初创加速计划|NVIDIA助力深原质药实现基于深度生成的功能蛋白质设计

AlphaFold2 的成功点燃了生物学家使用 AI 算法的热情。对于生物学中积累的大量数据，人类的智慧还不足以总结出可计算的定理或定律。这正是 AI 可以大显身手的舞台。

AlphaFold2 解决的是“蛋白质结构预测问题”，即给定蛋白质的氨基酸序列，求解这个蛋白质的三维原子坐标结构。由于蛋白质的空间折叠是由其序列所决定的，同时又有很多已知序列信息以及结构信息作为训练数据，所以这方面的 AI 模型已经取得了极大的成功，能够以相当高的精度预测一个蛋白质的空间结构。

不过结构预测并不等同于蛋白质设计，甚至可以说是完全不同的两个问题。如果说结构预测是一次命题考试，那么蛋白质设计则更像是一次开卷考试，很多时候面临着序列、折叠、主链、侧链、结构全都未知的情况。

面对蛋白质设计的挑战，学术界和工业界给出了多种多样的 AI 解决方案。但是这些模型与当前的大模型相比，仍旧显得太过简单，能力也有限。这主要是由于已有的算法主要都基于蛋白质的氨基酸序列进行学习和生成。这种类似字符串的信息虽然便于理解和处理，但是却高度抽象化，与真实的蛋白质结构相去甚远，丢失了大量结构细节信息。因此，当前算法在一些困难问题上的表现不好，比如药物蛋白的设计以及酶的改造设计。

如果说 Midjourney 是以生成式 AI 为画笔在作画，那么 CUTEDGE 就是以生成式 AI 为画笔画出了一个设计蛋白质。不过，当下最成功的 AI 模型无疑是 Transformer，以及以它为基础的各种语言模型。那么，有没有可能让语言模型“讲”出来一个蛋白质呢？

深原质药给出的答案是：当然可以。

目前已经有一些算法采用语言模型去学习蛋白质的序列信息，把一个蛋白质的序列当成一句话，来学习其中的“语法规则”，最终解决某些任务场景下的蛋白质设计问题。

深原质药的“讲”法则完全不同，基于公司独有的“从结构到结构”的理念，将蛋白质的三维结构表征为对应的一组编码，或者说词元表。这样一来就可以用一组词元来对应一个蛋白质三维结构，并输入大语言模型进行学习和生成。

得益于 NVIDIA 的开源框架 Megatron-LM，深原质药在 NVIDIA 高性能 GPU 上进行了并行训练，且训练速度较之前的框架（TensorFLow）提升 8 倍，显存占用率减少约 73%。同时还利用了 NVIDIA 的开源框架 Transformer Engine 及 Apex 实现了使用 FP16 快速地训练语言模型，以及通过 NVIDIA 的开源框架 TensorRT-LLM 提升了语言模型的推理速度（约 5 倍）。最终，深原质药得以通过其“蛋白质结构语言模型”，成功“讲”出了全新的设计蛋白。

目前，深原质药已经形成了以 CUTEDGE、AtomSeg 等算法为核心的一个 AI 算法矩阵，紧密围绕蛋白质设计中的各类痛点问题，给出 AIGP 的解决方案。

蛋白质设计领域方兴未艾，深原质药深信，“开放、共赢”才能进一步推动这个领域向前发展。为了践行这一理念，深原质药于 2023 年底开放了其 AI 算法矩阵当中的 CUTEDGEopt 和 AtomSeg 的公测，用户可以在深原质药官网找到算法入口，计算自己想要解决的蛋白质设计问题。在 2023 年，深原质药也加入了 NVIDIA 初创加速计划，成为会员公司，将与 NVIDIA 开展更加深入和全面的合作。

在这样一个变革的时代，AI 带来的不仅仅是有趣的对话机器人，更是生产力的又一次跃升。深原质药基于 AI 算法的蛋白质设计，将为众多生物技术公司和创新药物研发企业带来更丰富的研发管线，让 AIGP 真正产生生产力，用更绿色、更安全的蛋白质产品服务于人们。