AlphaFold научился видеть белок как движение, а не как одну картинку: что изменил AF3-ReD

AlphaFold решил структуру — но не всю динамику

Популярная история об AlphaFold легко создаёт ощущение, будто “проблему белковой структуры закрыли”. На самом деле белок редко бывает неподвижной скульптурой. Ферменты открывают и закрывают active site, транспортеры переключаются между состояниями, рецепторы меняют геометрию после связывания лиганда, моторные белки буквально проходят механический цикл. Одна статическая структура может быть правильной и одновременно недостаточной для объяснения функции.

AlphaFold3 использует diffusion generative model: система начинает с шумного расположения атомов и постепенно “денойзит” его до правдоподобной структуры. По умолчанию этот процесс естественно тяготеет к наиболее вероятному или низкоэнергетическому бассейну. Если альтернативное состояние существует, но менее вероятно или требует специфического ligand-induced перехода, модель может снова и снова возвращаться к одной доминирующей форме.

Это не академическая мелочь. В drug discovery молекула часто работает именно потому, что стабилизирует редкое состояние белка. Cryptic pocket может отсутствовать в главной conformation и появляться только во время движения. Если AI показывает лишь самый стабильный кадр, он способен пропустить именно ту геометрию, которую ищет medicinal chemist.

В 2026 году появилось уже несколько направлений, пытающихся решить эту проблему. Один подход добавляет к AlphaFold3 реальные NMR, X-ray или cryo-EM constraints и заставляет модель генерировать ensemble, совместимый с экспериментом. AF3-ReD идёт другим путём: он не спрашивает модель “что говорит эксперимент?”, а заставляет её не повторять саму себя.

Здесь важно уточнить вещь, которую легко потерять в красивой метафоре “energy landscape”. SOKENDAI отдельно предупреждает: энергетический рельеф в diffusion model — это не физическая потенциальная энергия белка. Это learned landscape, возникающий из обучающих данных и процедуры генерации. AF3-ReD не заменяет molecular dynamics и не вычисляет настоящую термодинамику; он меняет то, как генеративная модель ищет разные правдоподобные структуры.

Как работает repulsive bias — и почему это похоже на поиск новых долин

Метод Jun Ohnuki и Kei-ichi Okazaki, опубликованный в JACS Au, называется AF3-ReD. Ключевая идея удивительно интуитивна. AlphaFold3 запускают много раз, но каждому новому предсказанию добавляют bias energy: если новая структура приближается к координатам уже найденной, для модели эта область становится менее привлекательной. В diffusion process возникает своеобразная “отталкивающая сила”, которая толкает sampling в другие части conformational landscape.

Представьте горный ландшафт с несколькими долинами. Обычный AF3 каждый раз скатывается в самую глубокую. AF3-ReD после первого спуска условно засыпает эту долину, чтобы следующий запуск был вынужден искать соседнюю. Затем repulsive bias появляется и там — система постепенно открывает набор альтернативных состояний вместо одного ответа.

Показательный тест — F1β subunit ATP synthase. В реальности он переходит между open и closed conformation после связывания ATP. Авторы сообщают, что стандартный AlphaFold3 даже в ATP-bound постановке тяготел к open state. AF3-ReD, напротив, нашёл и open, и closed forms, а также промежуточные configurations между ними. Именно intermediates особенно интересны: они уже похожи не на каталог структур, а на маршрут перехода.

Исследователи также тестировали метод на motor и transporter proteins, где ligand-induced shifts являются частью механизма работы. Их тезис не в том, что AF3-ReD заменил molecular dynamics. Он скорее быстро расширяет стартовый набор структур, после чего MD можно запускать не из одного “идеального” кадра, а из нескольких физически правдоподобных состояний.

Самый наглядный тест — F1β subunit ATP synthase. В реальности связывание ATP переводит её из открытого состояния в закрытое. Default AF3, по описанию авторов, мог продолжать возвращать open-like structure даже в присутствии ATP. AF3-ReD извлёк не только open и closed states, но и промежуточные conformations. Именно такие intermediate states часто особенно интересны для механизма: они показывают не только “до” и “после”, но и возможный путь между ними.

Почему это может быть важнее ещё одного рекорда точности

В биологическом AI долго доминировала удобная метрика: насколько predicted structure близка к deposited experimental structure. Для статических задач это отлично. Но функция белка часто определяется не точкой, а распределением состояний и скоростью перехода между ними. Следующий большой шаг structural AI может заключаться не в том, чтобы ещё на 0,1 Å лучше попасть в один reference structure, а в том, чтобы правильно моделировать весь ensemble.

Именно поэтому параллельный experiment-guided AlphaFold3 в Nature Biotechnology тоже важен. Там experimental likelihoods добавляются прямо в diffusion sampling, и модель генерирует ensembles, согласованные с NMR, X-ray и cryo-EM measurements. На benchmark из 91 случая NOE-guided AF3 улучшал удовлетворение distance constraints в 70 случаях, тогда как unguided AF3 превосходил deposited PDB ensembles лишь в 15. Метод другой, тренд тот же: от “одной красивой структуры” к “физически и экспериментально правдоподобному набору состояний”.

Для drug design последствие очевидно. Если модель надёжно открывает alternate conformations, можно лучше искать transient pockets, allosteric sites и состояния, стабилизируемые лигандом. Для protein design это тоже критично: новый белок должен не только складываться, но и двигаться правильным способом. Неправильная динамика способна уничтожить функцию даже при красивой статической структуре.

Но не стоит делать следующий кликбейт: AF3-ReD не “научил AlphaFold полностью симулировать жизнь белка”. Repulsive sampling не даёт автоматически правильных thermodynamic populations и не говорит, сколько времени белок проводит в каждом состоянии. Это способ находить разнообразные правдоподобные conformations. Энергетику, kinetics и реальную population weighting всё ещё нужно проверять другими инструментами.

И всё же это принципиально иной взгляд на будущее AlphaFold-подобных систем. Самая полезная модель биомолекулы может быть не той, что рисует самую точную фотографию. А той, что показывает хороший короткий фильм.

↗