Google がノーベル賞を受賞したモデル AlphaFold3 をオープンソースでリリースしました。

現在、バイオメディカルや生命科学などのさまざまな分野の科学者がモデルコードを無料でダウンロードし、モデルを実行して研究を行うことができます。

この動きは Nature 自身から直接の推薦を獲得し、Nature はそれについて記事を書いた。

タンパク質構造しか予測できなかった以前の2つのバージョンとは異なり、AlphaFold3はあらゆる生体分子の相互作用を予測できます。これは、生命科学研究全体への新たな扉を開くものであり、生命の基本的なプロセスを理解し、創薬や疾患治療を直接的に前進させることを可能にします。

かつては、このような研究には数ヶ月にわたる実験室での作業と数百万ドルの費用がかかることが多く、成功の保証もありませんでした。しかし今、科学者たちは強力なツールを無料で利用できるのです。

科学者たちも非常に興奮しており、中にはこれをどのように活用するかを心待ちにしながら手をこすり合わせている人もいる。例えば、人間の筋肉の成長過程を研究するかもしれない。

ディープマインド・アルファフォールド・チームの責任者でノーベル賞受賞者のジョン・ジャンパー氏は、「この技術を使って人々が何を実現できるかを見るのがとても楽しみだ」と語った。

わずか数時間で、GitHub の公式 Web サイトはすでに 1,500 個のスターを獲得しました。

Google は約束を守っている。6 か月前、同社はオープンソースではないとして論争に直面した。

今年 5 月に、AlphaFold3 がリリースされ、Nature に直接掲載されました。

予測範囲をタンパク質、DNA、RNA、一連のリガンド、イオン、化学修飾などのより多くの生体分子構造に拡大するだけでなく、各原子の3D座標を生成できる拡散モデルも革新的に使用します。

もう一人のノーベル賞受賞者、DeepMindの共同創業者兼CEOのハサビス氏は次のように述べています。

AlphaFold 3 は、生物学的動的システムに対する人類の理解における歴史的な第一歩です。

AlphaFold3 は、構造情報を一切入力せずに、既存の方法と比較して予測精度を 50% 向上させ、一部の相互作用カテゴリでは 2 倍の精度を実現します。

これにより、AlphaFold 3 は、実際の生体分子構造を予測するツールを上回る初の AI システムとなりました。

当時の公式声明では、世界中の科学者が AlphaFold サーバーを通じて、非営利研究 (ほとんどの機能が利用可能) に AlphaFold 3 に無料でアクセスして使用できるとされていました。

つまり、基盤となるコードを公開したAlphaFold2とは異なり、アクセスはウェブサーバー経由で提供されました。公式チームはまた、無料ツール「AlphaFold Server」もリリースしました。これにより、科学者はタンパク質、DNA、RNA、そして様々なリガンド、イオン、化学修飾からなる構造を、わずか数クリックでシミュレートできます。

無料とはいえ、実際にはかなり制限があります。1日に10件しか予測できず、薬剤と結合する可能性のあるタンパク質構造を取得することは不可能です。

必然的に、Google DeepMind自身がAlphaFold3を医薬品開発に利用しているため、オープンソース化されていないのではないかという疑念が生じます。当時、彼らの会社であるIsomorphic Labsは、自社のパイプラインを通じて、あるいは他の製薬会社と共同で、AlphaFold3を使用して医薬品を開発していました。

この慣行は再現性を損なうとして科学者らから直接批判された。

DeepMind はすぐに方針を転換し、6 か月以内にツールのオープンソース バージョンをリリースすると発表した。

6ヶ月が経ち、彼らは約束を守ったようだ。しかし、モデルの重み付けは別途申請する必要があり、フォームに記入する必要がある。そして、DeepMindが承認するかどうかを決定する。

アルファフォールド3

最後に、AlphaFold3 について簡単におさらいしましょう。

AlphaFold 2 をベースにした AlphaFold 3 では、アーキテクチャとトレーニング プロセスが大幅に改善されています。

• 遺伝子特徴エンコーダー (MSA モジュール) が大幅に簡素化され、より重要な進化情報の抽出に重点が置かれるようになりました。
• オリジナルの Evoformer に代わる Pairformer は、複雑な相互作用パターンをモデル化する機能を強化します。
• 構造ジェネレーターは、アミノ酸中心から原子座標を直接予測するように変更され、一般的な分子構造を扱う際の柔軟性が向上しました。

拡散法によって一部の非構造化領域で錯覚が生じるのを回避するために、AlphaFold-Multimer v2 によって予測された構造データを使用してトレーニング データを拡充する新しいクロス蒸留法が導入されました。

さらに驚くべきことは、AlphaFold 3が極めて限られたトレーニングデータを持つ分野においても、驚異的な汎化能力を示したことです。例えば、CASP15 RNA予測タスクでは、公開されている10個のターゲットに対する平均パフォーマンスが、専用のRNA構造予測モデルを上回りました。これは、実質的にRNAトレーニングデータが存在しない状態で達成されたことをご留意ください。

AlphaFold3 はついにオープンソースになりました。必要な場合は公式 Web サイトからダウンロードできます。

DeepMindの科学AI責任者であるPushmeet Kohli氏も、AlphaFold3の様々なレプリカが存在すると言及しており、これは注目すべき点です。これは、このモデルがオープンソースでなくても再現可能であることを示しています。

GitHubリンク: https://github.com/google-dee... 参考リンク: [1] https://www.nature.com/articl... [2] https://x.com/maxjaderberg/st...