引导生成AI

基于实验室的蛋白质进化是一种提高酶活性或开发基于蛋白质的结合物的方法，但它是非常劳动密集型的。相比之下，计算方法（潜在地）提供快速的结果，而无需费力的实验室工作；然而，由计算工作流提出的设计通常不能提供活动所需的改进。最近，生成式机器学习方法在提出静态蛋白质支架方面取得了进展，但将这些方法扩展到酶反应性或其他蛋白质功能的设计中一直存在问题，并且优化初始模型通常仍然需要基于实验室的定向进化。现在，Jiang等人开发了一种称为EVOLVEpro的计算方法，以帮助指导实验定向进化工作。EVOLVEpro结合了蛋白质语言模型和主动学习层。蛋白质语言模型是一种机器学习算法，可以分析和学习蛋白质序列数据集的模式。主动学习层使用迭代过程解释蛋白质语言模型，以破译序列和实验确定的活动之间的关系。基于随机森林设计，主动学习层可以在迭代的实验测试中同时优化多种蛋白质特性，每轮使用的数据点少至10个数据点。