AlphaFold löste inte proteinveckning – forskarna förklarar varför
Trots att AlphaFold fick sitt eget Nobelpris kan AI-systemet förutsäga proteiners tredimensionella form men förstår fortfarande inte *varför* de veckas som de gör – en skillnad som är avgörande för att utveckla nya läkemedel. Google DeepMinds Pushmeet Kohli och Biohubs Sal Candido menar att nästa steg kräver AI som verkligen modellerar biologiska processer, inte bara mönsterigenkänning på proteindatabaser.
Djupdykning
AlphaFold löste frågan "vilken form antar ett protein?" med imponerande precision – men proteiner är inte statiska skulpturer, de rör sig, vecklar upp sig, interagerar med andra molekyler och beter sig olika beroende på omgivningen. Det som de flesta missar är att strukturen bara är början: att veta hur ett protein ser ut är ungefär som att ha ett fotografi av en dansare och tro att du förstår koreografin. Kohli och Candido pekar på att biologin egentligen handlar om dynamik och funktion, och att AI-modeller tränade på statiska strukturer har en fundamental blind fläck när det gäller att förutsäga hur proteiner faktiskt uppför sig i en levande cell. "Bitter Lesson" – idén inom AI-forskning att råstyrka och skalning nästan alltid slår domänspecifik kunskap på sikt – är lockande att tillämpa även här, men biologi kanske är ett av de få fält där den lektionen faktiskt har sina gränser, eftersom antalet möjliga molekylära interaktioner är astronomiskt och träningsdata aldrig kan täcka dem alla. Nästa verkliga genombrott handlar förmodligen inte om ännu större modeller, utan om att lära AI att resonera kring processer snarare än att memorera former.