蛋白质优化新纪元：浙大团队利用DePLM模型的创新突破与在线演示揭秘

大模型的研究趋势已发生改变

原标题：分享NeurIPS 2024投稿经验！浙大团队用DePLM模型助力蛋白质优化，论文一作在线展示demo
文章来源：HyperAI超神经
内容字数：12156字

在Meet AI4S第五期中，浙江大学知识引擎实验室的博士研究生王泽元分享了他们在NeurIPS 2024上发表的论文，主题为“借助扩散去噪过程助力大模型对蛋白质的优化”。王博士指出，AI for Science正在改变科研范式，提高科研效率，尤其在蛋白质研究领域尤为显著。

蛋白质是生命的基本组成部分，其功能与氨基酸序列密切相关。传统的蛋白质优化方法如定向进化和深度突变扫描消耗资源较大，因此需要新的计算方法来模拟蛋白质与其属性的适应度关系。王博士的团队提出了DePLM模型，旨在通过去噪过程最大化利用进化信息，优化蛋白质的性能。

DePLM模型的核心在于将蛋白质语言模型捕获的进化信息视为目标属性优化中的无关噪声。通过正向扩散过程逐步添加噪声，反向去噪则学习消除噪声，从而恢复真实情况。该模型基于排序空间进行去噪，旨在增强模型的泛化能力。

在多个蛋白质工程任务上，DePLM的表现优于基线模型，显示出高质量的进化信息显著改善了优化结果。此外，DePLM在不同属性间的训练与测试中展现出良好的泛化能力，证明了过滤无关信息的重要性。

王博士的团队不仅致力于优化蛋白质，还探索了蛋白质语言与人类语言之间的对齐，提出了InstructProtein模型，力求弥补两者之间的差距。此外，团队还开发了多用途蛋白质序列设计方法PROPEND，取得了显著的功能恢复率。未来，他们将继续在AI for Science领域深耕，推动研究进展。

通过王泽元博士的分享，观众对DePLM模型及其在蛋白质优化中的应用有了更深入的理解，也获得了投稿顶会的经验与建议。

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例

文章版权归作者所有，未经允许请勿转载。

暂无评论...