Một bài báo vừa được công bố trên tạp chí Nature hôm nay mô tả phương pháp mới do đội ngũ AlphaFold tại DeepMind phát triển, kết hợp các nguyên lý cơ học lượng tử vào quá trình dự đoán cấu trúc protein. Phương pháp này, được gọi là QFold, cho phép mô hình tính toán tương tác giữa các nguyên tử ở mức độ chính xác cao hơn so với các mô hình thuần túy dựa trên neural network.
QFold sử dụng một hybrid architecture, trong đó phần backbone dự đoán cấu trúc vẫn là neural network được huấn luyện trên dữ liệu Protein Data Bank, nhưng các bước refinement cuối cùng sử dụng các phương trình Schrödinger được xấp xỉ bằng neural operator. Cách tiếp cận này giúp giảm sai số trong việc dự đoán các cấu trúc protein phức tạp, đặc biệt là những protein có kim loại chuyển tiếp hoặc các nhóm chức năng đặc biệt.
Kết quả thử nghiệm cho thấy QFold đạt hiệu suất RMSE (Root Mean Square Error) thấp hơn 18% so với AlphaFold 3 trong các trường hợp protein khó dự đoán. Đặc biệt, mô hình có khả năng dự đoán các trạng thái động (dynamic states) của protein, điều mà các phiên bản trước chỉ có thể suy đoán một phần.
Giáo sư John Jumper, người đứng đầu dự án AlphaFold, cho biết QFold là bước đầu tiên trong hướng tiếp cận 'physics-informed AI', nơi các mô hình AI được tích hợp trực tiếp các định luật vật lý để tăng độ tin cậy. Ông nhấn mạnh rằng phương pháp này có thể mở rộng sang các lĩnh vực khác như hóa học lượng tử và vật liệu học.