AlphaFold był revolucyjnym osiągnięciem w przewidywaniu struktury białek, ale według ekspertów z Google DeepMind i Biohub to zaledwie początek drogi do pełnego zrozumienia biologii. Pushmeet Kohli i Sal Candido podkreślają, że samo zwiększanie mocy obliczeniowej i ilości danych nie wystarczy - potrzebna jest głębsza zmiana podejścia do budowania modeli AI dla biologii.
Problem polega na tym, że struktura białka to tylko jeden fragment gigantycznej układanki. Białka nie działają w izolacji - funkcjonują w kontekście komórek, tkanek i całych systemów biologicznych. Przewidywanie poszczególnych struktur, choć ważne, nie mówi nam, jak białka współdziałają ze sobą, jak zmieniają się w odpowiedzi na różne warunki czy jak uczestniczą w procesach patologicznych. Eksperci wskazują też na znaczenie znalezienia właściwych praw skalowania dla danych biologicznych - nie chodzi o ślepe zwiększanie rozmiarów modeli, lecz o zrozumienie, które aspekty danych naprawdę się skalują.
Przyszłość AI w biologii według Kohli'ego i Candido leży w modelach, które łączą naukową intuicję z ogólnodostępnymi architekturami. Białkowe modele językowe mogą już zawierać naukową wiedzę, którą jeszcze nie odkryliśmy - problem w tym, jak ją wydobyć i zastosować. Aby osiągnąć rzeczywisty przełom w leczeniu chorób, potrzebne są przesuniecia rzędu 10x, a nie przyrostowe ulepszenia. To wymaga przejścia od przewidywania struktury pojedynczych białek do budowania predyktywnych modeli całych systemów żywych.