Per comprendere la sfida affrontata dai ricercatori, è necessario innanzitutto comprendere l'estrema complessità delle molecole che compongono la vita. Proteine, DNA e RNA non sono statue statiche, ma intricate macchine tridimensionali costruite da catene di unità chimiche più piccole. La loro funzione dipende interamente da come queste catene si ripiegano e si torcono nello spazio, portando atomi specifici a contatto tra loro. Per decenni, gli scienziati hanno lottato per prevedere queste forme partendo solo dal codice chimico. Il problema è che il numero di modi in cui una catena può ripiegarsi è astronomico, e calcolare la posizione precisa di ogni singolo atomo in una grande molecola è computazionalmente travolgente. I metodi tradizionali spesso semplificano il problema ignorando i dettagli fini dei singoli atomi, concentrandosi invece sullo scheletro della catena, il che può far perdere interazioni critiche che determinano come un farmaco si leghi a un bersaglio o come funzioni un enzima.

Un team di ricercatori ha sviluppato un nuovo approccio che colma il divario tra le descrizioni chimiche di alto livello e la realtà precisa, atomo per atomo, delle strutture molecolari. Hanno creato un sistema che traduce la geometria continua e fluida di una molecola in un insieme di simboli discreti e gestibili, molto simile a trasformare una melodia complessa in una sequenza di note musicali. Comprimendo la forma dettagliata di una molecola in un vocabolario di 8.192 token unici, sono stati in grado di addestrare un potente' intelligenza artificiale a prevedere questi simboli basandosi esclusivamente sull'identità chimica della molecola. Una volta che l'IA prevede la sequenza di simboli, una seconda parte del loro sistema li espande nuovamente in un modello tridimensionale completo contenente ogni atomo pesante. Questo metodo permette al computer di apprendere le regole del ripiegamento molecolare senza l'ostacolo dell'enorme volume di dati grezzi, raggiungendo un livello di accuratezza che rivaleggia con gli strumenti più avanzati esistenti.

Il nucleo di questo traguardo è uno strumento che chiamano "tokenizer di struttura all-atom". Immaginate di cercare di descrivere la forma di una scultura complessa a un amico al telefono. Se cercaste di elencare le coordinate di ogni singolo punto sulla superficie, la conversazione non finirebbe mai. Invece, potreste descrivere la scultura in termini dei suoi componenti principali — una testa, un torso, braccia — e di come si connettono. Questo team ha fatto qualcosa di simile per le molecole. Hanno scomposto proteine, DNA e piccole molecole simili a farmaci in unità chimiche standard. Per una proteina, un'unità è un singolo residuo amminoacidico; per il DNA, è un nucleotide; per una piccola molecola di farmaco, è un singolo atomo pesante. Hanno poi costruito una rete neurale che osserva l'intero assemblaggio di queste unità, comprendendo come esse si relazionano tra loro nello spazio, e converte tale disposizione spaziale in una breve stringa di numeri.

Questo processo di conversione è il "tokenizer". Prende le coordinate continue e fluttuanti degli atomi e le comprime in un insieme fisso di 8.192 codici possibili. I ricercatori hanno utilizzato una tecnica chiamata quantizzazione scalare finita, che agisce come un righello ad alta precisione che aggancia qualsiasi misurazione alla linea più vicina su una griglia. Ciò assicura che le infinite e complesse possibilità delle forme molecolari siano ridotte a un vocabolario finito e gestibile. Fondamentalmente, questo processo preserva l'identità chimica della molecola. Il sistema sa che un determinato token rappresenta un particolare amminoacido con una specifica catena laterale, o un atomo specifico in una molecola di farmaco, senza dover memorizzare le coordinate esatte nel token stesso. Le coordinate vengono recuperate successivamente, dopo che la sequenza di token è stata prevista.

Con questo tokenizer in posizione, i ricercatori hanno addestrato un grande modello linguistico, che hanno chiamato AtomLM-9b, per prevedere questi token strutturali. Questo modello si basa su un potente architettura di IA esistente, ma è stato adattato per comprendere la chimica. Invece di leggere frasi e prevedere la parola successiva, legge l'identità chimica di una molecola — l'elenco degli atomi e di come siano legati — e prevede la sequenza di token strutturali che descrivono la sua forma 3D. Il modello non vede la struttura 3D finale durante l'addestramento; vede solo la ricetta chimica e impara a produrre la sequenza corretta di token. Una volta che il modello genera questa sequenza, il partner del tokenizer, il "de-tokenizer", prende il controllo. Esso legge la sequenza di token, insieme alle informazioni chimiche originali, e ricostruisce le coordinate 3D complete di ogni atomo nella molecola. Questo processo in due fasi separa il compito di comprensione della sequenza dal compito di disegno della forma, permettendo a ciascuna parte di essere ottimizzata indipendentemente.

I risultati di questo approccio sono sorprendenti. Quando testato su un set standard di strutture proteiche utilizzato per valutare gli strumenti di previsione, il sistema ha raggiunto un punteggio di accuratezza all-atom di 0,832 su un importante benchmark e 0,835 su un altro. Questi punteggi indicano che le strutture ricostruite sono estremamente vicine alle forme reali osservate sperimentalmente. In un confronto diretto su un set specifico di compiti di interazione proteina-proteina, il nuovo modello ha raggiunto un tasso di successo del 75,01%, superando leggermente i risultati pubblicati di AlphaFold 3, che si attestavano al 72,93%. Il modello ha inoltre mostrato una forte performance nella previsione delle forme di DNA e RNA, e nel determinare come le piccole molecole di farmaco si legano alle proteine, aree in cui altri modelli talvolta faticano.

I ricercatori sono stati attenti a testare il sistema sotto condizioni rigorose per garantire che i risultati fossero genuini. Hanno addestrato il modello su una vasta collezione di strutture molecolari note, ma hanno escluso i casi di test specifici dai dati di addestramento per evitare che il modello si limitasse a memorizzare le risposte. Hanno anche verificato che il modello potesse gestire miscele complesse di diversi tipi di molecole, come una proteina legata a un pezzo di DNA e una piccola molecola di farmaco, tutto contemporaneamente. Il sistema ha previsto con successo le forme di questi assemblaggi complessi, dimostrando che il vocabolario condiviso di token funziona attraverso diversi tipi di chimica. Il modello non si affida a template strutturali preesistenti o allineamenti di sequenze multiple, che vengono spesso utilizzati da altri metodi per aumentare l'accuratezza. Inveve, apprende le regole fisiche del ripiegamento direttamente dai dati.

Uno degli aspetti più significativi di questo lavoro è la chiarezza dell'interfaccia tra il modello linguistico e la struttura fisica. Utilizzando un insieme discreto di token, i ricercatori hanno creato un confine netto dove l'IA prevede una sequenza, e un processo separato e deterministico trasforma tale sequenza in un modello 3D. Questa separazione permette una valutazione rigorosa di quanto bene l'IA comprenda la relazione tra chimica e forma. Lo studio dimostra che questo approccio discreto non è solo un esercizio teorico, ma un metodo pratico in grado di generare strutture atomiche ad alta fedeltà. La capacità del modello di prevedere le posizioni delle catene laterali e degli atomi dei ligandi con alta precisione suggerisce che esso abbia appreso i sottili vincoli geometrici che governano le interazioni molecolari.

Il team ha inoltre esplorato i limiti del proprio sistema attraverso una serie di test in cui ha rimosso componenti specifici per vedere quanto ogni parte contribuisse al risultato finale. Hanno scoperto che il modo gerarchico in cui il modello elabora le informazioni, passando dai singoli atomi alle unità chimiche e poi all'intero assemblaggio, era essenziale per l'accuratezza. Hanno anche scoperto che la capacità di raffinare le posizioni degli atomi attraverso diverse unità — permettendo a un residuo proteico di regolare la propria forma in base a una molecola di farmaco vicina — era critica per ottenere correttamente le pose di legame. Senza questi raffinamenti, la capacità del modello di prevedere le interazioni molecolari diminuiva significatamente. Questi risultati confermano che il sistema non sta solo tirando a indovinare, ma sta catturando la realtà fisica dell'assemblaggio molecolare.

Sebbene il sistema sia altamente accurato, i ricercatori riconoscono che non è perfetto. Il vocabolario finito significa che alcune configurazioni chimiche molto rare o insolite potrebbero non essere rappresentate con la stessa precisione di quelle comuni. Il modello si concentra sugli atomi pesanti e non prevede attualmente le posizioni degli atomi di idrogeno o gli effetti dell'ambiente acquoso circostante, che sono importanti per alcune specifiche questioni biologiche. Tuttavia, per la stragrande maggioranza delle attività di biologia strutturale, il livello di dettaglio fornito è sufficiente per comprendere come funzionano le molecole. Il successo di questo approccio suggerisce che trattare la geometria molecolare come un linguaggio, con un vocabolario condiviso per diversi tipi di unità chimiche, è un modo potente per risolvere il problema della previsione strutturale.

Questo lavoro rappresenta un cambiamento nel modo in cui gli scienziati approcciano il problema della modellazione molecolare. Invece di cercare di calcolare le forze tra ogni atomo in una singola e massiccia simulazione, i ricercatori hanno dimostrato che un modello linguistico può apprendere i pattern delle forme molecolari e generarle in modo efficiente. La combinazione di un tokenizer che comprime la geometria e di un modello linguistico che prevede la sequenza offre una nuova strada da seguire. Dimostra che la complessità dei mattoni della vita può essere catturata in una forma compatta e discreta, e che l'intelligenza artificiale può imparare a navigare in questa forma con un alto grado di precisione. I risultati forniscono un nuovo strumento per la scoperta di farmaci e la ricerca biologica, offrendo un modo per prevedere le forme di molecole mai viste prima, basandosi solo sulla loro composizione chimica.