Conèixer la forma tridimensional de les proteïnes d'un virus és un primer pas imprescindible per dissenyar-hi diagnòstics, tractaments o vacunes, però resoldre aquestes estructures al laboratori és lent i car, sobretot per a virus poc estudiats. La base de dades AlphaFold, creada per l'Institut Europeu de Bioinformàtica (EMBL-EBI) i Google DeepMind, ja allotjava més de 260 milions de prediccions de proteïnes i complexos proteics abans d'aquesta ampliació, pensada per omplir precisament aquest buit amb la iniciativa coneguda com a «100 Days Mission»: l'objectiu internacional de tenir vacunes o tractaments llestos en els primers cent dies d'una nova amenaça vírica.
Un consorci format per l'EMBL-EBI, Google DeepMind, Nvidia, la Universitat Nacional de Seül, la Universitat de Glasgow, l'Institut Suís de Bioinformàtica, la Coalition for Epidemic Preparedness Innovations (CEPI), la Universitat Sungkyunkwan i la Universitat de Lund ha anunciat el 24 de setembre l'ampliació d'AlphaFold amb prediccions de l'estructura de complexos proteics de més de 2.800 virus, amb prioritat per a les famílies víriques conegudes per infectar humans. L'anunci arriba just abans de la reunió d'alt nivell de l'Assemblea General de l'ONU sobre prevenció i preparació davant de pandèmies, prevista per al 25 de setembre a la seu de Nova York, i es va presentar en una taula rodona organitzada per la CEPI i el Fòrum Econòmic Mundial. «Fer que aquestes dades siguin obertes és fonamental per entendre el diagnòstic víric i desenvolupar-hi tractaments i vacunes», ha dit Jo McEntyre, directora interina de l'EMBL-EBI.
Disposar d'aquestes estructures predites dona als investigadors un punt de partida immediat en lloc d'haver de resoldre-les experimentalment des de zero, cosa especialment útil per a virus emergents o poc estudiats dels quals encara no es coneix gairebé res. Amb aquesta base, els laboratoris podrien identificar més ràpidament quines parts d'una proteïna vírica serien un bon objectiu per a un fàrmac o un anticòs quan aparegui una amenaça nova.
Com recorda Joe Grove, de la Universitat de Glasgow, «aquest nou conjunt de dades aporta coneixement fonamental valuós», però «no facilita enginyerar patògens més perillosos». Les prediccions tampoc anticipen com afectaran les mutacions futures d'un virus a la forma d'aquestes proteïnes, i cal recordar que es tracta d'hipòtesis computacionals, no d'estructures confirmades al laboratori: encara caldrà validar-les experimentalment abans de fer-les servir en el desenvolupament real de diagnòstics o tractaments.