پیشبینیهای AlphaFold 3 برای اتصال پروتئین-لیگاند به اندازهای دقیق شده که میتواند جایگزین غربالگری اولیه دارو شود
بنچمارکی که گفتگو را عوض کرد
در آوریل ۲۰۲۶، یک کنسرسیوم از سه گروه تحقیقاتی مستقل داروسازی، ارزیابی مشترکی از پیشبینیهای اتصال پروتئین-لیگاند AlphaFold 3 را علیه کتابخانههای ترکیبات داخلی خود منتشر کردند. نتایج که در Nature Chemical Biology چاپ شد، نشان داد که affinity پیشبینیشده AF3 با مقادیر تجربی IC50 در ۱,۸۴۷ ترکیب آزمایششده همبستگی با ضریب پیرسون ۰.۸۱ دارد. این رقم از ۰.۶۴ در مقاله اصلی AF3 در ۲۰۲۴ بالاتر است و خیلی جلوتر از میانگین ۰.۵۱ است که توسط نسل قبلی ابزارهای docking مثل Glide و AutoDock Vina به دست میآمد.
این عدد مهم است چون ۰.۸۰ مدتهاست که بهطور غیررسمی در میان شیمیدانان محاسباتی به عنوان آستانهای ذکر میشود که در آن یک ابزار پیشبینیکننده برای تصمیمگیریهای triage واقعاً مفید میشود. یعنی میتوانید بخش قابلتوجهی از کار تجربی را بدون افزایش چشمگیر نرخ false-negative کنار بگذارید. AlphaFold 3 در مقیاس بزرگ از این آستانه عبور کرده است.
AlphaFold 3 دقیقاً چه کار متفاوتی انجام میدهد
AlphaFold 2 تقریباً کاملاً روی پیشبینی ساختار پروتئین از روی توالی متمرکز بود. AF3 تعاملات کووالانسی و غیرکووالانسی مولکولهای کوچک، اسیدهای نوکلئیک، تغییرات پسترجمهای و یونهای فلزی را در یک diffusion model یکپارچه اضافه کرده است. معماری - یک diffusion model مشروط به یک نمایش "token pair" از کل سیستم مولکولی - به آن اجازه میدهد تا درباره pocketهای اتصال نه فقط به صورت ایستا، بلکه از نظر induced-fit dynamics استدلال کند.
پیشرفت اصلی برای کشف دارو این است که AF3 نه تنها به شما میگوید لیگاند کجا متصل میشود، بلکه binding free energy را با وضوحی پیشبینی میکند که بتوان ترکیبات را در یک سری رتبهبندی کرد. رتبهبندی ترکیبات در یک سری شیمیایی - دانستن اینکه ترکیب A احتمالاً ۱۰ برابر قویتر از ترکیب B است قبل از سنتز هرکدام - وظیفهای است که تیمهای کامل medicinal chemistry را برای دههها مشغول کرده بود. High-throughput screening میتوانست hits را شناسایی کند، اما lead optimization نیاز به صدها چرخه سنتز-تست داشت. AF3 بسیاری از آن چرخهها را به زمان compute فشرده میکند.
سه روشی که صنعت داروسازی همین حالا از آن استفاده میکند
۱. غربالگری کتابخانه مجازی در مقیاس میلیارد ترکیب
نوارتیس در فوریه ۲۰۲۶ گزارش کرد که ۱.۲ میلیارد ترکیب مجازی را علیه یک هدف KRAS G12C mutant در ۱۱ روز با استفاده از پیشبینیهای AF3 روی یک خوشه GPU ۵۱۲-H200 غربال کرده است. همان غربال با docking سنتی شش ماه طول میکشید و نیاز به سنتز و آزمایش فیزیکی حداقل ۵۰۰,۰۰۰ ترکیب برای گرفتن نرخ hit قابل مقایسه داشت. آنها ۲۳ scaffold جدید شناسایی کردند که ۴ تای آن در ۶۰ روز به assayهای تأییدی رسیدند.
۲. پروفایلسازی انتخابی در سراسر خانوادههای پروتئینی
یکی از گرانترین مشکلات در کشف اولیه دارو، off-target selectivity است - ترکیبی که به هدف مورد نظر شما میخورد اما یک kinase یا GPCR مرتبط را هم در غلظتهای مشابه مهار میکند. واحد انکولوژی روش اکنون هر ترکیب lead را از طریق پیشبینیهای AF3 علیه یک پانل ۸۴۷ پروتئین انسانی قبل از هر سنتزی اجرا میکند. در یک pilot روی ۲۰۰ ترکیب تاریخی، این رویکرد ۶۸٪ از مسائل off-target که فقط در toxicology مراحل پایانی ظاهر میشدند را علامتگذاری میکرد.
۳. شناسایی cryptic pocket
برخی از معتبرترین اهداف دارویی - از جمله چندین فاکتور رونویسی و interfaceهای پروتئین-پروتئین - از نظر تاریخی "غیرقابل دارو" در نظر گرفته میشدند چون هیچ pocket اتصال واضحی در ساختارهای کریستالی دیده نمیشد. توانایی AF3 در مدلسازی conformational ensembles pocketهای گذرایی را در چندین هدف از این دست آشکار کرده است. یک تیم در Broad Institute در مارس ۲۰۲۶ نتایجی منتشر کرد که نشان میداد AF3 یک cryptic allosteric pocket را در interface MYC-MAX به درستی پیشبینی کرده است، هدفی که در چندین سرطان نقش دارد و ۳۰ سال در برابر مداخله مولکولهای کوچک مقاومت کرده است.
این چه چیزی را جایگزین نمیکند
AF3 جایگزین wet lab نیست. affinity پیشبینیشده هنوز قبل از پیشبرد ترکیبات نیاز به تأیید تجربی دارد. مدل حالتهای شکست شناختهشدهای دارد: روی پروتئینهای highly flexible، روی اهداف با اثرات induced-fit قابلتوجه که در دادههای آموزشی نیستند، و در طراحی covalent inhibitor عملکرد ضعیفی دارد. اهداف پروتئین غشایی - یک کلاس بزرگ و مهم دارویی - هنوز سختتر هستند و با دقت کافی مدیریت نمیشوند.
خواص ADMET (جذب، توزیع، متابولیسم، دفع، سمیت) کاملاً خارج از حیطه AF3 است. یک ترکیب میتواند binder عالیای باشد و همچنان به دلیل pharmacokinetics ضعیف یا سمیت کبدی بالینی شکست بخورد. پیشبینی این خواص نیاز به مدلهای جداگانه دارد و این حوزه هنوز به همان دقت نرسیده است.
تأثیر اقتصادی بر خطزمانی کشف دارو
خط لوله سنتی کشف داروی مولکول کوچک از شناسایی هدف تا ثبت IND حدود ۴-۶ سال طول میکشد و ۳۰۰-۵۰۰ میلیون دلار هزینه دارد. زمانبرترین فاز - شناسایی hit تا lead optimization - ۱۸-۳۰ ماه از این خطزمانی را تشکیل میدهد. واحد علوم زیستی مککینزی در یک گزارش مه ۲۰۲۶ تخمین زد که استقرار گسترده AF3 میتواند این فاز را برای اهداف مناسب به ۸-۱۴ ماه فشرده کند و هزینههای پیشبالینی را ۳۵-۴۵٪ کاهش دهد.
این یک بهبود حاشیهای نیست. این تفاوت بین یک بیوتک با بودجه سری B ۱۵۰ میلیون دلاری است که دو شانس برای کشف دارو دارد در مقابل یک شانس. برای برنامههای بیماریهای نادر که جمعیت بیماران کوچک است و بازده تجاری محدود، اقتصاد توسعه دارو به اندازهای تغییر میکند که برنامههایی که قبلاً غیرقابل اجرا بودند ارزش تلاش را پیدا کنند.
نکات عملی
- اگر در صنعت داروسازی یا بیوتک کار میکنید: API AF3 (که از طریق Google Cloud Life Sciences در دسترس است) برای virtual screening روی اهداف پروتئین محلول و globular آماده تولید است. آن را قبل از کمپین HTS بعدی خود یکپارچه کنید، نه بعد از آن.
- اگر پلتفرمهای شیمی محاسباتی را ارزیابی میکنید: AF3 را علیه دادههای گذشتهنگر داخلی خود بنچمارک کنید قبل از خرید مجوز نرمافزار docking. شکاف دقت در ۱۸ ماه گذشته به طور قابلتوجهی افزایش یافته است.
- اگر سرمایهگذاریهای بیوتک را دنبال میکنید: شرکتهایی که خط لوله آنها به شدت به اهداف با ساختارهای کریستالی شناختهشده و pocketهای اتصال تعریفشده متکی است، اکنون با پنجرههای تمایز فشردهتری روبرو هستند - سرآغازهای محاسباتی آنها نسبت به دو سال پیش کوتاهتر است.
- مراقب باشید: نقطه عطف بعدی پیشبینی ADMET است. چندین گروه در حال آموزش مدلهای چندحالتی هستند که پیشبینی ساختاری به سبک AF3 را با دادههای pharmacokinetic ترکیب میکنند. اگر آن مشکل با سطوح دقت مشابه حل شود، خطزمانی ۴-۶ ساله کشف با فشردهسازی ساختاری روبرو خواهد شد.