Om de uitdaging te begrijpen waarmee de onderzoekers worden geconfronteerd, moet men eerst de enorme complexiteit begrijpen van de moleculen die het leven vormen. Eiwitten, DNA en RNA zijn geen statische standbeelden, maar complexe, driedimensionale machines die zijn opgebouwd uit ketens van kleinere chemische eenheden. Hun functie hangt volledig af van hoe deze ketens in de ruimte vouwen en draaien, waardoor specifieke atomen met elkaar in contact komen. Decennialang hebben wetenschappers geprobeerd deze vormen alleen op basis van de chemische code te voorspellen. Het probleem is dat het aantal manieren waarop een keten kan vouwen astronomisch is, en het berekenen van de exacte positie van elk afzonderlijk atoom in een groot molecuul is computationeel overweldigend. Traditionele methoden vereenvoudigen het probleem vaak door de fijne details van individuele atomen te negeren en zich in plaats daarvan te concentreren op de ruggengraat van de keten, wat kritieke interacties kan missen die bepalen hoe een medicijn aan een doelwit bindt of hoe een enzym werkt.

Een team van onderzoekers heeft nu een nieuwe aanpak ontwikkeld die de kloof overbrugt tussen hoogwaardige chemische beschrijvingen en de precieze, atoom-voor-atoom realiteit van moleculaire structuren. Ze hebben een systeem gecreëerd dat de continue, vloeiende geometrie van een molecuul vertaalt naar een reeks discrete, beheersbare symbolen, vergelijkbaar met het omzetten van een complexe melodie in een opeenvolging van muzikale noten. Door de gedetailleerde vorm van een molecuul te comprimeren tot een vocabulaire van 8.192 unieke tokens, waren ze in staat om een krachtige kunstmatige intelligentie te trainen om deze symbolen te voorspellen op basis van enkel de chemische identiteit van het molecuul. Zodra de AI de reeks symbolen voorspelt, breidt een tweede deel van hun systeem deze weer uit naar een volledig driedimensionaal model dat elk zwaar atoom bevat. Deze methode stelt de computer in staat om de regels van moleculaire vouwing te leren zonder te verdrinken in de enorme hoeveelheid ruwe gegevens, waarbij een nauwkeurigheidsniveau wordt bereikt dat wedijvert met de meest geavanceerde bestaande instrumenten.

De kern van deze prestatie is een hulpmiddel dat ze een "all-atom structure tokenizer" noemen. Stel je voor dat je probeert de vorm van een complex beeldhouwwerk aan een vriend te beschrijven via de telefoon. Als je zou proberen de coördinaten van elk afzonderlijk punt op het oppervlak op te sommen, zou het gesprek nooit eindigen. In plaats daarvan zou je het beeldhouwwerk misschien beschrijven in termen van zijn belangrijkste onderdelen—een hoofd, een romp, armen—en hoe ze met elkaar verbonden zijn. Dit team deed iets vergelijkbaars voor moleculen. Ze braken eiwitten, DNA en kleine medicijnachtige moleculen af in standaard chemische eenheden. Voor een eiwit is een eenheid een enkel aminozuurresidue; voor DNA is het een nucleotide; voor een klein medicijnmolecuul is het een enkel zwaar atoom. Vervolgens bouwden ze een neuraal netwerk dat naar de gehele assemblage van deze eenheden kijkt, begrijpt hoe ze zich in de ruimte tot elkaar verhouden, en die ruimtelijke ordening omzet in een korte reeks getallen.

Dit conversieproces is de "tokenizer". Het neemt de continue, zwevende coördinaten van atomen en perst ze samen in een vaste set van 8.192 mogelijke codes. De onderzoekers gebruikten een techniek genaamd "finite scalar quantization", die werkt als een precisierolmaat die elke meting naar de dichtstbijzijnde gemarkeerde lijn op een rooster laat springen. Dit zorgt ervoor dat de complexe, oneindige mogelijkheden van moleculaire vormen worden teruggebracht tot een eindige, beheersbare woordenschat. Cruciaal is dat dit proces de chemische identiteit van het molecuul behoudt. Het systeem weet dat een specifieke token een bepaald aminozuur met een specifieke zijketen vertegenwoordigt, of een specif kind atoom in een medicijnmolecuul, zonder dat het de exacte coördinaten in de token zelf hoeft op te slaan. De coördinaten worden later hersteld, nadat de reeks tokens is voorspeld.

Met deze tokenizer in het achterhoofd trainden de onderzoekers een groot taalmodel, dat ze AtomLM-9b noemden, om deze structurele tokens te voorspellen. Dit model is gebaseerd op een krachtige bestaande AI-architectuur, maar is aangepast om chemie te begrijpen. In plaats van zinnen te lezen en het volgende woord te voorspellen, leest het de chemische identiteit van een molecuul—de lijst met atomen en hoe ze verbonden zijn—en voorspelt het de reeks structurele tokens die de 3D-vorm beschrijven. Het model ziet de uiteindelijke 3D-structuur niet tijdens de training; het ziet alleen het chemische recept en leert de juiste reeks tokens te produceren. Zodra het model deze reeks genereert, neemt de partner van de tokenizer, de "de-tokenizer", het over. Deze leest de reeks tokens, samen met de oorspronkelijke chemische informatie, en reconstrueert de volledige 3D-coördinaten van elk atoom in het molecuul. Dit tweetrapsproces scheidt de taak van het begrijpen van de sequentie van de taak van het tekenen van de vorm, waardoor elk deel onafhankelijk kan worden geoptimaliseerd.

De resultaten van deze aanpak zijn opmerkelijk. Bij het testen op een standaardset van eiwitstructuren die worden gebruikt om voorspellingsinstrumenten te evalueren, behaalde het systeem een all-atom nauwkeurigheidsscore van 0,832 op één belangrijke benchmark en 0,835 op een andere. Deze scores geven aan dat de gereconstrueerde structuren extreem dicht bij de werkelijke, experimenteel waargenomen vormen liggen. In een directe vergelijking op een specifieke set taken met betrekking tot eiwit-eiwitinteracties, behaalde het nieuwe model een succespercentage van 75,01%, waarmee het de gepubliceerde resultaten van AlphaFold 3, die op 72,93% stonden, licht overtrof. Het model liet ook sterke prestaties zien bij het voorspellen van de vormen van DNA en RNA, en bij het bepalen van hoe kleine medicijnmoleculen aan eiwitten binden, gebieden waar andere modellen soms moeite mee hebben.

De onderzoekers waren voorzichtig om het systeem onder strikte omstandigheden te testen om te garanderen dat de resultaten echt waren. Ze trainden het model op een enorme collectie bekende moleculaire structuren, maar sloten de specifieke testgevallen uit de trainingsdata uit om te voorkomen dat het model simpelweg antwoorden uit het hoofd leerde. Ze verifieerden ook dat het model complexe mengsels van verschillende molecuultypen kon verwerken, zoals een eiwit dat gebonden is aan een stukje DNA en een klein medicijnmolecuul, tegelijkertijd. Het systeem voorspelde succesvol de vormen van deze complexe assemblages, wat aantoont dat de gedeelde vocabulaire van tokens werkt over verschillende soorten chemie heen. Het model vertrouwt niet op vooraf bestaande structurele sjablonen of multiple sequence alignments, die vaak door andere methoden worden gebruikt om de nauwkeurigheid te vergroten. In plaats daarvan leert het de fysieke regels van vouwing rechtstreeks van de data.

Een van de meest significante aspecten van dit werk is de helderheid van de interface tussen het taalmodel en de fysieke structuur. Door een discrete set tokens te gebruiken, creëerden de onderzoekers een schone grens waar de AI een reeks voorspelt, en een apart, deterministisch proces die reeks omzet in een 3D-model. Deze scheiding maakt een rigoureuze evaluatie mogelijk van hoe goed de AI de relatie tussen chemie en vorm begrijpt. De studie laat zien dat deze discrete aanpak niet alleen een theoretische oefening is, maar een praktische methode die hoogwaardige atomaire structuren kan genereren. Het vermogen van het model om de posities van zijketens en ligandatomen met hoge precisie te voorspellen, suggereert dat het de subtiele geometrische beperkingen heeft geleerd die moleculaire interacties beheersen.

Het team verkende ook de grenzen van hun systeem via een reeks tests waarbij ze specifieke componenten verwijderden om te zien hoeveel elk deel bijdroeg aan het uiteindelijke resultaat. Ze ontdekten dat de hiërarchische manier waarop het model informatie verwerkt—van individuele atomen naar chemische eenheden en vervolgens naar de gehele assemblage—essentieel was voor de nauwkeurigheid. Ze ontdekten ook dat het vermogen om de posities van atomen over verschillende eenheden heen te verfijnen—waardoor een eiwitresidue zijn vorm kan aanpassen op basis van een nabijgelegen medicijnmolecuul—cruciaal was voor het correct voorspellen van de bindingsposities. Zonder deze verfijningen daalde het vermogen van het model om moleculaire interacties te voorspellen aanzienlijk. Deze bevindingen bevestigen dat het systeem niet slechts gokt, maar de fysieke realiteit van moleculaire assemblage vastlegt.

Hoewel het systeem zeer nauwkeurig is, erkennen de onderzoekers dat het niet perfect is. De eindige vocabulaire betekent dat sommige zeer zeldzame of ongewone chemische configuraties misschien niet even precies worden gerepresenteerd als veelvoorkomende configuraties. Het model richt zich op zware atomen en voorspelt momenteel niet de posities van waterstofatomen of de effecten van de omringende wateromgeving, die belangrijk zijn voor specifieke biologische vragen. Echter, voor het overgrote deel van de structurele biologie-taken is het niveau van detail dat wordt geboden voldoende om te begrijpen hoe moleculen functioneren. Het succes van deze aanpak suggereert dat het behandelen van moleculaire geometrie als een taal, met een gedeelde vocabulaire voor verschillende soorten chemische eenheden, een krachtige manier is om het probleem van structuurvoorspelling op te lossen.

Dit werk vertegenwoordigt een verschuiving in de manier waarop wetenschappers de problematiek van moleculaire modellering benaderen. In plaats van te proberen de krachten tussen elk atoom in een enkele, massieve simulatie te berekenen, hebben de onderzoekers aangetoond dat een taalmodel de patronen van moleculaire vormen kan leren en deze efficiënt kan generen. De combinatie van een tokenizer die geometrie comprimeert en een taalmodel dat de sequentie voorspelt, biedt een nieuwe weg voorwaarts. Het demonstreert dat de complexiteit van de bouwstenen van het leven kan worden gevangen in een compacte, discrete vorm, en dat kunstmatige intelligentie kan leren om met een hoge mate van precisie door deze vorm te navigeren. De resultaten bieden een nieuw hulpmiddel voor medicijnontwikkeling en biologisch onderzoek, en bieden een manier om de vormen van moleculen te voorspellen die nog nooit eerder zijn gezien, uitsluitend op basis van hun chemische samenstelling.