Nowy model AI mapuje miejsca wiązania jonów w białkach szybciej niż AlphaFold 3

Zespół z Constructor University w Bremie opublikował model sztucznej inteligencji, który w kilka sekund wskazuje, gdzie w strukturze białka wiążą się jony metali i inne naładowane cząsteczki. Narzędzie nazwane BiteNetI radzi sobie z tym zadaniem dwu- do trzykrotnie dokładniej niż większość dotychczasowych predyktorów, a w przypadku kilku jonów przewyższa nawet AlphaFold 3 od Google DeepMind.

Jony takie jak wapń, sód czy potas nie są dla białek dodatkiem, tylko elementem konstrukcyjnym. Stabilizują ich trójwymiarowy kształt, uruchamiają reakcje chemiczne i przekazują sygnały między komórkami. Znalezienie miejsca, w którym konkretny jon łączy się z białkiem, od lat wymagało żmudnych eksperymentów laboratoryjnych albo osobnych modeli obliczeniowych dla każdego typu jonu z osobna.

Jak działa BiteNetI

BiteNetI to model głębokiego uczenia, który zamiast trenować oddzielny algorytm dla każdego jonu, uczy się rozpoznawać wzorce wiązania jednocześnie dla wszystkich 14 typów. Dzięki temu jedno zapytanie o strukturę białka wystarcza, by dostać kompletną mapę potencjalnych miejsc wiązania, zamiast odpalać kilkanaście osobnych analiz.

Autorzy podkreślają, że kluczowa jest tu nie tylko trafność, ale i szybkość. Kilka sekund na strukturę oznacza, że model można stosować do przeszukiwania całych baz danych białek, a nie tylko pojedynczych przypadków wybranych ręcznie przez badacza.

Starcie z AlphaFold 3

Porównanie z AlphaFold 3, modelem Google DeepMind uznawanym za punkt odniesienia w przewidywaniu struktur białek, wypadło niejednoznacznie. BiteNetI okazał się dokładniejszy przy wapniu, potasie, magnezie, fosforanie i siarczanie. AlphaFold 3 zachował przewagę przy węglanie i sodzie.

Każde miejsce wiązania w białku to potencjalny punkt interwencji dla leku - Petr Popov, Constructor University

Popov zaznaczył, że oba modele odpowiadają na inne pytania. AlphaFold 3 przewiduje całą strukturę białka od podstaw, podczas gdy BiteNetI jest wyspecjalizowanym narzędziem do szybkiego oznaczania miejsc wiązania jonów w strukturach już znanych lub przewidzianych przez inne modele.

Zastosowanie w projektowaniu leków

Praktyczne znaczenie tej pracy leży głównie w farmacji. Wiele leków działa właśnie poprzez blokowanie albo naśladowanie miejsc wiązania jonów w białkach, na przykład w kanałach jonowych odpowiedzialnych za pracę serca czy przewodnictwo nerwowe. Szybkie i trafne mapowanie tych miejsc pozwala projektantom leków szybciej zawężać listę kandydatów do dalszych testów laboratoryjnych.

Model może też pomóc w ocenie skutków mutacji genetycznych. Jeśli mutacja zmienia aminokwasy w pobliżu miejsca wiązania jonu, może to zaburzyć stabilność białka albo jego funkcję, co bywa przyczyną chorób. BiteNetI pozwala szybko sprawdzić taką hipotezę bez konieczności prowadzenia eksperymentu.

Otwarty dostęp do narzędzia

W przeciwieństwie do części komercyjnych narzędzi AI stosowanych w biotechnologii, BiteNetI jest dostępny publicznie jako platforma internetowa. Oznacza to, że z modelu mogą korzystać zarówno duże zespoły farmaceutyczne, jak i pojedynczy naukowcy czy studenci bez dostępu do drogiej infrastruktury obliczeniowej.

Badanie wpisuje się w szerszy trend, w którym modele AI wyspecjalizowane w wąskich, konkretnych zadaniach biologicznych zaczynają konkurować z dużymi, uniwersalnymi systemami w precyzyjnie zdefiniowanych niszach. Publikacja w Communications Biology, czasopiśmie z grupy Nature, nadaje pracy dodatkową wiarygodność w środowisku naukowym.