分子之心公布达尔文大模型新进展

本文转自：新华网

9月20日，由工业和信息化部、国务院国资委、中国工程院、安徽省人民政府等共同主办的2023世界制造业大会在合肥召开，清华大学智能产业研究院（AIR）卓越访问教授许锦波携自主研发的AI蛋白质生成大模型NewOrigin（中文名“达尔文”）亮相。会上，汇聚各界人工智能领域高端人才、旨在推进多领域融合和协同创新的“AI百人会”成立，许锦波受聘任副会长。

许锦波介绍，NewOrigin大模型拥有百万级参数，学习了万亿级高质量、多层次、多模态的大数据，融合自然语言与蛋白语言，力图高精度、低门槛、高通用性地满足创新药设计、合成生物学等真实产业应用需求，大幅提升蛋白质设计的效率和成功率。NewOrigin大模型基于条件生成机制，联合使用AI、分子动力学、量子计算、湿实验等多维反馈机制，可高精度生成蛋白质序列、蛋白质功能、蛋白质知识表示等多种模态蛋白质内容，完成亲和力、稳定性、活性、表达量等多维度任务，满足真实的产业应用所需。而融合自然语言的交互方式，将极大降低使用门槛，让不具备AI算法能力的生物学家也可以快速上手。

融合自然语言的AI蛋白质生成大模型NewOrigin（达尔文）

会上，许锦波展示了NewOrigin大模型在药物设计领域的应用效果。

提升蛋白疫苗稳定性是提升蛋白质疫苗效果的重要途径之一。传统实验室方法通常使用饱和突变形成数千种、甚至数万种变体，从中筛选出符合需求的目标蛋白质，该过程耗费数月甚至数年，需要数百万成本。使用能量优化等传统计算方法受限于对能量变化的单一维度评估，精准度低，且耗时长、算力成本高。

“分子之心正与合作药企联合攻关，基于NewOrigin大模型解决蛋白疫苗稳定性难题。”许锦波透露。NewOrigin大模型可帮助药物研发团队快速分析，将提升蛋白疫苗效果的难题定位、拆解为可基于AI方法解决的子问题，如用AI设计突变提升蛋白疫苗的稳定性。而后，NewOrigin将对野生型蛋白进行突变设计，并自动调用语言模型、进化模型、结构模型、能量模型等一系列方法提取蛋白特征，预测蛋白疫苗突变体的各项性质，得到最理想的蛋白分子。仅需3天，NewOrigin就可设计出数十个理想的候选蛋白。

除了蛋白疫苗的稳定性优化，NewOrigin大模型也在亲和力优化、特异性优化、酶活性优化等多种传统方法难以突破的复杂问题上取得了重要进展。

这些蛋白质生成任务是当下通用大模型无法解决的难题。对大模型的测试结果显示，它在蛋白质生成场景下无法生成符合需求的内容。

原因在于，蛋白质序列形成的结构比自然语言的结构复杂得多，蛋白质生成的应用场景多样且与自然语言交互的通用场景相差甚远，每一个需求的满足都需要“AI专家”与“生物专家”联合解决。另外，训练AI蛋白质生成大模型需要融合蛋白质数据、基因组数据、宏基因组数据、进化与环境数据、生物医学文献数据等多模态数据，这些数据的专业性、逻辑复杂性极高，且存在数据质控、数据冲突等难题，导致数据标注壁垒比通用NLP领域高数十倍。

AI蛋白质生成大模型的高专业门槛和以应用为目标的特点，要求其研发团队除了必备的算法、算力、数据等基础能力外，还需具备融合计算机、生物、物理等多学科，熟识AI、分子动力学、量子计算等多种方法的跨领域复合背景，以及真实的产业需求与验证能力。分子之心瞄准这一目标，搭建了一支融合AI生物交叉背景与深厚产业背景的复合型团队。这支超配团队正在基于万亿级海量数据持续生产高质量标注样本，开发泛化能力强的监督模型，通过主动学习算法持续迭代数据与专业知识，并通过多阶段预训练及基于相关性的多任务微调，驱动大模型不断学习迭代，提升蛋白质生成效果，满足药物设计、新材料设计、工业、农业、环保等不同领域的差异化蛋白质生成需求。

生物是一个高度复杂但又高度数字化的系统，具备可解读、可编程的特性，与AI大模型的特质高度匹配。许锦波表示：“AI蛋白质生成大模型等生物大模型具有广阔的产业应用前景，分子之心希望通过NewOrigin大模型变革生物医药与合成生物学的未来，帮助人们平等地获取可负担的高品质生物药及绿色生物产品。”