AlphaFold & AlphaGenome (Google DeepMind)
AlphaFold og AlphaGenome er to AI-modeller fra Google DeepMind, der har revolutioneret vores forståelse af biologi på molekylært niveau. AlphaFold forudsiger proteiners tredimensionelle struktur ud fra deres aminosyresekvens, mens AlphaGenome tolker DNA-sekvenser og forudsiger, hvordan genetiske variationer påvirker genregulering.
Sammen repræsenterer de et paradigmeskift i life science. Hvor det tidligere tog måneder eller år at bestemme en enkelt proteinstruktur eksperimentelt, kan AlphaFold gøre det på minutter. AlphaGenome løser et tilsvarende problem for genomet ved at modellere op til en million DNA-basepar i en analyse. For virksomheder inden for pharma, biotek og sundhed åbner det nye muligheder for hurtigere og billigere lægemiddeludvikling.
Hvordan virker AlphaFold og AlphaGenome?
AlphaFold bruger deep learning til at forudsige, hvordan en kæde af aminosyrer folder sig til en tredimensionel proteinstruktur. Proteiner er de molekylære maskiner, der driver alle processer i levende celler, og deres funktion afhænger af deres form. AlphaFold 2 løste i 2020 det såkaldte protein folding problem, som havde været en af biologiens største udfordringer i over 50 år. AlphaFold 3, lanceret i 2024, kan desuden forudsige strukturer af proteinkomplekser med DNA, RNA og udvalgte ligander.
AlphaGenome, lanceret i juni 2025, er en AI-model der analyserer DNA-sekvenser med hidtil uset præcision. Modellen kan behandle op til en million DNA-basepar ad gangen og forudsige en bred vifte af biologiske fænomener: hvor gener starter og slutter, RNA-splejsningsmønstre, kromatintilgængelighed og proteinbinding. Hvor tidligere modeller var specialiserede til enkelte opgaver, tilbyder AlphaGenome en samlet arkitektur, der opnår topresultater på tværs af 24 ud af 26 variant-effekt benchmarks.
Begge modeller er baseret på foundation model-arkitekturen, trænet på massive biologiske datasæt. AlphaFold har allerede forudsagt strukturen af over 200 millioner proteiner, som er frit tilgængelige i AlphaFold Protein Structure Database.
Vil du forstå, hvordan AI forandrer life science og lægemiddeludvikling? Consile rådgiver om AI-strategi og implementering på tværs af brancher. Kontakt os for en uforpligtende samtale om jeres muligheder.
AlphaFold og AlphaGenome i erhvervslivet
Den mest direkte erhvervsanvendelse er lægemiddeludvikling. AlphaFold gør det muligt at identificere lovende drug targets hurtigere og billigere end traditionelle metoder. Isomorphic Labs, et søsterselskab til DeepMind under Alphabet, har indgået partnerskaber med Eli Lilly og Novartis til en samlet værdi af tre milliarder dollars for at udvikle nye lægemidler baseret på AlphaFold-teknologien.
For startups har AlphaFold sænket adgangsbarrieren markant. Hvor lægemiddeludvikling tidligere krævede hundredvis af millioner i kapital, kan virksomheder med 5-10 millioner dollars i funding nu realistisk påbegynde udvikling af nye lægemidler takket være AI-baseret strukturforudsigelse.
AlphaGenome åbner nye muligheder inden for personlig medicin og sjældne sygdomme. Modellen kan forudsige, hvordan specifikke DNA-mutationer påvirker genregulering, hvilket er centralt for at forstå sygdomme som spinal muskelatrofi og cystisk fibrose. For biotek-virksomheder betyder det hurtigere identifikation af sygdomsmarkører og potentielle behandlingsmål.
Danmark har en stærk life science-sektor med virksomheder som Novo Nordisk, Lundbeck og en lang række biotek-startups. For disse virksomheder kan AlphaFold og AlphaGenome accelerere forskningsprocesser og reducere omkostninger i de tidlige faser af lægemiddeludvikling.
Hvad AlphaFold og AlphaGenome ikke er
AlphaFold erstatter ikke eksperimentel biologi. Modellen forudsiger statiske proteinstrukturer, men kan ikke simulere dynamiske processer i levende celler. Den har også begrænsninger ved proteiner, der er iboende uordnede (intrinsically disordered proteins), samt ved membranproteiner, hvor den ikke tager højde for membranens orientering. AlphaFold er heller ikke direkte anvendelig til molecular docking, altså simulering af hvordan et lægemiddelmolekyle binder til et protein.
AlphaGenome er tilgængelig til ikkekommerciel brug via en online API, men er endnu ikke en fuldstændig erstatning for laboratoriebaseret genomforskning. Begge modeller er kraftfulde værktøjer, der supplerer snarere end erstatter eksperimentelle metoder.
Det er også vigtigt at skelne AlphaFold fra generativ AI som LLM'er. AlphaFold og AlphaGenome er specialiserede AI-systemer designet til specifikke videnskabelige opgaver, ikke generelle sprogmodeller.
Relaterede termer
Deep learning er machine learning med dybe neurale netværk. Forstå hvordan lagene lærer, hvor det bruges, og hvornår enklere metoder er bedre.
AI transformation er at gå fra spredte forsøg til systematisk AI i hele virksomheden. Se de fire dimensioner, og hvorfor mange går i stå.
Fine-tuning træner en eksisterende AI-model videre på jeres egne data. Forstå hvordan det virker, og hvornår det slår RAG og prompt engineering.
AI governance er den organisatoriske ramme for ansvarlig AI-brug. Forstå de fem områder, hvorfor det haster med EU AI Act, og hvor I begynder.
Ofte stillede spørgsmål om AlphaFold & AlphaGenome
Hvad er forskellen på AlphaFold og AlphaGenome?+
AlphaFold forudsiger proteiners tredimensionelle struktur ud fra aminosyresekvenser. AlphaGenome analyserer DNA-sekvenser og forudsiger, hvordan genetiske variationer påvirker genregulering. De komplementerer hinanden: AlphaFold handler om proteiner, AlphaGenome om genomet.
Kan min virksomhed bruge AlphaFold?+
Ja. AlphaFold Protein Structure Database er frit tilgængelig med over 200 millioner forudsagte strukturer. AlphaFold 3 er tilgængelig via AlphaFold Server til ikkekommerciel brug. For kommerciel brug samarbejder Isomorphic Labs med pharma-virksomheder. Consile kan hjælpe med at vurdere, hvordan AI-baseret strukturforudsigelse passer ind i jeres forsknings- eller udviklingsproces.
Vandt AlphaFold en Nobelpris?+
Ja. I 2024 modtog Demis Hassabis og John Jumper fra Google DeepMind Nobelprisen i kemi for deres arbejde med AlphaFold og forudsigelse af proteinstrukturer.