Umělá inteligence navrhuje proteiny z běžného zadání, laboratoř je ale nutná

Od odborných pokynů k běžnému jazyku

Současné nástroje pro návrh proteinů obvykle vyžadují, aby uživatel předem znal jejich strukturu a přesně určil, jak mají být uspořádány důležité aminokyseliny. U enzymu může být potřeba popsat i jejich polohu v prostoru a okolní molekuly vody. Teprve potom software navrhne zbytek proteinu.

Výzkumný tým stojící za systémem Pinal zvolil jiný přístup. Uživatel zadá, jakou funkci má protein plnit, například že má štěpit určitou látku nebo fluoreskovat. Pinal se pak pokusí převést takový popis na návrh, aniž by člověk musel nejprve ručně specifikovat podrobnosti jeho struktury.

Systém pracuje ve dvou krocích. Modul T2struct převede textové zadání na posloupnost údajů popisujících prostorové vztahy mezi aminokyselinami. Na tento výstup spolu s původním zadáním navazuje SAProt-T, který sestaví sekvenci aminokyselin. Při tom znovu vyhodnocuje různé možnosti struktury, aby mohl dát přednost i méně pravděpodobnému uspořádání, které lépe odpovídá požadované funkci.

Návrhy ve velkém, úspěchy v malém

Pinal vědci trénovali na proteinových sekvencích a informacích o jejich funkcích z několika databází. K popiskům funkcí přidali i jejich srozumitelnější vysvětlení vytvořená jazykovým modelem. Jedna z použitých databází obsahovala 800 milionů dvojic klíčových slov a proteinů. Strukturální údaje pocházely mimo jiné z předpovědí systému AlphaFold, které však nejsou vždy přesné.

Při zkoušce měl Pinal navrhnout čtyři různé typy proteinů: fluorescenční protein, dva enzymy a protein zapojený do většího komplexu. U fluorescenčního návrhu vytvořil 50 000 kandidátů podobných funkcí zelenému fluorescenčnímu proteinu GFP. Výzkumníci vyřadili sekvence příliš podobné známým fluorescenčním proteinům a ponechali mimo jiné kandidáty s předpokládanou soudkovitou strukturou a důležitou aminokyselinou.

Z 29 takto vybraných návrhů, které vědci vyrobili v bakterii E. coli, fluoreskoval pouze jeden. Autoři přitom nezkoušeli všechny možné varianty a část kandidátů vyřadili podle zvolených kritérií. Nízký počet úspěchů proto sám o sobě neříká, jak dobře by nástroj fungoval při hledání všech možných cest k fluorescenci.

Podobný přístup míří i na DNA

Hugging Face oznámil také Carbon X, model zaměřený na práci s DNA. Vznikl ve spolupráci se Zhongguancun Academy a neapolskou Univerzitou Federica II. Jde o model s otevřenými vahami, který lze spustit na vlastním počítači. Je založený na jazykovém modelu Qwen3-14B, který vývojáři dále trénovali na DNA a následně upravovali pomocí dalších trénovacích metod.

Carbon X má pracovat s angličtinou i DNA a převádět mezi nimi. Uživatel mu může předložit sekvenci a chtít předpověď jejího pokračování, případně se ptát na možné důsledky změny jednoho písmene, například G na A. Podle interních výsledků týmu si vede konkurenceschopně vůči specializovaným komerčním modelům, například GPT-6.1 Sol. Veřejná odborná studie popisující jeho chování ale zatím představena nebyla.

Vývojáři upozorňují, že model může chybovat při určování konkrétních pozic, zejména v dlouhých sekvencích, a při vágním zadání si může vymýšlet.

Biologové zůstávají v procesu

Možnost zadávat biologické úkoly běžnými slovy neznamená, že si kdokoli může snadno vyrobit funkční protein. Návrhy je nutné nejprve počítačově prověřit a následně otestovat v laboratoři, která potřebuje odpovídající vybavení i odborníky. U Pinalu navíc většina testovaných návrhů funkční nebyla.

Podobné systémy by přesto mohly pomoci biologům, kteří potřebují využívat výpočetní nástroje, ale neznají potřebné programy a jejich nastavení. Carbon X může být výhodný i tím, že běží lokálně: uživatel nemusí opakované dotazy posílat komerční službě a může omezit náklady i sdílení citlivých informací. Zda se tyto nástroje skutečně stanou praktickou součástí biologického výzkumu, ukáže až další používání.