Новый ИИ-фреймворк ускоряет поиск белков, используя экспериментальные данные и текстовые описания

Исследователи из Национальной лаборатории Аргонн Министерства энергетики США разработали инновационный вычислительный фреймворк на базе искусственного интеллекта для ускорения проектирования новых белков. Этот подход, названный MProt-DPO, стал финалистом престижной премии Гордона Белла.

Ключевая инновация — способность фреймворка интегрировать различные типы данных:

• Традиционные данные о белковых последовательностях
• Экспериментальные результаты
• Данные молекулярного моделирования
• Текстовые описания свойств белков

Этот подход может ускорить открытие белков для создания вакцин, ферментов для переработки пластика и других применений, включая белки, не существующие в природе.

Навигация в огромном пространстве дизайна белков

Задача сопоставления аминокислотной последовательности белка с его структурой и функцией чрезвычайно сложна. Даже небольшое изменение последовательности создает огромное количество вариантов.

• Изменение трех аминокислот в последовательности из 20 дает 8 000 комбинаций.
• Изменение 77 аминокислот в белке из 300 аминокислот создает пространство дизайна размером 10¹⁰⁰ (гугол) уникальных возможностей.

Для исследования этого пространства требуются большие языковые модели (LLM) и суперкомпьютеры.

Использование мощности ИИ и экзафлопсных вычислений

Для обучения LLM фреймворка, содержащих несколько миллиардов параметров, использовались ведущие суперкомпьютеры:

• Aurora (Аргонн)
• Frontier (Ок-Ридж)
• Alps (Швейцария)
• Leonardo (Италия)
• PDX (NVIDIA)

На каждой системе была достигнута устойчивая производительность свыше одного экзафлопса (квинтиллион операций в секунду), с пиком 5.57 экзафлопс на Aurora.

Адаптация workflow к разным архитектурам доказала портативность и масштабируемость фреймворка.

Обучение на основе предпочтительных исходов

DPO (Direct Preference Optimization) в названии фреймворка — это алгоритм, который помогает моделям ИИ обучаться на основе предпочтительных или непредпочтительных исходов. В MProt-DPO обратная связь обеспечивается не человеком, а экспериментальными данными и симуляциями в реальном времени.

Это позволяет:

1. Генерировать белковые последовательности с заданными свойствами (например, каталитической активностью).
2. Использовать измерения этих свойств как обратную связь для настройки LLM.
3. Сократить время нахождения решения за счет включения обратной связи в процесс дизайна.
4. Повысить достоверность моделей ИИ, предотвращая "галлюцинации" и создание нереалистичных последовательностей.

Тестирование и перспективы

Фреймворк был протестирован на двух задачах:

1. Оптимизация белка дрожжей HIS7 с использованием экспериментальных данных.
2. Улучшение каталитической эффективности фермента малатдегидрогеназы с использованием данных моделирования.

Лабораторная валидация созданных ИИ конструкций показала, что они работают как ожидалось.

Разработка MProt-DPO также способствует продвижению более широких инициатив Аргонн в области ИИ для науки и автономного открытия. Использование мультимодальных данных лежит в основе создания AuroraGPT — базовой модели для автономных научных исследований.