AlphaFold 3: prevedere non una molecola, ma un incontro

Dentro una cellula non c’è quasi mai una molecola sola. Una proteina fa il suo mestiere solo quando incontra qualcos’altro: si aggancia a un filamento di DNA per leggerlo, stringe uno ione metallico nel suo cuore, accoglie una molecola di farmaco che ne blocca il funzionamento. La biologia interessante è tutta in questi incontri. AlphaFold 2, nel 2021, sapeva scolpire con precisione una proteina presa da sola, ma quella scultura restava in una teca, senza il resto della scena.

Nel maggio del 2024, su Nature, Google DeepMind e Isomorphic Labs presentano AlphaFold 3: un sistema che non prevede più la forma di una singola catena, ma la geometria di un complesso — proteine, acidi nucleici, piccole molecole, ioni — tutti insieme nello stesso spazio. Il salto non è di scala, è di ambizione: passare dal ritratto di un attore alla fotografia dell’intera scena.

Perché un incontro è più difficile di un ritratto

La forza di AlphaFold 2 stava in un trucco elegante: leggere nell’evoluzione. Confrontando la stessa proteina in migliaia di specie, il sistema scopriva quali punti della catena mutano sempre in coppia, e da lì deduceva quali parti si toccano nello spazio. È un segnale ricchissimo, ma funziona bene solo quando c’è una lunga storia evolutiva condivisa da leggere.

Con un incontro tra molecole diverse quel segnale si assottiglia. Un farmaco progettato in laboratorio non ha una storia evolutiva. Uno ione è solo uno ione. Il legame tra una proteina e un frammento di RNA non è scritto in un allineamento di parenti. Servono un linguaggio e un motore capaci di trattare tutti questi oggetti come cittadini di prima classe, con le stesse regole, invece di dare per scontato che il mondo sia fatto solo di amminoacidi.

Un solo modello per molte chimiche

La prima novità di AlphaFold 3 è concettuale, prima ancora che tecnica: il sistema ragiona a livello di atomi, non di mattoncini prefissati. Una proteina, un filamento di DNA, una molecola di farmaco vengono tutti descritti nello stesso vocabolario di atomi e legami. Questo permette a un unico modello di prevedere strutture che prima richiedevano strumenti separati e spesso incompatibili: uno per le proteine, uno per i complessi proteina-proteina, uno per l’aggancio dei farmaci.

È la differenza tra avere in officina tre macchine specializzate, ognuna con la sua chiave inglese, e avere un banco di lavoro dove ogni pezzo parla la stessa lingua. La parte del sistema che raffina le relazioni tra le posizioni — l’erede dell’Evoformer, qui più snello e meno dipendente dagli allineamenti evolutivi — prepara una descrizione condivisa. Poi entra in gioco la seconda novità, ed è quella che cambia davvero il motore.

Il nuovo motore: la diffusione

AlphaFold 2 costruiva la struttura con un modulo geometrico che collocava gli atomi ragionando su angoli e orientamenti. AlphaFold 3 butta via quel modulo e lo sostituisce con un modulo di diffusione, la stessa famiglia di tecniche che genera immagini a partire dal rumore.

Il meccanismo è controintuitivo e bellissimo. Il sistema parte da una nuvola di atomi disposti a caso — puro disordine — e, passo dopo passo, la ripulisce, spingendo ogni atomo verso una posizione plausibile, guidato dalla descrizione preparata prima. È come guardare una fotografia piena di grana televisiva che, a ogni secondo, diventa un po’ più nitida, finché dal brulichio emerge una scena precisa. Solo che qui la «fotografia» è una disposizione tridimensionale di migliaia di atomi.

Proteina, acido nucleico, farmaco e ione entrano nello stesso modello. Il modulo di diffusione parte da una nuvola di atomi casuale e la ripulisce fino a comporre un solo complesso tridimensionale, in cui le molecole si trovano nella giusta posizione l’una rispetto all’altra.

La tentazione di inventare

Un motore che genera invece di dedurre porta con sé un rischio nuovo. Alcune parti delle proteine sono disordinate: non hanno una forma stabile, si agitano come spaghetti sciolti. Un modello a diffusione, addestrato a produrre strutture ben definite, è tentato di inventare anche lì una geometria pulita e sicura di sé — una «allucinazione» plausibile all’occhio ma falsa.

Per arginare il problema, gli autori addestrano AlphaFold 3 anche sulle predizioni del sistema precedente, che quelle regioni le lasciava correttamente come groviglio informe. È un modo per insegnare al modello nuovo la modestia del vecchio: dove non c’è ordine, non inventarlo. Restano inoltre i punteggi di confidenza per ogni atomo e per ogni coppia, il segnale che dice al biologo dove fidarsi e dove no — la stessa onestà dichiarata che aveva reso credibile AlphaFold 2.

Uno strumento potente e una polemica

Vale la pena essere precisi sui limiti. La struttura predetta resta un’istantanea statica, non racconta il movimento né tutte le forme che un complesso assume nel tempo. E la qualità cala quando il tipo di interazione è poco rappresentato nei dati. Nessuno di questi sistemi sostituisce l’esperimento: offre un punto di partenza in pochi minuti dove il laboratorio impiegava mesi.

C’è anche una questione che riguarda il metodo scientifico. Alla pubblicazione, il codice e i pesi del modello non erano disponibili: si poteva usare solo un server web con limiti d’uso, e questo ha sollevato le proteste di parte della comunità, abituata a poter riprodurre e verificare i risultati pubblicati. DeepMind ha poi rilasciato codice e pesi, ma per uso accademico non commerciale. È una tensione onesta da nominare: tra la ricerca aperta e gli interessi di un laboratorio che, attraverso Isomorphic Labs, punta a progettare farmaci veri.

Il paper e chi l’ha scritto

L’articolo si intitola Accurate structure prediction of biomolecular interactions with AlphaFold 3, firmato da Josh Abramson, Jonas Adler e colleghi di Google DeepMind e Isomorphic Labs, con John Jumper e Demis Hassabis tra gli autori senior, pubblicato su Nature nel maggio del 2024. Il sistema è accessibile tramite il server pubblico alphafoldserver.com; codice e pesi sono stati resi disponibili in seguito per la ricerca accademica.

Perché ti riguarda, se non farai mai ricerca in biologia? Perché AlphaFold 3 mostra due cose che valgono ben oltre le proteine. La prima è che un cambio di rappresentazione — trattare tutto come atomi anziché come categorie separate — può unificare problemi che sembravano distinti. La seconda è che la stessa idea di diffusione che genera immagini può ricostruire la realtà fisica, se la si guida con la giusta descrizione. Sono due lezioni di progettazione che tornano ogni volta che si prova a costruire un modello capace non di riconoscere il mondo, ma di ricomporlo.