News & analizy
AlphaFold 3 i AI w odkrywaniu leków: możliwości i ograniczenia
Zaktualizowano: Autor: Andrzej Niemiec7 min czytania
AlphaFold 3 przewiduje struktury białek. Ale czy Google rozwiąże wszystkie choroby? Jak narzędzia AI wspierają badania i gdzie są ich granice.
Spis treści
Czym jest AlphaFold 3 i jak zmienia badania nad białkami?
AlphaFold 3 to model AI opracowany przez Google DeepMind i Isomorphic Labs, ogłoszony 8 maja 2024 r. [1] Narzędzie przewiduje struktury i interakcje białek, DNA, RNA, ligandów i przeciwciał — czyli wszystkich kluczowych molekuł w biologii [1]. To trzecia iteracja modelu, który w 2020 r. zrewolucjonizował przewidywanie struktur białek.
Nowa wersja jest znacznie bardziej zaawansowana. Podczas gdy poprzednie modele ograniczały się głównie do białek, AlphaFold 3 potrafi przewidywać interakcje między różnymi typami cząsteczek [1]. Dokładność w przewidywaniu interakcji białko-ligand wzrosła z około 20% w starszych modelach do 70% [1]. To oznacza, że naukowcy mogą szybciej testować hipotezy o tym, jak potencjalny lek będzie oddziaływać na białko docelowe.
AlphaFold 3 jest już wykorzystywany w praktyce. Naukowcy z Europejskiego Laboratorium Biologii Molekularnej (EMBL) używają go do projektowania enzymów, które mogą rozkładać plastik [1]. Firma Genentech, należąca do Roche, testuje narzędzie w badaniach nad lekami przeciwnowotworowymi [1]. Jednak ważne jest zrozumienie, co AlphaFold 3 robi i czego nie robi: przewiduje struktury, ale nie zastępuje eksperymentów laboratoryjnych ani badań klinicznych.
Jakie są ograniczenia AI w odkrywaniu leków?
AlphaFold 3 i podobne modele mają poważne ograniczenia. Po pierwsze, przewidywania są statyczne — pokazują, jak mogą wyglądać białka w danym momencie, ale białka w rzeczywistości ciągle się poruszają i zmieniają kształt [1]. Po drugie, model nie rozumie kontekstu biologicznego. Może zaproponować związek chemiczny, który teoretycznie powinien działać, ale w praktyce okazuje się toksyczny dla komórek lub nie przechodzi przez barierę krew-mózg [1].
Trzecie, przewidywania AlphaFolda wymagają walidacji. Jak mówi jeden z badaczy cytowany w Nature: "AlphaFold to świetne narzędzie, ale nie rozwiąże za nas problemów. Musimy wciąż sprawdzać jego przewidywania w laboratorium" [3]. Czwarte ograniczenie to dostęp. AlphaFold 3 wymaga ogromnych mocy obliczeniowych — dostęp do niego mają głównie duże instytucje naukowe i firmy farmaceutyczne [1].
Gemini for Science, platforma Google do automatyzacji eksperymentów, ma podobne ograniczenia. Model potrafi projektować eksperymenty, analizować dane i generować hipotezy, ale nie radzi sobie z dynamiką molekularną ani nie rozumie wszystkich aspektów biologii [5]. Google twierdzi, że Gemini może przyspieszyć badania nawet o 50%, ale to przyspieszenie dotyczy fazy generowania hipotez, a nie całego procesu odkrywania leków [1].
Jak długo trwa droga od przewidywania struktury do leku?
Proces odkrywania leku to maraton, a nie sprint. Nawet jeśli AlphaFold 3 prawidłowo przewiduje strukturę białka docelowego, kandydat na lek musi przejść przez wiele etapów. Generowanie hipotez zajmuje 1–3 miesiące, podczas gdy synteza i testy przedkliniczne trwają 2–5 lat. Badania kliniczne faza I (bezpieczeństwo) zajmują 1–2 lata, faza II (skuteczność) 2–3 lata, a faza III (potwierdzenie) 2–4 lata. Zatwierdzenie regulacyjne to kolejne 1–2 lata [1].
W sumie od momentu, gdy AI przewiduje strukturę białka, do momentu, gdy pacjent otrzyma lek, mija średnio 10–15 lat i koszt 2–3 miliardów dolarów [1]. AlphaFold 3 może skrócić fazę generowania hipotez, ale nie może pominąć badań klinicznych ani regulacyjnych.
Czy Google naprawdę może "rozwiązać wszystkie choroby"?
Wypowiedź Demisa Hassabisa z maja 2026 r. brzmi ambitnie, ale trzeba ją rozumieć w kontekście. Hassabis mówił o celu długoterminowym — "pewnego dnia rozwiązania wszystkich chorób" — a nie o tym, że Google to zrobi w ciągu kilku lat [6]. AlphaFold 3 i Gemini for Science to narzędzia badawcze, które mogą przyspieszać odkrywanie leków, ale nie są leczeniem ani zatwierdzonym produktem medycznym [1].
Historia pokazuje, że obietnice AI w medycynie często nie sprawdzają się. IBM Watson obiecywał rewolucję w onkologii już w 2013 r., ale po latach okazało się, że system nie radzi sobie z rzeczywistymi danymi pacjentów [3]. DeepMind miał swoje wpadki — projekt Streams, aplikacja do monitorowania niewydolności nerek, został skrytykowany za brak realnego wpływu na opiekę zdrowotną [3].
Dlatego warto być sceptycznym wobec deklaracji "rozwiązania wszystkich chorób". AI może wspierać naukowców, ale nie zastępuje eksperymentów, badań klinicznych ani doświadczenia lekarzy [1].
Jak polskie firmy mogą wykorzystać AlphaFold 3?
Polskie startupy biotech i instytucje naukowe mogą korzystać z AlphaFold 3, ale muszą być świadome kosztów i ograniczeń. Narzędzie jest dostępne za pośrednictwem chmury obliczeniowej Google Cloud, ale wymaga infrastruktury IT i specjalistów do interpretacji wyników [1].
Polskie uniwersytety, takie jak Uniwersytet Warszawski czy Jagielloński, mają dostęp do grantów UE na badania z wykorzystaniem AI. Współpraca między startupami a uczelniami może obniżyć koszty i ryzyko. Polskie firmy biotech testują narzędzia AI do projektowania leków, ale brak dostępu do zaawansowanych systemów ogranicza ich możliwości [7].
Jeśli polska firma chce zacząć, powinna skupić się na trzech krokach: zacznij od małych projektów z tańszymi narzędziami open-source, współpracuj z uczelniami, które mają dostęp do grantów, i buduj infrastrukturę IT — bez stabilnego internetu i chmury obliczeniowej nawet najlepsze narzędzia AI są bezużyteczne [1].
Najczęstsze pytania
Czy AlphaFold 3 może zastąpić laboratorium?
Nie. AlphaFold 3 przewiduje struktury białek, ale nie zastępuje eksperymentów laboratoryjnych. Przewidywania muszą być walidowane w laboratorium, a kandydaci na leki muszą przejść przez badania przedkliniczne i kliniczne [1].
Ile kosztuje dostęp do AlphaFold 3?
AlphaFold 3 jest dostępny za pośrednictwem Google Cloud. Koszty zależą od mocy obliczeniowych i liczby analiz, ale dla polskiego startupu biotech to wydatek rzędu kilkudziesięciu do kilkuset tysięcy złotych rocznie [1].
Czy Google rzeczywiście rozwiąże wszystkie choroby?
Nie w bliskiej przyszłości. Hassabis mówił o długoterminowym celu, a nie o konkretnym harmonogramie. AlphaFold 3 to narzędzie badawcze, które może przyspieszać odkrywanie leków, ale nie zastępuje całego procesu od hipotezy do leku [6].
Jakie choroby mogą być "rozwiązane" za pomocą AI?
AI może wspierać badania nad chorobami, dla których znane są białka docelowe — na przykład choroby genetyczne, nowotwory czy choroby zakaźne. Dla chorób wielofaktorowych, takich jak depresja czy demencja, AI jest mniej pomocne [1].
Czy polskie firmy mogą konkurować z gigantami farmaceutycznymi?
Tak, ale w niszy. Polskie startupy mogą specjalizować się w konkretnych chorobach lub technologiach, współpracować z uczelniami i korzystać z grantów UE. Jednak dostęp do zaawansowanych narzędzi AI i kapitału jest ograniczony [7].
Źródła
- Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model (Google Blog, 2024)
- AlphaFold 3 predicts the structure and interactions of all of life's molecules (Isomorphic Labs, 2024)
- Solve all diseases, you say? Google's AI health ambitions at I/O 2024 (The Verge, 2024)
- Google I/O 2024: 100 things Google announced (Google Blog, 2024)
- Google for Health - Advancing Cutting-edge AI Capabilities (Google Health, 2026)
- Google I/O 2026: All the news and announcements (The Verge, 2026)
- AI Google'a w medycynie może zastąpić lekarzy. Na razie droga do tego jest daleka (Business Insider Polska, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji