Súkromné dáta zlepšili predikcie OpenFold3

Modely umelej inteligencie sa učia z príkladov a ich výkon rastie s množstvom relevantných dát. Platí to pri rozpoznávaní tvárí či preklade textu, ale aj pri predpovedaní toho, ako sa molekuly liečiv viažu na bielkoviny. Práve tie najcennejšie príklady pre vývoj liekov však často zostávajú v databázach farmaceutických spoločností, ku ktorým nemajú verejne dostupné systémy umelej inteligencie prístup.

Konzorcium piatich spoločností — AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson a Takeda — tvrdí, že našlo spôsob, ako model spoločne trénovať na súkromných dátach bez toho, aby si firmy navzájom sprístupnili svoje súbory. V teste, ktorý si konzorcium vytvorilo, dosiahol výsledný model podstatne lepší výkon než jeho pôvodná verzia trénovaná na verejných dátach. Samotný model, testovacie dáta ani vedecká práca posúdená nezávislými odborníkmi však zatiaľ zverejnené neboli (Nature).

Ako učiť model bez spoločnej databázy

Základom bol OpenFold3 Preview 2, otvorený systém, ktorý predpovedá, ako sa bielkoviny a malé molekuly podobné liečivám spoločne usporiadajú v trojrozmernom priestore. Zjednodušene povedané, model odhaduje tvar zámku aj spôsob, akým doň zapadne kľúč (OpenFold3 repository).

Namiesto zlúčenia štruktúr všetkých piatich spoločností do jednej databázy trénovala každá firma kópiu modelu lokálne na vlastných dátach. Centrálnemu koordinátorovi potom odovzdala iba číselné úpravy, ktoré sa model počas tréningu naučil, nie pôvodné záznamy o molekulách. Koordináciu zabezpečovala berlínska spoločnosť Apheris pomocou otvoreného rámca NVIDIA pre federatívne učenie; odborné znalosti o modeli poskytlo laboratórium Mohammeda AlQuraishiho na Columbia University. Podľa konzorcia sa na tréningu v piatich oddelených firemných prostrediach podieľalo 40 grafických procesorov NVIDIA H100 (Apheris, Nature).

Pôvodné štruktúry tak zostali za firemnými bezpečnostnými systémami. Konzorcium však nezverejnilo formálny dôkaz, že zo zdieľaných úprav modelu nemožno spätne získať informácie o tréningových dátach. Pri federatívnom učení ide o známe teoretické riziko.

Čo priniesli súkromné štruktúry

Na trénovanie použilo konzorcium 20 167 neveřejných štruktúr komplexov bielkovín a liečiv a model otestovalo na samostatnom súkromnom súbore 1 056 štruktúr (Apheris). Hlavný ukazovateľ meral, ako často sa predpovedané usporiadanie liečiva a bielkoviny veľmi podobalo experimentálne pozorovanému usporiadaniu. Federatívny model dosiahol výsledok vysokej kvality v 52,1 % prípadov. Pôvodný OpenFold3 uspel v 35,6 % a ďalší popredný otvorený model Boltz-2 v 40,9 % prípadov (Apheris, Nature).

Kontrolný model, ktorý dostal iba aktualizované verejné dáta, takéto zlepšenie nedosiahol. Konzorcium to považuje za dôkaz, že súkromné štruktúry obsahovali informácie využiteľné na predpovedanie, ktoré vo verejne dostupných záznamoch chýbajú (Apheris).

Dôvodom môže byť odlišné zloženie dát. Verejná Protein Data Bank je rozsiahla, no odráža najmä výber bielkovín, ktorým sa rozhodli venovať akademické laboratóriá. Farmaceutické databázy podľa konzorcia aj externých odborníkov častejšie obsahujú systematické série jednej cieľovej bielkoviny spojenej s množstvom príbuzných kandidátov na liečivo. Zachytávajú tak jemné rozdiely vo väzbách, ktoré sú pri návrhu liekov podstatné (Nature, C&EN). Federatívny model podľa konzorcia prekonal aj každý model trénovaný dátami jedinej firmy, čo zodpovedá vysvetleniu, že mu pomohlo spojenie poznatkov naprieč spoločnosťami.

Čo zatiaľ nemožno nezávisle overiť

Konzorcium dosiaľ nepredložilo vedecký rukopis. Externí výskumníci nemajú prístup k naučeným číselným parametrom modelu, štruktúram použitým v teste ani k jednotlivým predpovediam. Zverejnené neboli ani intervaly spoľahlivosti či štatistické testy. Testovací súbor navyše zostavili a vyhodnotili tie isté organizácie, ktoré systém vytvorili (Nature).

Obmedzená kontrola je podstatná aj pre známy problém týchto modelov. Výskum skupiny PoseBusters ukázal, že ich predpovede môžu byť geometricky blízke referenčnej štruktúre, no zároveň umiestňovať atómy do fyzikálne nemožných polôh, napríklad vytvárať väzby pod uhlami, ktoré sa v skutočných molekulách nevyskytujú (PoseBusters). Či predpovede AISB týmito kontrolami prejdú, zatiaľ nevieme.

Samotný test meria schopnosť modelu zrekonštruovať už známe, experimentálne zistené usporiadanie. Nezisťuje, či model pomáha nájsť zlúčeniny, ktoré sa v živom organizme skutočne naviažu na svoj cieľ a zároveň budú bezpečné. Presný odhad polohy molekuly môže chemikovi pomôcť vybrať zlúčeniny na ďalšie skúmanie, konzorcium však neuviedlo žiadny výsledok z nasledujúcich fáz vývoja liečiva.

Projekt desiatich spoločností MELLODDY už v minulosti ukázal, že federatívne učenie môže zlepšiť predpovedanie vlastností molekúl aj pri spolupráci konkurenčných farmaceutických firiem (MELLODDY). AISB uplatňuje rovnaký princíp pri predpovedaní trojrozmerných štruktúr. Na posúdenie uvádzaného zlepšenia však bude potrebná zverejnená vedecká práca a dostatok kontrolovateľných dát, aby nezávislí výskumníci mohli výsledky preveriť aj mimo testovania riadeného konzorciom.