5.46亿个三元组数据集！蛋白质分子研究新范式

AITIME论道

于 2025-05-08 14:01:36 发布

阅读量406

点赞数

文章标签：人工智能机器学习深度学习计算机视觉神经网络

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247533669&idx=1&sn=749a514075fe32affd146663b117cf4c&chksm=e841b8eeb060868ebfd38b34f7c978266ea2701c40dad36189a5f57f5b2d8e72886967eb24d9&scene=126&sessionid=0

版权

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

从蛋白质折叠预测到新材料发现，从气候模拟到天体物理研究，大模型在自身不断卷向 AGI 的同时，也正在以 AI for Science（AI4S）重塑科学探索的边界。

以下分享这项研究的部分高光之处。

AlphaFold 下一站：解码蛋白质文本功能

对于蛋白质研究来说，序列、结构、功能是最核心的三个要素。他们三者的关系如同一个金字塔，序列决定结构，结构决定功能，多年来许多研究也是致力于探寻他们之间的映照关系。

近几十年的测序技术的发展让领域中有了海量的序列数据；斩获诺奖的 AlphaFold 系列模型也成功让大规模低成本获取结构成为可能。而进一步通过蛋白质的序列和结构，直接获得文本表示的功能则是原发杰团队训练 Evolla 模型的的目标。

图源：周禧彬同学在 AI4Protein Seminar 中的分享

5.46 亿三元组数据集：Evolla 模型训练基石

原发杰团队创新性地提出“信息点驱动”的数据建构流程，采用了三元组数据集的方式对 Evolla 模型进行训练，主要环节包括：

● 信息点数据采集：采集与蛋白质相关联的家族（Family）、催化活性（Catalytic activity）、辅因子（Cofactor）等离散的信息点（IPs）（流程a）。

图源：文献原文

● 问题生成：将 IPs 输入大语言模型，通过两种策略生成问题——基于蛋白质功能类别的章节导向问题生成（流程b）和角色扮演的人物角色问题生成（流程c）。

图源：文献原文

● 三元组合成：将问题与 IPs 结合，输入大模型生成自然语言回答，形成一个「蛋白质 - 问题 - 答案」三元组（流程d）。

图源：文献原文

在这种方式下，高质量、大规模的数据集是 Evolla 模型训练效果的关键前提。传统人工标注或规则模板面对如此规模的数据需求当然近乎失效，不管是“问题生成”还是“三元组合成”，都需要选择合适的 LLM 大规模输出。

GLM大模型助力 AI4S 世界前沿科研创新

当前，该研究已在 biorxiv 平台发布预印版论文。论文的主要成果 Evolla 模型能够生成精确且语境丰富的蛋白质功能见解，为探索生命的复杂性开辟了新途径。

该模型的一项关键创新，在于所用的训练数据集达到了前所未有的规模，智谱 GLM 模型正是构建这包含5.46亿个三元组数据集的重要工具。

文献原文致谢中提及智谱 BigModel 开放平台

1. GLM-4-Plus：多样化角色扮演问题生成

在三元组的问题生成环节（流程c），GLM-4-Plus 凭借独具创造性、强大的自然语言理解与指令遵循能力被选用。GLM-4-Plus 模型根据蛋白质的离散信息点，模拟临床 Biochemist、博士后等 10 类生物学角色视角，生成近 670万个符合角色身份的多样化个性化（蛋白质，问题，答案）三元组。

2. GLM-4-Flash：稳定、流畅、免费合成三元组

在答案生成环节（流程d），原发杰团队经过前期多家模型的评测，最终选定 GLM-4-Flash 作为答案生成模型，原因在于其三大特性：

● 免费：生成 5.46亿问答对时，GLM-4-Flash 的调用成本比其他模型低一个数量级（现已免费），总耗费约 1500亿 Tokens（实际调用量翻倍）。

● 高稳定性：面对复杂生物学术语和长文本输入，GLM-4-Flash 能稳定输出符合给定的科学事实的答案，避免关键信息遗漏或逻辑混乱。

● 任务适配性：通过“连词成句”模式（RAG增强），GLM-4-Flash 能够将离散信息点生成连贯描述，有效控制幻觉风险，确保答案与原始数据高度对齐。