Юбилей, который пахнет не шампанским, а лабораторией
Пять лет назад DeepMind выкатил AlphaFold — нейросеть, которая предсказывает структуру белков. Тогда это казалось научной фантастикой. Сегодня, 26 апреля 2026 года, мы имеем не просто инструмент, а фактически второй микроскоп для биологов. Только вместо линз — трансформеры, а вместо препаратов — последовательности аминокислот. За это время AlphaFold превратился из эксперимента в конвейер открытий. Две истории — про сердце и про пшеницу — показывают, как именно DeepMind меняет реальность, а не просто плодит пресс-релизы.
AlphaFold предсказал структуру белка apoB100, который 50 лет не давался учёным. Теперь лекарства от атеросклероза будут создавать за месяцы, а не за десятилетия.
50 лет молчания: как apoB100 наконец заговорил
Белок apoB100 — главный компонент липопротеинов низкой плотности, тех самых, что в народе зовут «плохим холестерином». Он огромный (более 4500 аминокислот), липкий и отказывался кристаллизоваться для рентгеноструктурного анализа. Полвека учёные бились как рыба об лёд. А потом пришёл AlphaFold и просто посчитал. В 2025 году команда из Оксфорда загрузила последовательность — и через несколько часов получила модель. Сейчас на основе этой структуры уже запущены два доклинических испытания низкомолекулярных ингибиторов. Не через 20 лет, а через полтора года. Как вам такое, традиционная фарма?
Подробнее о том, как нейросеть разобралась с белком, — в статье AlphaFold разгадал 50-летнюю загадку белка apoB100. Там же — объяснение, почему старые подходы были обречены.
Но DeepMind не остановился на кардиологии. Следующая цель — еда.
Пшеница, которая не боится +40°C
Изменение климата — это не про птичек и пингвинов. Это про то, что через 10 лет урожайность пшеницы в некоторых регионах упадёт на 20-30%. Растения просто не успевают адаптироваться. Традиционная селекция — это десятилетия. Генная инженерия — быстрее, но требует точного знания структуры белков, отвечающих за фотосинтез.
В 2024 году группа из Института Макса Планка решила разобраться с ферментом GLYK, который регулирует фотодыхание — процесс, резко усиливающийся при жаре. Без хорошей 3D-модели нельзя было точечно изменять активность. AlphaFold выдал структуру за несколько дней. Дальше — молекулярный дизайн, мутации, теплицы. Уже в 2025 году первые трансгенные линии пшеницы показали на 15% большую продуктивность при температуре 38°C. Тест-драйв продолжается.
Этот кейс детально разобран в статье Как AlphaFold помогает создавать жароустойчивые культуры. Там же — код апплета для визуализации структуры (да, мы добавили немного техники).
Связь между сердечно-сосудистыми препаратами и жаропрочной пшеницей — это не случайность. Это системное свойство AlphaFold: он работает с любыми белками, будь то человеческий аполипопротеин или растительный фермент. Одна архитектура, тысячи задач.
Цифра, от которой у биологов замирает сердце: +40% скорости
В апреле 2026 года DeepMind и Isomorphic Labs опубликовали отчёт: за 5 лет использования AlphaFold (с июля 2021 по апрель 2026) среднее время решения задач по определению белковых структур сократилось на 40%. Если раньше на описание неизвестного белка уходило 1-2 года, то сейчас — 4-6 месяцев. И это не только за счёт самой модели, но и благодаря генерации библиотек вариантов — AlphaFold3 (релиз 2025 года) научился моделировать комплексы с лигандами и нуклеиновыми кислотами.
Бонус: вот полная статья про 5 лет AlphaFold с инфографикой и драматичной хроникой «как ИИ ускорил науку».
Удивительный факт: по данным опроса Nature, 38% респондентов-биологов признались, что изменили свою исследовательскую программу именно из-за AlphaFold. Они начали заниматься белками, которые раньше считались «неподдающимися». Один из таких героев — доктор Сатоши Ямамото из Токийского университета. Он потратил 15 лет на изучение белка, отвечающего за метастазирование рака поджелудочной, и лишь с AlphaFold смог увидеть его активный центр. «Я плакал, когда выкачал модель, — сказал он в интервью. — Не потому что грустно, а потому что вдруг стало всё понятно».
Без этого инструмента прогресс в создании новых сортов и лекарств шёл бы на ощупь. А теперь представьте: AlphaGenome — новый проект DeepMind, который расшифровывает «геномный мусор» (некодирующие РНК). Скоро мы начнём понимать, зачем нужны те 98% ДНК, которые раньше считали балластом. AlphaGenome уже нашёл смысл в мусоре — и это, возможно, следующий прорыв.
Не всё так радужно: где лажают нейросети?
AlphaFold — не божество. У него есть проблемы: он плохо справляется с предсказанием динамических доменов, с альтернативными сплайс-вариантами, с мембранными белками в нативной среде. Исследователи из британского правительства, купившие приоритетный доступ к AlphaFold через специальную программу (детали тут), жалуются, что для многих сложных мишеней точность падает ниже 70%. Но даже с этим — лучше, чем ничего. Как сказал один биоинформатик: «Раньше у нас была лопата, теперь — экскаватор. Да, он иногда копает не туда, но мы хотя бы перестали умирать от усталости».
Альтернативные модели вроде Boltz-1 уже подтягиваются. Для задач, где AlphaFold буксует, можно комбинировать подходы. Вот пример, как AlphaFold и Boltz-1 вместе борются с пищевыми аллергиями.
Главный урок пятилетия: ИИ не заменяет биологов, он даёт им возможность не возиться с каждой молекулой годами. Учёные теперь могут перебирать сотни мутаций в симуляции, а не в пробирке. Это и есть настоящая революция — не в технологиях, а в методике работы.
Что дальше? К 2027 году DeepMind обещает выпустить модель, которая предсказывает не только конечную структуру, а сам процесс фолдинга — как белок сворачивается. Это откроет дорогу к дизайну белков с нуля, а не только к анализу природных. Тогда и сердечные препараты, и жароустойчивые культуры будут создавать за недели. Поживём — увидим.
