← 返回首頁

讓序列與結構一起設計:輝達、華盛頓大學開源蛋白質AI模型

RFD4-Proteina嘗試縮短從分子構想到實驗驗證的距離,應用涵蓋藥物探索與農藥分解酵素。團隊報告的運算效能提升,仍須與蛋白質在實驗室及人體中的表現分開解讀。

By SURL BioNews

要打造能抓住疾病標的、或分解環境污染物的蛋白質,光畫出漂亮的分子結構還不夠;胺基酸排列、摺疊形狀與作用對象,都必須配合。華盛頓大學醫學院蛋白質設計研究所與輝達(NVIDIA)10月21日推出開源模型RFD4-Proteina,將這些條件納入同一套設計過程,希望讓研究者更快找到值得送進實驗室的候選分子。

這項在柏林GTC大會公布的模型,結合研究所RFdiffusion系列與輝達Proteina的技術。它能同步調整蛋白質的序列、三維結構,以及與其互動的分子結構,讓一處修改帶動其他部分配合;研究者也可指定分子條件與評分目標,引導模型搜尋,並為較難的問題投入更多運算。

具體用途包括設計能結合特定蛋白質或小分子的分子、支撐酵素作用部位的結構,以及能與DNA結合的蛋白質。輝達表示,研究草稿在這四類基準測試中,都得到優於受測比較模型的運算設計成功率與候選生成效率。華盛頓大學則報告,成功率達先前模型的五至十倍,生成速度也達五至十倍;這些是運算測試的指標,不能直接換算成藥物研發的成功機率。

實驗端也有初步成果。據華盛頓大學發布的研究者說明,團隊在數天內設計出分解農藥的酵素,表現優於過去花數月取得的最佳設計;另一項工作則在不到一週內,控制蛋白質所連接的醣鏈類型。醣鏈參與免疫辨識,能否精準安排這些修飾,是蛋白質工程的重要問題。不過,這些時程來自團隊個別應用經驗,尚不能代表所有設計任務都能同樣加速。

開源也讓這次發布超出單一模型的範圍。Rosetta Commons於10月23日說明,模型已透過其GitHub組織公開,並以潛在空間方法整合序列與結構生成。配套工具TMol負責以GPU加速設計評分及結構鬆弛,AtomWorks則支援訓練與推論,讓其他團隊有機會接續開發、檢驗與修改整套流程。

目前證據支持的進展,是更有效率地提出候選設計,以及部分設計已在實驗中展現預期功能。公開新聞資料並未完整列出各項實驗的樣本數、成功比例與測試條件,輝達引用的結果也仍以研究草稿呈現。對醫療用途而言,能結合標的只是起點;蛋白質在體內的穩定性、免疫反應、安全性與實際療效,仍須由後續研究逐一回答。

References

  1. Genetic Engineering and Biotechnology News
  2. UW Medicine
  3. NVIDIA Newsroom
  4. Rosetta Commons