Ещё одним интересным направлением применения ИИ является предсказание путей сворачивания белков. Так, группа учёных из Университета Флориды разработала подход, использующий AlphaFold2 для моделирования процесса сворачивания нескольких небольших белков.

Главное, что показали авторы — AlphaFold2, обученный предсказывать статическую структуру, понял некоторые основные принципы сворачивания. В отличие от стандартного использования, где MSA и шаблоны быстро направляют сеть к нативной структуре, авторы заставили AF2 начинать с «нуля», итеративно используя предыдущие предсказания как шаблоны для следующих раундов.

Их белок как бы «разворачивался» внутри алгоритма шаг за шагом, и эти промежуточные предсказания оказались в хорошем согласии с экспериментально известными путями сворачивания для исследуемуего белка.

В результате они получили последовательность формирования нативных структур, который совпал с имеющимися данными, что подтвердило способность сети выявлять даже тонкие детали механизма сворачивания.

Другими словами, ИИ не просто предсказал конечную структуру, а воспроизвёл последовательность событий, ведущих к ней, включая известные промежуточные состояния. При этом авторы обнаружили, что AlphaFold2 склонен «перестабилизировать» α-спирали, предсказывая их слишком рано и с завышенной уверенностью — артефакт, унаследованный от обучающей выборки, где такие структуры доминируют.

Это, кстати, имеет большое значение и с точки зрения фундаментальной науки: оказывается, нейросеть, обученная на статических структурах, поняла что-то о физике белка, а не просто запомнила конформации. Для прикладной науки это означает, что AlphaFold2 можно использовать для генерации гипотез о путях сворачивания и планирования экспериментов.

Однако, когда авторы применили тот же подход к множеству других белков из базы данных PDB, они упёрлись в стену: успех был обратно пропорционален длине белка (для последовательностей длиннее 100 остатков он падает ниже 5%), и AF2 лучше работает с α-спиральными белками, чем с неупорядоченными белками.

Авторы честно признают, что используют AlphaFold2 не по назначению — он не моделирует динамику и не предсказывает временны́е масштабы. Его предсказания следует рассматривать как гипотезы, требующие экспериментальной проверки, а не как истину в последней инстанции о природе сворачивания.

Таким образом, эта работа не отменяет необходимость в физическом моделировании и экспериментальной валидации. Она показывает, что ИИ может быть мощным инструментом для генерации гипотез о механизмах сворачивания для небольшого класса малых, хорошо структурированных белков, но пока не более того.