computacional de la Universidad de Wisconsin-Madison, no tiene problemas con que las compañías con fines de lucro se unan a su campo, siempre que cumplan las mismas reglas que otros científicos cuando comparten su trabajo en revistas y servidores de preimpresión.
Si DeepMind hace afirmaciones sobre AlphaFold3 en una publicación científica, "yo y otros esperamos que también compartan información sobre cómo se hicieron las predicciones y publiquen los modelos de IA y el código de una manera que podamos inspeccionar", agrega Gitter. "Mi grupo no va a desarrollar ni utilizar las herramientas que no podemos inspeccionar".
El hecho de que ya hayan surgido varias réplicas de AlphaFold3 demuestra que el modelo era reproducible, incluso sin código abierto, dice Pushmeet Kohli, director de IA para ciencia de DeepMind. Agrega que en el futuro le gustaría ver más debates sobre las normas de publicación en un campo cada vez más
La naturaleza de código abierto de AlphaFold2 condujo a una avalancha de innovación por parte de otros científicos. Por ejemplo, los ganadores de un reciente concurso de diseño de proteínas utilizaron la herramienta de IA para diseñar nuevas proteínas capaces de unirse a un objetivo cancerígeno. El hackeo de AlphaFold2 reciente favorito de Jumper fue de un equipo que utilizó la herramienta para identificar una proteína clave que ayuda a los espermatozoides a unirse a los óvulos.
Jumper no puede esperar a que surjan tales sorpresas después de compartir AlphaFold3, incluso si no siempre dan frutos. "La gente lo usará de formas extrañas", predice. "A veces fallará y a veces tendrá éxito".
*Publicado en Nature - https://www.nature.com/
