AlphaFold3, abreviado como AF3, é a mais recente criação da equipe DeepMind na área de previsão de estruturas de proteínas. Ele não apenas consegue prever a estrutura de uma única sequência de proteínas, mas também a de complexos proteicos, ácidos nucleicos ou pequenas moléculas. É como se você desse ao AF3 uma "receita" de uma proteína, e ele "assasse" a estrutura tridimensional dessa proteína.
A arquitetura do AF3 é complexa e sofisticada, mas não se preocupe, um diagrama pode ajudar a esclarecer as coisas. O modelo inteiro pode ser dividido em três partes principais:
Preparação da entrada: converter a sequência de proteínas em um tensor numérico e recuperar moléculas com estruturas semelhantes.
Aprendizado de representação: usar vários mecanismos de atenção para atualizar essas representações.
Previsão de estrutura: usar um modelo de difusão condicional para prever a estrutura da proteína.
Cada etapa é como pintar uma obra de arte requintada; o AF3, por meio da sobreposição em camadas, finalmente apresenta a estrutura tridimensional da proteína.
No mundo do AF3, cada molécula tem sua própria "linguagem". Seja proteína, DNA, RNA ou pequenas moléculas, o AF3 pode convertê-las em uma série de tensores numéricos. É como dar a cada molécula um "documento de identidade" único, permitindo que o AF3 as reconheça e as processe.
A parte de aprendizado de representação no AF3 é como uma dança cuidadosamente coreografada. Por meio de mecanismos de atenção, o AF3 permite que a "visão" do modelo se mova entre as diferentes partes da molécula, capturando as relações entre elas. Isso inclui não apenas as interações internas da molécula, mas também as interações entre as moléculas.
Na parte de previsão de estrutura do AF3, o modelo de difusão condicional desempenha um papel crucial. Ele começa com uma série de ruídos aleatórios e gradualmente "desruído", finalmente restaurando a estrutura real da proteína. Esse processo é como sair de uma névoa e gradualmente revelar a verdade escondida.
O treinamento do AF3 envolve várias funções de perda e cabeças de confiança, que trabalham juntas para permitir que o AF3 preveja estruturas com maior precisão e avalie a confiabilidade de suas previsões. É como colocar um espelho no AF3, permitindo que ele se auto-examine e melhore.
Referências: https://elanapearl.github.io/blog/2024/the-illustrated-alphafold/