在生物科技領域，人工智能的應用正快速推動蛋白質的發現與設計。近日，加州大學伯克利分校（UC Berkeley）與加州理工學院(Caltech)的研究團隊聯合開發了一種名爲 ProteinDT 的新型多模態框架，旨在利用文本描述來輔助蛋白質設計。這一創新方法不僅結合了蛋白質的序列和結構信息，還整合了大量以文本形式存在的生物知識，開啓了蛋白質設計的新篇章。

ProteinDT 的工作流程分爲三個主要步驟。首先，研究團隊利用 “對比性語言 - 蛋白質預訓練”（ProteinCLAP）方法，將文本描述與蛋白質序列進行對齊。這一過程藉助於來自 UniProt 數據庫的41.1萬個文本 - 蛋白質對，採用對比學習技術，確保不同模態間的有效融合。

蛋白組織 生物

圖源備註：圖片由AI生成，圖片授權服務商Midjourney

接下來，ProteinDT 的 “Facilitator” 模型從文本中生成蛋白質序列的表徵，通過高斯分佈估計條件分佈，以實現精準生成。而最後一個環節則是解碼器，它作爲條件生成模型，根據前一步的表徵信息生成最終的蛋白質序列。

爲驗證這一框架的有效性，研究團隊設計了三項下游任務。首先是文本生成蛋白質任務，通過輸入目標蛋白質特性的文本描述，ProteinDT 能生成相關的蛋白質序列，其準確率超過90%。其次是零樣本文本引導的蛋白質編輯任務，通過兩種方法對已有序列進行編輯，無論是潛在空間插值法還是潛在優化法，都能有效注入文本信息，提升蛋白質生成的質量。最後，團隊還評估了 ProteinCLAP 的學習表徵穩健性與泛化能力，相較於其他六種前沿方法，ProteinDT 在多項基準測試中表現優異。

這一研究不僅爲蛋白質設計開闢了新的思路，也展示了文本數據與生物分子設計結合的巨大潛力，未來有望進一步推動生物醫學和藥物開發的進步。