A Google DeepMind szétosztotta azt a kutatócsoportot, amely nyolc év alatt több mint 200 millió fehérjeszerkezetet jósolt meg, és 2024-ben kémiai Nobel-díjat hozott. Az adatbázis marad, a csapat nincs többé.
Mi változik ettől a gyógyszerkutatásban – és mi az, ami valójában sosem működött úgy, ahogy a szalagcímek sugallták.
Mi történt pontosan
2026 júliusának végén a Financial Times számolt be arról, hogy a Google DeepMind megszüntette az AlphaFold dedikált kutatócsapatát. Az eredeti tudományos publikációk szerzőinek nagy részét az elmúlt évben más projektekre helyezték át – jellemzően a Gemini nyelvi modell köré szerveződő fejlesztésekre, illetve enzimtervezési, magfúziós és genomikai programokra. A teljes munkaidős szerzők közel negyede elhagyta a céget.
A legnagyobb visszhangot John Jumper távozása keltette: a 2024-es kémiai Nobel-díj egyik kitüntetettje 2026 júniusában jelentette be, hogy a rivális Anthropichoz szerződik. Két közeli munkatársa, Jonas Adler és Alexander Pritzel követte őt.
Pushmeet Kohli, a Google DeepMind kutatási alelnöke megerősítette a stratégiaváltást: a labor kilenc éven át követett modellje – amelyben egy-egy dedikált csapat egyetlen nagy tudományos kihívásra összpontosít – lezárult. Helyette a Gemini köré épülő, általános célú kutatási rendszereket építenek.
Fontos megkülönböztetés: nem az AlphaFoldot állították le. Az AlphaFold Protein Structure Database és az AlphaFold Server működik, az AlphaFold 3 akadémiai célra továbbra is elérhető. A csapat szűnt meg, nem a szolgáltatás.
Mit adott az AlphaFold az orvostudománynak
Hogy megértsük a tétet, érdemes felidézni, mekkora ugrásról van szó. A fehérjék háromdimenziós alakja határozza meg a biológiai funkciójukat. A hagyományos módszerekkel – röntgenkrisztallográfiával, NMR-rel, krio-elektronmikroszkóppal – egyetlen szerkezet meghatározása hónapokig vagy évekig tarthatott. Ötven év alatt nagyjából 170 ezer fehérjeszerkezetet sikerült így feltérképezni.
Az AlphaFold 2021-es indulásakor mintegy 360 ezer előrejelzést tett közzé 21 modellszervezet fehérjekészletére. 2022 júliusára az adatbázis több mint 200 millió szerkezetre bővült, gyakorlatilag lefedve a UniProt teljes tartalmát. A 2024-es állapot szerint már 214 millió fölött járt a bejegyzések száma – ötszázszoros növekedés három év alatt.
Az adatbázist az EMBL Európai Bioinformatikai Intézete (EMBL-EBI) üzemelteti a Google DeepMinddal közösen, CC-BY 4.0 licenc alatt, ingyenesen. Több mint 3,4 millió felhasználó érte el 190 országból. 2025 őszén a partnerség megújult, és a rendszer kiegészült az izoformákkal, valamint a predikciók alapjául szolgáló szekvenciaillesztésekkel – ez utóbbi a betegségekhez köthető szöveti eltérések vizsgálatában különösen hasznos. 2026 májusában fehérjekomplexek (homodimerek, majd közel 80 ezer nagy megbízhatóságú heterodimer) is bekerültek az adatbázisba.
A gyakorlati alkalmazás valós: az AlphaFold-előrejelzések bekerültek a PDB, a UniProt, az Ensembl és az InterPro rendszerébe, és mindennapos eszközzé váltak a neurodegeneratív betegségek – Alzheimer-kór, Parkinson-kór – szerkezeti kutatásában, a vakcinafejlesztésben és az antibiotikum-rezisztencia vizsgálatában.
Amiről kevesebb szó esik
Itt jön az a fejezet, amit a Nobel-díjas szalagcímek mellett ritkán olvasunk: a fehérjeszerkezet ismerete önmagában nem gyógyszer.
Derek Lowe, a gyógyszerkémia egyik legismertebb szakírója a Chemistry Worldben megfogalmazott, szándékosan provokatív állítása szerint rendkívül ritkán fordul elő, hogy egy gyógyszerkutatási projektben éppen a fehérje szerkezetének ismerete lenne a szűk keresztmetszet. A klinikai fázisban tapasztalt, nagyjából 85 százalékos bukási aránynak két fő oka van – a rossz célpontválasztás és a későn felismert toxicitás –, és ezeken a szerkezetismeret önmagában alig segít.
A technikai korlátok is jól dokumentáltak. Az AlphaFold2 egyetlen, statikus konformációt jósol, ligandumok, ionok és oldószer nélkül – vagyis a megjósolt alak nem feltétlenül az, amelyik a hatóanyagot megköti. A kötőhely részletei, különösen az oldalláncok térállása, gyakran nem elég pontosak ahhoz, hogy egy gyógyszertervezési kampányt rájuk lehessen alapozni. Az AlphaFold 3 már kezeli a fehérje–ligandum kölcsönhatásokat, és a statikus komplexeknél jól teljesít, de a jelentős konformációváltozásokkal járó esetekben elakad, és bizonyos célponttípusoknál – például a GPCR-eknél – konformációs torzítást mutat.
A szakmában kialakult gyakorlati szabály ezért óvatos: a predikciókat hipotézisállításra és tájékozódásra érdemes használni, a kötőhely részleteit pedig kísérletesen igazolni, mielőtt bárki komoly kémiai fejlesztést épít rájuk. A kísérleti szerkezeti biológia nem átmenetileg maradt nélkülözhetetlen, hanem strukturálisan – mást nyújt, mint a predikció.
Az igazi próba: az Isomorphic Labs
Az AlphaFold gyógyszeripari hasznosítása nem is a DeepMindnál, hanem a 2021-ben leválasztott Isomorphic Labsnál zajlik. A cég 2025 tavaszán 600 millió dolláros külső finanszírozást szerzett a Thrive Capital vezetésével, és közel hárommilliárd dollár értékű együttműködése van a Novartisszal és az Eli Lillyvel.
A klinikai idővonal viszont tanulságos. Demis Hassabis eredetileg 2025 végére ígérte az első humán vizsgálatokat, majd 2026 januárjában, a davosi Világgazdasági Fórumon 2026 végére tolta a határidőt. A cég elsőként onkológiai jelöltjeit viszi klinikai fázisba.
Ez a csúszás nem botrány – biotech-mércével még mindig gyors –, de pontosan azt illusztrálja, amiről az előző fejezet szól. A digitális tervezőasztaltól az első betegig vezető út nem rövidül le a szerkezetjóslás pontosságával arányosan. Az AlphaFold hatása a gyógyszerkutatás elején, a felfedező fázisban a legerősebb, és onnantól fokozatosan gyengül.
Mit jelent mindez a gyakorlatban
A kutatóknak rövid távon keveset. Az adatbázis és az API él, az EMBL-EBI-partnerség 2025-ben megújult, a fejlesztés a DeepMind közlése szerint szélesebb tudományos programokon belül folytatódik. Aki holnap AlphaFold-előrejelzést akar lekérni, meg fogja tudni tenni.
Középtávon viszont van egy valós kockázat. Amikor egy termék fejlesztése megszűnik önálló csapat felelősségi köre lenni, és szétoszlik több program között, könnyen karbantartás lesz belőle innováció helyett. Az AlphaFold jelenlegi verziói épp azoknál a kérdéseknél korlátosak – dinamika, konformációváltozás, membránfehérjék –, amelyek megoldásához koncentrált, hosszú távú kutatói figyelem kellene.
A tágabb kép pedig egy stratégiai fordulat. A nagy technológiai laborok erőforrásai a nyelvi modellek és az általános célú ágensek felé mozdulnak, mert ott van a közvetlen bevétel. A fehérjeszerkezet-jóslás nem termel pénzt a felhőszolgáltatáson és a keresőn keresztül. Hogy ez tartósan lassítja-e a biológiai AI fejlődését, vagy csak átrendezi – az Isomorphic Labs, az akadémiai szféra és az alternatív modellek (RoseTTAFold, ESMFold, Chai-1) irányába –, arra a következő két-három év ad választ.
Egy jel mindenesetre beszédes: a távozó kutatók olyan versenytárshoz szerződtek, amely maga is nyitott a biológiai és gyógyszerkutatási irány felé. A munka tehát nem áll le. Csak máshol folytatódik.
Források
- Financial Times / Engadget (2026. július 30.): Google DeepMind disbands its Nobel-prize winning AlphaFold team — https://www.engadget.com/2225849/google-shuts-down-alphafold/
- Yahoo Finance (2026. július): Alphabet (GOOGL) Disbands AlphaFold Team As DeepMind Pushes Gemini Further — https://finance.yahoo.com/technology/ai/articles/alphabet-googl-disbands-alphafold-team-031617001.html
- Google DeepMind – AlphaFold hivatalos oldal: https://deepmind.google/science/alphafold/
- AlphaFold Protein Structure Database (EMBL-EBI): https://alphafold.ebi.ac.uk
- Varadi M. et al. (2024): AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences. Nucleic Acids Research 52(D1):D368 — https://academic.oup.com/nar/article/52/D1/D368/7337620
- EMBL (2025. október): EMBL-EBI and Google DeepMind renew partnership and release update to AlphaFold Database — https://www.embl.org/news/science-technology/google-deepmind-partnership-renewal/
- EMBL (2026. május): Millions of protein complexes added to AlphaFold Database — https://www.embl.org/news/science-technology/first-complexes-alphafold-database/
- Lowe, D. (2025): Why AlphaFold won’t revolutionise drug discovery. Chemistry World — https://www.chemistryworld.com/opinion/why-alphafold-wont-revolutionise-drug-discovery/4016051.article
- Drug Discovery News (2026): AlphaFold in Drug Discovery: What It Has and Hasn’t Changed — https://www.drugdiscoverynews.com/alphafold-in-drug-discovery-what-protein-structure-prediction-has-and-hasn-t-changed-17348
- bioRxiv (2025): AlphaFold3 in Drug Discovery: A Comprehensive Assessment of Capabilities, Limitations, and Applications — https://www.biorxiv.org/content/10.1101/2025.04.07.647682v1.full
- Reuters (2026. január 20.): Google-backed Isomorphic Labs delays clinical trial timeline — https://finance.yahoo.com/news/google-backed-ai-drug-discovery-195423147.html
- Clinical Trials Arena: Isomorphic Labs prepares to launch trials for AI-designed drugs — https://www.clinicaltrialsarena.com/news/isomorphic-labs-prepares-trials-ai-designed-drugs/
Szerkesztői megjegyzés: a cikkben említett Anthropic – ahová John Jumper és két kollégája szerződött – a Claude nevű mesterséges intelligencia fejlesztője; a szöveg elkészítéséhez ezt az eszközt is használtuk.
