Magánadatokkal 52,1%-ra javult az OpenFold3

Az AI-modellek példákból tanulnak: minél több, az adott feladathoz kapcsolódó adatot látnak, annál pontosabbá válhatnak. Ez ugyanúgy igaz a gyógyszermolekulák és a fehérjék kölcsönhatásának előrejelzésére, mint az arcfelismerésre vagy a gépi fordításra. A gyógyszerfejlesztés szempontjából legértékesebb példák egy része azonban a gyógyszercégek zárt adatbázisaiban található, így ezekhez egyetlen nyilvánosan hozzáférhető AI-rendszer sem fér hozzá.

Öt vállalat, az AbbVie, az Astex Pharmaceuticals, a Bristol Myers Squibb, a Johnson & Johnson és a Takeda alkotta konzorcium most azt állítja, hogy a cégek úgy tudták közösen felhasználni belső adataikat a modell tanításához, hogy egyiküknek sem kellett átadnia a saját állományait. A konzorcium tesztjén az így létrehozott modell lényegesen jobban teljesített, mint a kizárólag nyilvános adatokkal tanított kiinduló változat. Sem a modellt, sem a tesztadatokat, sem lektorált tanulmányt nem tettek azonban közzé (Nature).

Tanítás közös adatbázis nélkül

Kiindulópontként az OpenFold3 Preview 2 szolgált, egy nyílt forráskódú rendszer, amely azt jelzi előre, hogyan rendeződnek el egymáshoz képest három dimenzióban a fehérjék és a kis, gyógyszerszerű molekulák. A feladat ahhoz hasonlítható, mintha egyszerre kellene meghatározni egy zár alakját és azt, hogyan illeszkedik bele a kulcs (OpenFold3 repository).

Az öt vállalat nem egyesítette molekulaszerkezeti adatait egy közös adatbázisban. Mindegyik cég a saját rendszerében, helyben tanította a modell egy példányát, a központi koordinátorral pedig csak a tanítás során létrejött számszerű módosításokat osztotta meg, a mögöttük álló molekuláris adatokat nem. A folyamatot a berlini Apheris irányította az NVIDIA nyílt, föderált tanulási keretrendszerével, míg Mohammed AlQuraishi Columbia Universityn működő laboratóriuma a modellezési szaktudást adta. A konzorcium beszámolója szerint az öt elkülönített vállalati környezetben összesen 40 NVIDIA H100 GPU-t használtak (Apheris, Nature).

A nyers szerkezeti adatok végig a vállalati tűzfalak mögött maradtak. A konzorcium ugyanakkor nem közölt formális bizonyítékot arra, hogy a megosztott modellfrissítésekből ne lehetne visszakövetkeztetni a tanítóadatokra, holott ez a föderált tanulás egyik ismert elméleti kockázata.

Mit adtak hozzá a belső molekulaszerkezetek?

A modellt 20 167, vállalati tulajdonban lévő fehérje–gyógyszer-komplex szerkezetén tanították, majd egy ettől elkülönített, 1 056 szerkezetből álló belső adathalmazon tesztelték (Apheris). A fő mérőszám azt mutatta meg, hogy az előre jelzett gyógyszer–fehérje-elrendezés milyen gyakran közelítette meg kellően a kísérletekben megfigyelt szerkezetet. A föderált modell a tesztesetek 52,1 százalékában ért el jó minőségű eredményt, míg az eredeti OpenFold3 találati aránya 35,6 százalék, egy másik vezető nyílt modellé, a Boltz-2-é pedig 40,9 százalék volt (Apheris, Nature).

Egy kontrollként használt, kizárólag frissített nyilvános adatokkal tanított modell nem ért el hasonló javulást. A konzorcium ebből arra következtet, hogy a vállalatok belső szerkezeti adatai olyan, az előrejelzést segítő információkat tartalmaztak, amelyek a nyilvános adatbázisokból hiányoznak (Apheris).

Ennek egyik lehetséges oka az adatok eltérő összetétele. A nyilvános Protein Data Bank hatalmas, tartalma azonban azt tükrözi, hogy az egyetemi laboratóriumok mely fehérjéket választották kutatásaikhoz. A konzorcium és külső szakértők szerint a gyógyszercégek gyűjteményeiben ezzel szemben gyakoriak azok a módszeresen felépített adatsorok, amelyek egyetlen célpont és számos rokon gyógyszerjelölt párosítását rögzítik. Éppen ezek mutatják meg a tervezésnél fontos, finom kötődési eltéréseket (Nature, C&EN). A föderált modell a konzorcium szerint valamennyi, egyetlen vállalat adatain tanított változatnál jobban teljesített, ami összhangban van azzal, hogy a cégek adatainak együttes felhasználása javította az eredményt.

Amit egyelőre nem lehet függetlenül ellenőrizni

A kutatók még kéziratot sem nyújtottak be. A modell tanult számszerű beállításai, a tesztként használt szerkezetek és az egyedi előrejelzések sem hozzáférhetők külső kutatók számára. Konfidenciaintervallumokat vagy statisztikai próbák eredményeit ugyancsak nem közöltek, a tesztet pedig ugyanazok a szervezetek állították össze és értékelték, amelyek a rendszert létrehozták (Nature).

Mindez egy ismert módszertani probléma miatt is lényeges. A PoseBusters csoport kutatása kimutatta, hogy más AI-alapú szerkezeti modellek előrejelzései geometriailag közel állhatnak ugyan a referenciaszerkezethez, közben mégis fizikailag lehetetlen módon rendezhetik el az atomokat, például a valódi molekulákban elő nem forduló kötésszögeket hozhatnak létre (PoseBusters). Egyelőre nem tudni, hogy az AISB előrejelzései megfelelnének-e ezeknek az ellenőrzéseknek.

A teszt azt méri, mennyire pontosan rekonstruálja a modell a már ismert, kísérletileg megfigyelt elrendezéseket. Arra nem ad választ, hogy a módszer segít-e olyan vegyületeket találni, amelyek élő rendszerben valóban kötődnek a célpontjukhoz, és biztonságosnak bizonyulnak. A pontosan előre jelzett kötődési helyzet segítheti a vegyészt annak eldöntésében, mely vegyületeket érdemes tovább vizsgálni, de a konzorcium egyetlen későbbi gyógyszerfejlesztési eredményről sem számolt be.

A tíz vállalat részvételével működő MELLODDY projekt korábban már megmutatta, hogy a föderált tanulás javíthatja a molekuláris tulajdonságok előrejelzését egymással versengő gyógyszercégek adatain (MELLODDY). Az AISB ugyanezt az elvet terjeszti ki a háromdimenziós szerkezetek előrejelzésére. A bejelentett javulást akkor lehet majd a konzorcium saját értékelésén kívül is megítélni, ha elkészül a tanulmány, és a kutatók elegendő ellenőrizhető adatot tesznek közzé a független vizsgálathoz.