PSBench på University of Missouri: Et nyt tillidslag for AI-drevet proteinopdagelse

Kunstig intelligens har løst en af biologiens mest vedholdende mysterier: hvordan proteiner folder sig til deres komplekse tredimensionale former. Men da feltet skifter fra forudsigelse til anvendelse, bliver en ny spørgsmål mere presserende end nogensinde:

Når kan vi stole på modellen?

Forskere på University of Missouri mener, de har taget et større skridt mod at besvare det spørgsmål. Universitetet har meddelt udgivelsen af PSBench, en massiv ny benchmark-database, der indeholder 1,4 million proteinstrukturer med annoterede kvalitetsvurderinger. Ledet af Jianlin ‘Jack’ Cheng, en Curators’ Distinguished Professor i bioinformatik, er projektet designet til ikke at generere nye strukturer, men til at evaluere dem.

Denne forskel kan vise sig at være afgørende for fremtiden for AI-drevet medicin.

Det nye flaskehals i protein-AI

Protein-foldingsproblemet stod uløst i mere end et halvt århundrede. Det ændrede dramatisk, da AlphaFold fra Google DeepMind demonstrerede næsten eksperimentel nøjagtighed i forudsigelse af mange proteinstrukturer. Gennembruddet var så transformerende, at AI-drevet proteinforudsigelse blev anerkendt med en andel af Nobelprisen i kemi i 2024.

Siden da er forudsigelsessystemer udvidet fra enkeltproteiner til komplekser, grænseflader og biomolekylære interaktioner. AlphaFold Protein Structure Database indeholder nu hundredvis af millioner af forudsigede strukturer, hvilket ændrer, hvad der tidligere var sjældent, til noget næsten overflodigt.

Men overflod introducerer en ny udfordring.

En forudsiget proteinmodel kan se overbevisende ud, selv elegant. Dog kan subtile fejl – især ved bindingsgrænseflader eller fleksible områder – gøre forskellen på en livskraftig lægemiddelkandidat og en dyrekøbt blind vej. Interne tillidsmetrikker som pLDDT og forudsiget aligned fejl giver nyttige retningslinjer, men de forbliver modelgenererede signaler. De estimerer usikkerhed fra inden.

PSBench tilgår problemet udefra.

Hvad gør PSBench anderledes

I stedet for at bygge endnu en forudsigelsesmotor fungerer PSBench som en stor skala-evalueringssplatform. Databasen samler 1,4 million strukturelle modeller trukket fra fællesskabsbrede bestræbelser som Critical Assessment of protein Structure Prediction (CASP), den langvarige guldstandard for blinde proteinmodelleringseksperimenter. Disse modeller er parret med nøjagtighedslabels, der tillader forskere at træne og teste uafhængige AI-systemer i stand til at estimere strukturel pålidelighed.

I virkeligheden giver PSBench AI-modeller, der vurderer andre AI-modeller.

Denne evne bliver mere og mere vigtig, da feltet skifter fra at spørge “Kan vi forudsige en struktur?” til at spørge “Er denne struktur pålidelig nok til at vejlede eksperimenter?”

Chengs team har dybe rødder i denne udvikling. Tilbage i 2012, under en tidligere CASP-konkurrence, var hans gruppe blandt de første til at demonstrere, at dyb læring kunne forbedre proteinstrukturmodellering betydeligt. Over et årti senere reflekterer PSBench den næste fase af denne rejse: finpudse, hvordan forudsigelser vurderes, ikke kun genereres.

Arbejdet blev nyligt præsenteret på NeurIPS 2025, hvilket understreger, hvor tæt maskinlæringsforskning og strukturel biologi nu er forbundet.

AlphaFold i 2026: Fra folding til interaktioner

Imens fortsætter det bredere økosystem med at udvikle sig. Den seneste generation af AlphaFold-modeller udvider sig fra at foldde enkeltkæder til at modelere interaktioner mellem proteiner, DNA, RNA og små molekyler. Databaser er vokset til en hidtil uset skala, og fællesskabsbidrag accelererer dækningen over mikrobielle, virale og humane proteomer.

Da disse værktøjer modnes, behandler forskere forudsigede strukturer mere og mere som udgangspunkter for hypotesegenerering. Eksperimentel validering betyder stadig meget, men AI sætter nu dagsordenen for, hvad der testes først.

Det er netop derfor, kvalitetsvurdering er så vigtig.

Hvis forudsigelses-AI-systemer genererer flere strukturelle hypoteser, end laboratorier kan validere, bliver evnen til at prioritere disse hypoteser – nøjagtigt og objektivt – grundlæggende infrastruktur.

Konsekvenser for lægemiddelforskning

Proteiner er biologiens funktionsmaskiner. Deres tredimensionale former bestemmer, hvordan de interagerer, signalerer og regulerer livsprocesser. Når strukturer misfortolkes, især i terapeutiske sammenhænge, kan konsekvenserne kaske gennem årevis af udvikling.

Ved at forbedre træningen og benchmarkningen af modelkvalitetsvurderingssystemer kunne PSBench hjælpe med at reducere falsk tillid til fejlbehæftede forudsigelser. Mere pålidelig strukturel scoring betyder bedre prioritering af mål, mere effektiv brug af laboratorieresourcer og potentielt hurtigere veje til terapier for komplekse sygdomme som Alzheimers og kræft.

Vigtigt er, at PSBench ikke erstatter forudsigelsesværktøjer som AlphaFold. I stedet supplerer den dem – tilføjer et tillidslag til et økosystem, der hurtigt udvider i kraft og skala.

Tillidslagets opkomst

AI i biologi er indtrådt i en ny fase. Den første æra handlede om at løse forudsigelser. Den anden æra handlede om at skabe adgang. Den opkomne tredje æra handler om validering, benchmarking og styring.

PSBench repræsenterer denne skift.

Da AI-systemer bliver centrale for biomedicinsk opdagelse, vil evnen til at evaluere deres outputs med rigor bestemme, hvor tillidsfuldt forskere kan bygge på dem. I et område, hvor angstrom-niveauets præcision kan påvirke milliardbeslutninger, er tillid ikke valgfrit.

Hvis AlphaFold hjalp med at låse strukturen af liv op i skala, kan PSBench måske hjælpe med at sikre, at det, vi låser op, er solidt nok til at stå på.