从相似比对到语言建模
据公开报道,以色列理工学院与特拉维夫大学团队于 2026 年在《美国国家科学院院刊》发表 BetaDescribe 系统,结合生成式模型与验证机制,将蛋白质序列转换为自然语言功能描述,已对 6 种此前未表征蛋白成功描述功能,突破传统依赖序列相似性的瓶颈。
本地可复现流程
第一步,准备少量已知功能锚点蛋白(如 GO 注释明确的序列)。
第二步,用 ESM-2 提取待注释蛋白与锚点蛋白的均值池化嵌入。
第三步,最近邻检索:以待注释蛋白嵌入在锚点库中找最相近序列,返回其功能作为假设。
第四步,人工与实验验证:假设仅作起点,最终以实验或权威数据库为准。
最小实现
下面给出基于 Hugging Face Transformers 的 ESM-2 嵌入与最近邻检索骨架:
from transformers import AutoTokenizer, AutoModel
import torch
name = 'facebook/esm2_t33_650M_UR50D'
tok = AutoTokenizer.from_pretrained(name)
model = AutoModel.from_pretrained(name)
def embed(seq):
ids = tok(' '.join(list(seq)), return_tensors='pt')
out = model(**ids)
return out.last_hidden_state.mean(dim=1).squeeze()
anchors = [('MKT...', '激酶结构域'), ('GST...', '谷胱甘肽转移酶')]
bank = [(embed(s), label) for s, label in anchors]
q = embed('MKTAYIA...')
sims = [(torch.cosine_similarity(q, v).item(), label) for v, label in bank]
sims.sort(reverse=True)
print('功能假设:', sims[0][1])合规与可靠性提醒:零样本功能假设仅供参考,不能直接作为药理结论;涉及临床或药物开发须经湿实验与监管路径验证,AI 输出须可追溯。
参考来源
AI系统可将蛋白质序列翻译成文字(BetaDescribe 报道) - 科技日报
BetaDescribe: Providing rich descriptions from protein sequences - PNAS
ESM-2 蛋白质语言模型(EvolutionaryScale / Meta AI)官方模型与文档 - Hugging Face