Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
InstructPro2 научили создавать белковые последовательности по описанию функции и данным о биологической мишени. На общем тесте модель обошла Pinal и по восстановлению функции, и по точности структуры, хотя препринт не рецензирован и все числа в нём получили сами авторы. Для систем дизайна белков это аргумент в пользу раздельной обработки текстового задания и сведений о конкретной молекуле.
Текст задаёт функцию, отдельный канал уточняет мишень
Команда Carnegie Mellon University и Lambda построила InstructPro2 вокруг генератора белковых последовательностей. Кодировщик текста превращает описание функции в представление, которое генератор получает перед аминокислотной последовательностью. Вспомогательная задача заставляет модель восстанавливать исходное описание и тем самым не игнорировать его при генерации.
При дообучении к тексту добавляют биологический контекст. Для белков, связывающихся с лигандами, отдельный кодировщик читает запись малой молекулы в формате SMILES. Для антител другой кодировщик обрабатывает последовательность антигена.
Эти данные поступают в генератор через адаптеры перекрёстного внимания. Их изначальный вклад равен нулю, поэтому новый канал не разрушает поведение, полученное при предварительном обучении. Затем адаптеры учатся выбирать из представления мишени сведения, которые нужны для очередного участка белка; кодировщики текста, лиганда и антигена при этом не меняют свои веса.
Предварительное обучение прошло на InstructPro2Bench из 205,7 млн пар «описание функции — белок». Описания собрали из аннотаций InterPro: компоненты подготовили с помощью Gemini 3.1 Pro, а затем соединили шаблонами. Модель училась как создавать полную последовательность, так и восстанавливать скрытые участки. Для разделения обучающих и тестовых данных белки группировали при пороге 50% сходства последовательностей.
Выигрыш виден в функции и геометрии
На общем наборе F1 достигла 74,8 против 62,2 у Pinal. Эта метрика сводит в одну оценку точность и полноту восстановления нужных доменов InterPro. Среднеквадратичное отклонение структуры от эталона составило 3,04 ангстрема против 5,33 у Pinal: меньшее значение означает, что рассчитанная форма ближе к известному белку.
После дообучения модель проверили на дизайне антител и белков, связывающихся с лигандами. В задаче с лигандами успешную стыковку получили для 72,6% мишеней по принятому в работе порогу. В задаче с антителами InstructPro2 показала лучший DockQ — оценку качества контакта антитела с антигеном, — но лишь немного опередила специализированную RefineGNN.
Разбор отдельных компонентов уточняет, откуда берётся результат. Явное представление лиганда улучшало геометрию связывающего кармана, особенно для молекул, которых не было при обучении. Для антител дополнительный кодировщик антигена не давал устойчивого преимущества: текстовое описание уже содержало значительную часть сведений о мишени.
Модель сравнивали с Pinal, ESM3, ProGen2, InstructPro-3B и специализированными системами на общем наборе, дизайне антител и связывании лигандов. Все проверки были вычислительными: последовательности оценивали по предсказанным структурам, доменам и стыковке, а синтез и лабораторные испытания в работу не входили.
Планы меняются для архитектуры, но не для проверки кандидатов
Командам, которые строят универсальный интерфейс для дизайна белков, работа предлагает практичную схему: сначала обучить общий генератор понимать описания функций, затем подключать мишени через небольшие специализированные адаптеры. Такой подход позволяет сохранить один генератор для разных задач, а не обучать отдельную модель под антитела и лиганды.
Результаты также показывают, когда дополнительный канал оправдывает сложность. Для лигандов одной текстовой формулировки недостаточно: явное представление молекулы помогает разместить связывающий карман. В задаче антител эффект оказался неустойчивым, поэтому отдельный кодировщик антигена стоит оценивать относительно полноты текстового задания, а не добавлять автоматически.
Свободный текст здесь тоже нужно понимать узко. Обучающие описания получены из структурированных аннотаций InterPro и собраны по шаблонам, поэтому эксперименты показывают работу с биологически содержательными инструкциями, но не с произвольными заданиями специалистов.
InstructPro2 можно рассматривать как генератор кандидатов для вычислительного конвейера. Она не меняет последующие этапы: структуру и связывание по-прежнему нужно перепроверять независимыми методами, а перспективные последовательности — синтезировать и испытывать в лаборатории.
Источники
Иллюстрация: рисунок из статьи «InstructPro2: Natural Language and Biological Grounding Guided De Novo Protein Design», Charles Novak, Zhenqiao Song, Chuan Li и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
