Apple показа SimpleDesign — AI модел за нови протеини

Изследователски екип на Apple представи SimpleDesign — генеративен модел, който проектира протеини, като едновременно измисля аминокиселинната последователност и триизмерната ѝ структура. Работата беше публикувана на 11 септември в Apple Machine Learning Research, а рецензираната статия излезе в списанието Transactions on Machine Learning Research; препринтът е качен в arXiv на 3 септември под номер 2609.03377.

Автори са Jiarui Lu, Yuyang Wang, Yizhe Zhang, Jiatao Gu, Navdeep Jaitly, Joshua M. Susskind и Miguel Ángel Bautista — до голяма степен същата група, която миналия септември пусна SimpleFold, модела на Apple за предсказване на протеинова структура.

Един етап вместо два

Досегашните модели за така нареченото codesign обикновено минават през два етапа: първо автоенкодер превръща 3D структурата в дискретни „токени“, после езиков модел работи върху тези токени. Тезата на Apple е, че междинният етап е излишен.

SimpleDesign се обучава директно в пространството на данните с една обща цел — дискретна cross-entropy загуба за последователността и регресионна загуба за координатите. Структурата се представя само чрез позициите на Cα атомите, без токенизация. Архитектурата е Mixture-of-Transformer: всяка модалност има собствени тегла за обработка, но глобалното self-attention вижда и двете едновременно. Езиковата част стартира от теглата на ESM2-650M.

Обучението е върху над 2 милиона двойки последователност–структура: 1 807 333 филтрирани структури от набора AFESM (производен на AlphaFold DB и ESM Metagenomic Atlas) за 300 000 стъпки, плюс още 50 000 стъпки върху 442 511 записа от SwissProt.

Какво показват числата

Оценките са върху протеини с дължина от 100 до 500 аминокиселини, по 100 проби на дължина. Основната метрика е co-designability — дали, ако сгънете генерираната последователност наново, ще получите структурата, която моделът е обещал.

При настройка γ=0,3 SimpleDesign постига 0,53 по критерия scRMSD ≤ 2 Å и 0,74 по scTM ≥ 0,9. За сравнение: DPLM-2 остава на 0,30/0,46, а ESM3 — на 0,09/0,11. MultiFlow обаче води убедително с 0,76/0,80, а при безусловно генериране на структури разликата е още по-голяма — 0,44/0,63 за SimpleDesign срещу 0,86/0,90 за MultiFlow.

Където Apple печели, е разнообразието: средното структурно сходство между генерираните проби е 0,29–0,31 по TM-score срещу 0,34 при MultiFlow, тоест моделът не се върти около няколко удобни гънки. По качество на последователностите резултатите са в средата на класацията — perplexity 5,18 по ProGen2 срещу 4,63 при DPLM-2 и 3,70 при ESM3, среден pLDDT 81,19 срещу 83,49 при La-Proteina.

С други думи, SimpleDesign не е новият шампион, а доказателство, че по-простата рецепта стига до сравними резултати. Това е обичайният почерк на групата — същият, който видяхме и при по-икономичните архитектури на конкуренцията.

Защо изобщо се проектират протеини

Практическият залог не е академичен. В същия ден Texas A&M University публикува материал за работата на д-р Sarguru Subash от Ветеринарномедицинския факултет, който изследва как имунната система изпраща мед в пикочните пътища, за да убива бактерии — и как бактериите са се научили да я понасят.

Снимка: Texas A&M University / phys.org

Екипът търси гените за толерантност към мед, ролята на церулоплазмина при пренасянето ѝ и дали медта пречи на фимбриите — власинките, с които бактериите се закрепват за пикочния мехур. Целта са лечения, които работят заедно с имунната защита, а не срещу нея. Университетът е ясен, че до клиника има години.

Точно такива задачи опират до нови белтъци: ензим, който доставя метален йон, или малък протеин, който блокира прикрепването. Модел, който предлага и последователност, и структура наведнъж, съкращава пътя от идея до кандидат за лабораторен тест.

Важната уговорка

Всички резултати в статията са изчислителни. Нито един от генерираните протеини не е синтезиран и тестван в лаборатория, а метрики като scRMSD измерват само дали два софтуера са съгласни помежду си. Историята на областта е пълна с дизайни, които изглеждат безупречно на екрана и не се сгъват в епруветка.

Отделен въпрос е двойната употреба. Инструментите за протеинов дизайн стават все по-достъпни, а темата за биологичните рискове от AI вече не е теоретична — вижте доклада на Anthropic за опитите с Claude. В статията Apple има раздел за двойната употреба, който препоръчва експертен преглед, скрининг за безопасност и валидиране по правилата за биосигурност, но конкретни филтри или ограничения при пускането на SimpleDesign не се съобщават.

Заключение

SimpleDesign няма да смени картата на протеиновия дизайн — MultiFlow остава по-точен там, където точността се брои. Стойността му е методологична: показва, че двуетапният конвейер с автоенкодери не е задължителен и че един модел, обучен наведнъж върху последователност и координати, дава по-разнообразни резултати при по-проста архитектура. За Apple това е втора поредна година с публикация в областта — компания, която иначе рядко се появява в списъците с биологични модели. Следващата интересна новина ще бъде, когато някой синтезира дизайните и ни каже дали се сгъват.