蛋白質優(yōu)化新紀元：浙大團隊利用DePLM模型的創(chuàng)新突破與在線演示揭秘

大模型的研究趨勢已發(fā)生改變

原標題：分享NeurIPS 2024投稿經(jīng)驗！浙大團隊用DePLM模型助力蛋白質優(yōu)化，論文一作在線展示demo
文章來源：HyperAI超神經(jīng)
內容字數(shù)：12156字

借助擴散去噪過程助力大模型對蛋白質的優(yōu)化

在Meet AI4S第五期中，浙江大學知識引擎實驗室的博士研究生王澤元分享了他們在NeurIPS 2024上發(fā)表的論文，主題為“借助擴散去噪過程助力大模型對蛋白質的優(yōu)化”。王博士指出，AI for Science正在改變科研范式，提高科研效率，尤其在蛋白質研究領域尤為顯著。

1. 研究背景與目標

蛋白質是生命的基本組成部分，其功能與氨基酸序列密切相關。傳統(tǒng)的蛋白質優(yōu)化方法如定向進化和深度突變掃描消耗資源較大，因此需要新的計算方法來模擬蛋白質與其屬性的適應度關系。王博士的團隊提出了DePLM模型，旨在通過去噪過程最大化利用進化信息，優(yōu)化蛋白質的性能。

2. DePLM模型的設計與實現(xiàn)

DePLM模型的核心在于將蛋白質語言模型捕獲的進化信息視為目標屬性優(yōu)化中的無關噪聲。通過正向擴散過程逐步添加噪聲，反向去噪則學習消除噪聲，從而恢復真實情況。該模型基于排序空間進行去噪，旨在增強模型的泛化能力。

3. 實驗結果與性能評估

在多個蛋白質工程任務上，DePLM的表現(xiàn)優(yōu)于基線模型，顯示出高質量的進化信息顯著改善了優(yōu)化結果。此外，DePLM在不同屬性間的訓練與測試中展現(xiàn)出良好的泛化能力，證明了過濾無關信息的重要性。

4. 未來展望與團隊成果

王博士的團隊不僅致力于優(yōu)化蛋白質，還探索了蛋白質語言與人類語言之間的對齊，提出了InstructProtein模型，力求彌補兩者之間的差距。此外，團隊還開發(fā)了多用途蛋白質序列設計方法PROPEND，取得了顯著的功能恢復率。未來，他們將繼續(xù)在AI for Science領域深耕，推動研究進展。

通過王澤元博士的分享，觀眾對DePLM模型及其在蛋白質優(yōu)化中的應用有了更深入的理解，也獲得了投稿頂會的經(jīng)驗與建議。