Przejdź do treści

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.

AlphaFold 3 i AI w odkrywaniu leków: możliwości i ograniczenia
Spis treści
  1. Czym jest AlphaFold 3 i jak zmienia badania nad białkami?
  2. Jakie są ograniczenia AI w odkrywaniu leków?
  3. Jak długo trwa droga od przewidywania struktury do leku?
  4. Czy Google naprawdę może "rozwiązać wszystkie choroby"?
  5. Jak polskie firmy mogą wykorzystać AlphaFold 3?
  6. Najczęstsze pytania
  7. Źródła

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

  1. Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model (Google Blog, 2024)
  2. AlphaFold 3 predicts the structure and interactions of all of life's molecules (Isomorphic Labs, 2024)
  3. Solve all diseases, you say? Google's AI health ambitions at I/O 2024 (The Verge, 2024)
  4. Google I/O 2024: 100 things Google announced (Google Blog, 2024)
  5. Google for Health - Advancing Cutting-edge AI Capabilities (Google Health, 2026)
  6. Google I/O 2026: All the news and announcements (The Verge, 2026)
  7. AI Google'a w medycynie może zastąpić lekarzy. Na razie droga do tego jest daleka (Business Insider Polska, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji