طراحی پروتئین و DNA با زبان ساده: Pinal و Carbon X
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
طبق گزارش Ars Technica، ابزارهای طراحی پروتئین امروز قوی شدن ولی هنوز کار با اون‌ها دانش عمیق لازم داره. باید دقیق بگی کدوم آمینواسیدها کجای فضای سه‌بعدی باشن تا ابزار بقیه پروتئین رو دورش بسازه. نویسنده می‌گه این ابزارها تو چیدمان سه‌بعدی عالی‌ان، ولی از اینکه اون چیدمان چه «کاری» انجام می‌ده چیز زیادی نمی‌فهمن.
Pinal رو یه گروه بزرگ از محقق‌های چینی ساختن و کافیه بهش بگی چی می‌خوای. اول ماژول T2struct پرامپت متنی رو به یه نقشه ساختاری تبدیل می‌کنه؛ یعنی یه رشته توکن که رابطه فضایی هر آمینواسید با همسایه‌هاش رو با یه احتمال نشون می‌ده. بعد SAProt-T با کمک متن اصلی و همین خروجی، توالی نهایی آمینواسیدها رو می‌سازه و کل احتمالات رو دوباره بررسی می‌کنه تا ساختاری که کمی کم‌احتمال‌تره ولی کارکرد بهتری داره از دست نره.
برای آموزش، تگ‌های کارکردی پروتئین‌ها از سه پایگاه داده رو به یه LLM دادن تا توضیح ساده بنویسه، و ساختار رو هم از پیش‌بینی‌های AlphaFold گرفتن. فقط یکی از این پایگاه‌ها ۸۰۰ میلیون جفت کلیدواژه و پروتئین داشته. نویسنده یادآوری می‌کنه AlphaFold صددرصد دقیق نیست، پس برای پروتئین‌های کمتر شناخته‌شده ممکنه مشکل پیش بیاد.
تو آزمایش، از Pinal خواستن ۵۰ هزار پروتئین شبیه GFP (پروتئین فلورسنت سبز معروف) بسازه. بعد از فیلتر کردن، که طرح‌های خیلی شبیه پروتئین‌های شناخته‌شده رو هم حذف کرد، ۲۹ نامزد موند و فقط یکی واقعاً فلورسنت شد. بقیه آزمایش‌ها هم همین‌طور بودن. نویسنده می‌گه این نرخ پایین تا حدی به خاطر همین فیلترهای سخت‌گیرانه‌ست.
جدا از این، Hugging Face با Zhongguancun Academy و دانشگاه ناپل مدل Carbon X رو معرفی کرده. این مدل open-weight (یعنی وزن‌هاش آزاده و روی سخت‌افزار خودت اجرا میشه) بر پایه Qwen3-14B ساخته شده و با DNA دوباره آموزش دیده. می‌تونی یه توالی DNA همراه با سؤال انگلیسی بدی، مثلاً «اگه این G رو به A تغییر بدم چی میشه؟». به گفته Hugging Face با مدل‌های تجاری مثل GPT-6.1 Sol رقابت می‌کنه، ولی تو پیدا کردن موقعیت‌های دقیق روی توالی‌های طولانی ضعیفه و اگه پرامپت مبهم باشه توهم می‌زنه.
نویسنده معتقده این ابزارها زیست‌شناس‌ها رو حذف نمی‌کنن. خروجی فقط توالیه و برای پیدا کردن طرح‌های کارکن و تست اون‌ها هنوز آزمایشگاه مجهز و متخصص لازمه. ولی می‌تونن کار زیست‌شناس‌هایی رو راحت کنن که سؤالشون رو می‌دونن ولی نمی‌دونن کدوم ابزارهای bioinformatics رو چطور تنظیم کنن.
نکات کلیدی:
- Pinal از روی یه پرامپت متنی و با دو مرحله T2struct و SAProt-T پروتئین طراحی می‌کنه.
- یکی از پایگاه‌های داده آموزشی ۸۰۰ میلیون جفت کلیدواژه و پروتئین داشته.
- از ۲۹ نامزد شبیه GFP فقط یکی واقعاً فلورسنت شد.
- Carbon X بر پایه Qwen3-14B ساخته شده و روی یه MacBook هم اجرا میشه.
- اجرای محلی Carbon X هم هزینه رو کم می‌کنه هم داده‌های حساس رو پیش خودت نگه می‌داره.
