ШІ навчили створювати білки та ДНК-послідовності за текстовими запитами

Дослідники розробили систему Pinal, яка здатна створювати проєкти білків за описом природною мовою, а платформа Hugging Face представила модель Carbon X для роботи з ДНК-послідовностями та текстовими запитами. Обидва інструменти покликані зробити обчислювальні методи проєктування біомолекул доступнішими для фахівців, повідомляє Ars Technica.

Зазвичай системи для дизайну білків потребують детальних технічних обмежень: зокрема даних про розташування амінокислот у тривимірній структурі та механізм роботи ферменту. Pinal натомість приймає текстовий опис потрібної функції білка. Її модуль T2struct перетворює запит на структурний план, а SAProt-T на основі цього плану та початкового опису формує послідовність амінокислот.

Перевірка створених білків

Для навчання Pinal автори використали білкові послідовності з трьох баз даних, поєднані зі структурними даними, передбаченими AlphaFold. В одній із цих баз було 800 мільйонів пар «ключове слово — білок». Описи функцій, позначені тегами, також переробляли за допомогою великої мовної моделі на формулювання звичайною мовою.

Під час тестування систему просили розробити чотири різні білки: флуоресцентний білок, два ферменти та білок для великого багатобілкового комплексу. Для створення аналога зеленого флуоресцентного білка GFP Pinal згенерувала 50 тисяч варіантів. Після комп’ютерного відбору залишили 29 кандидатів, які синтезували в E. coli. Флуоресценцію продемонстрував один із них. Дослідники також відсівали послідовності, подібні до вже відомих флуоресцентних білків.

Модель для роботи з ДНК

Окремо Hugging Face спільно з Zhongguancun Academy та Неаполітанським університетом Федеріко II представила Carbon X — модель із відкритими вагами, яку можна запускати на локальному обладнанні. Її створили на основі мовної моделі Qwen3-14B, перенавчивши на ДНК-послідовностях, а потім застосувавши навчання з підкріпленням і контрольоване донавчання.

Carbon X може працювати і з англійською мовою, і з ДНК, зокрема відповідати на запити про можливі наслідки заміни одного нуклеотиду іншим. Розробники застерігають, що модель гірше визначає конкретні позиції у довгих послідовностях та може генерувати помилкові відповіді за недостатньо точного запиту. Водночас локальний запуск дає змогу не передавати потенційно конфіденційні дані комерційним сервісам.