AI thiết kế protein và gene chỉ bằng câu lệnh tự nhiên

Sudo, hãy tạo cho tôi một loại enzyme

Bạn giờ đây dường như có thể ra lệnh cho các công cụ AI về loại protein mà bạn muốn chúng tạo ra. Việc thiết kế các biến thể của cấu trúc protein ba chiều phức tạp đã trở nên dễ dàng hơn rất nhiều nhờ các công cụ AI.

Các công cụ thiết kế protein có thể ngày càng trở nên tinh vi hơn, nhưng bạn vẫn cần một sự hiểu biết sâu sắc về cấu trúc protein để chúng hoạt động. Điều này có thể bao gồm việc biết các cơ chế enzyme đến vị trí của các axit amin cụ thể, cũng như các phân tử nước chiếm giữ khu vực diễn ra quá trình xúc tác. Một khi bạn chỉ định những điều này, các công cụ có thể xây dựng phần còn lại của một protein xung quanh mục tiêu này.

Tuy nhiên, một sự hợp tác lớn của các nhà nghiên cứu có trụ sở tại Trung Quốc đã quyết định đưa việc thiết kế protein đến với đại chúng, tạo ra một công cụ có thể nhận các câu lệnh bằng ngôn ngữ tự nhiên và sử dụng chúng để sản xuất protein có chức năng bạn chỉ định. Nếu thước đo thành công của bạn là một protein hoạt động được, thì tỷ lệ thành công có thể không lớn. Nhưng họ vẫn hoàn thành được công việc. Và, trong một thông báo riêng biệt, Hugging Face đã chia sẻ rằng họ hiện đang lưu trữ một công cụ làm những việc tương tự ở cấp độ DNA.

Tương đương với việc lập trình trực quan (vibe coding) có thể đã đến với thiết kế protein — ít nhất là nếu bạn có quyền truy cập vào một phòng thí nghiệm nơi bạn có thể phân loại các thiết kế tốt từ hàng chục thiết kế thất bại.

Tập trung vào chức năng

Một số công cụ thiết kế protein tốt nhất mà chúng ta có sẵn ngay bây giờ hoạt động thông qua quy trình hai bước. Đầu tiên, bạn chỉ định một tập hợp các ràng buộc, chẳng hạn như nhu cầu liên kết với một phân tử khác hoặc có một sự sắp xếp cụ thể của các axit amin. Một công cụ AI sau đó tạo ra một hình dạng protein đáp ứng các ràng buộc đó. Khi điều đó hoàn tất, một công cụ riêng biệt sẽ điền vào hình dạng đó một chuỗi axit amin cụ thể có thể đảm bảo protein gấp lại thành cấu hình thích hợp để khớp với hình dạng.

Rõ ràng, việc làm đó thường đòi hỏi một chút kiến thức kỹ thuật. Ví dụ, nếu bạn đang thiết kế một chất xúc tác, thì bạn không chỉ cần biết axit amin nào là quan trọng để một phản ứng hóa học xảy ra, mà bạn phải biết chúng nên được đặt ở đâu trong không gian 3D. Điều đó, không có gì đáng ngạc nhiên, đòi hỏi sự hiểu biết khá tinh vi về hóa học protein và khả năng diễn đạt sự hiểu biết đó ở bất kỳ hình thức nào mà các công cụ thiết kế protein yêu cầu.

Vấn đề là, nếu hai chuyên gia nói chuyện với nhau, họ sẽ không cần phải cụ thể như vậy. Ví dụ, nếu một người nói "serine protease", người kia sẽ biết phần lớn những gì được ngụ ý bởi điều đó về các chi tiết của cơ chế phản ứng. Chúng ta cần phải cụ thể khi giao tiếp với một công cụ AI bởi vì, trong khi thế hệ công cụ hiện tại của chúng tôi rất xuất sắc trong việc xử lý các sắp xếp 3D của các axit amin, chúng lại hơi ngớ ngẩn về các chức năng mà các sắp xếp 3D đó mang lại.

Trong công việc của nhóm đứng sau công cụ mới, có tên là Pinal, điều này không nhất thiết phải xảy ra như vậy. Chúng ta có cơ sở dữ liệu chứa đầy hàng triệu chuỗi protein được gắn thẻ với các ghi chú về các chức năng mà các protein đó thực hiện. Với việc đào tạo thích hợp, các nhà nghiên cứu suy luận rằng, hoàn toàn có thể chỉ sử dụng cùng một thuật ngữ trong các thẻ đó để có được một hệ thống xuất ra một chuỗi hoạt động chính xác như những gì bạn đang tìm kiếm.

Protein cộng với ngôn ngữ

ội dung của Pinal, ở một cấp độ nào đó, hoạt động khá giống với các công cụ tiêu chuẩn, tuân theo quy trình hai bước là xây dựng bộ xương cho protein và sau đó điền vào các chi tiết của các axit amin cư trú trong bộ xương đó thông qua một quy trình riêng biệt. Nhưng có những điểm khác biệt rất đáng kể - bắt đầu bằng những gì bạn cần làm để bắt đầu quá trình.

Thay vì chỉ định một số chi tiết của một vài axit amin trong sản phẩm thiết kế, bạn chỉ cần cho hệ thống biết những gì bạn muốn. "Giai đoạn đầu tiên được xử lý bởi T2struct, một mô-đun chuyển đổi văn bản thành cấu trúc dịch câu lệnh ngôn ngữ tự nhiên thành bản thiết kế cấu trúc," như các nhà phát triển của hệ thống mô tả. T2struct cũng không xuất ra hình dạng 3D; nó chỉ đơn giản tạo ra một mảng tuyến tính các token tương ứng với mối quan hệ không gian giữa mỗi axit amin và những người hàng xóm gần nhất của nó và gán xác suất cho từng cái.

Điều đó được bàn giao cho một hệ thống có tên là SAProt-T, sử dụng sự kết hợp của văn bản gốc và đầu ra cho T2struct để xây dựng chuỗi axit amin trong thiết kế protein cuối cùng. Ở đây, các xác suất được tạo ra trước đó rất quan trọng, vì SAProt-T thực hiện đánh giá lại toàn cầu. Theo các tác giả, điều này tránh được nguy cơ "bỏ qua một cấu trúc có xác suất thấp hơn một chút nhưng có thể chứa một chuỗi chức năng vượt trội hơn nhiều."

Làm thế nào để bạn phát triển một hệ thống có thể làm tất cả những điều này? Các nhà nghiên cứu quyết định cách tốt nhất là sử dụng lượng dữ liệu khổng lồ. Đối với mỗi tập hợp các thẻ mô tả chức năng của protein, họ đã đưa các thẻ vào một LLM và yêu cầu nó cung cấp một mô tả bằng ngôn ngữ thông thường và sử dụng cả thẻ và mô tả như một phần của quá trình đào tạo. Họ đã sử dụng các chuỗi protein từ ba cơ sở dữ liệu khác nhau, được ghép nối với thông tin cấu trúc được dự đoán bởi AlphaFold; chỉ riêng một trong các cơ sở dữ liệu này chứa 800 triệu cặp từ khóa - protein.

Protein có chức năng

Để kiểm tra Pinal, các nhà nghiên cứu đã yêu cầu nó thiết kế bốn loại protein rất khác nhau: một loại huỳnh quang, hai loại enzyme và một loại tham gia vào một phức hợp đa protein lớn. Mặc dù các chi tiết có thay đổi một chút từ trường hợp này sang trường hợp khác, nhưng có một quy trình tương tự cho mỗi trường hợp; chúng ta sẽ sử dụng protein huỳnh quang làm ví dụ.

Ví dụ cổ điển về một loại protein huỳnh quang, đã mang lại giải Nobel cho người phát hiện ra nó, là GFP, protein huỳnh quang xanh lục. Pinal được yêu cầu sản xuất 50.000 protein có thể huỳnh quang giống như GFP. Danh sách lớn này sau đó đã được lọc bớt bởi một số tiêu chí. Đối với những người mới bắt đầu, các nhà nghiên cứu đã loại bỏ bất kỳ thứ gì có trình tự trông giống như một loại protein huỳnh quang đã biết. Nhưng họ đã chọn một vài tính năng chính được tìm thấy ở GFP: khả năng tạo thành cấu trúc dạng thùng và sự hiện diện của một axit amin quan trọng có thể được biến đổi hóa học để cho phép huỳnh quang.

Tóm lại, họ muốn nó hơi giống GFP nói chung, nhưng không rất giống về mặt trình tự axit amin cụ thể. Quá trình lọc đó đã để lại cho họ một danh sách ưu tiên cao chỉ gồm 29 protein ứng cử viên, tất cả đều được tạo ra trong E. coli. Tổng cộng có đúng một trong số chúng phát huỳnh quang.

Tất cả các ví dụ khác được thực hiện tương tự: bắt đầu bằng một danh sách khổng lồ, thu hẹp nó bằng máy tính, sau đó thử nghiệm một vài tá thiết kế, trong đó chỉ một vài thiết kế hoạt động.

Không chỉ là protein

Tuần trước cũng chứng kiến sự ra mắt của một cái gì đó rất tương tự nhưng tập trung vào các chuỗi DNA. Sự hợp tác của công ty AI Hugging Face, Học viện Trung Quan Thôn và Đại học Naples "Federico II" đã giới thiệu cái mà họ gọi là Carbon X, một mô hình trọng lượng mở có thể chạy trên phần cứng cục bộ. Nó dựa trên mô hình ngôn ngữ của con người có tên là Qwen3-14B nhưng đã được đào tạo lại bằng DNA, tiếp theo là học tăng cường và tinh chỉnh có giám sát.