陈根：从ChatGPT到ProGen，被颠覆的蛋白质设计

文/陈根

近日，ChatGPT大火。作为Open AI发布的自然语言新模型，很多人形容ChatGPT是一个真正的“六边形战士”——不仅能拿来聊天、搜索、做翻译，还能撰写诗词、论文和代码，甚至开发小游戏、参加美国高考等等。诞生不到2个月，ChatGPT已经撼动了许多领域。

ChatGPT写出的论文质量极高，教育系统甚至已经开始考虑“封杀”这个程序，以防学生利用它作弊；也因为即便是专家也难以区分这些内容是否来自AI，《自然》在内的多家科学杂志也要求论文中需要明确指出是否使用了ChatGPT。连马斯克也感叹：“我们离强大到危险的人工智能不远了”。

现在，生物学领域也正在尝试仿造出一款生物学界的“ChatGPT”——ProGen。要知道，ChatGPT背后的大型语言模型利用对海量人类语言数据的分析，学习人类语言的语法和其它特征。基于此，科学家们也利用了与ChatGPT背后AI模型类似的算法，并给ProGen的模型输入了约2.8亿个蛋白质序列，它们来自近两万个蛋白家族，并且包括描述蛋白特征的信息。从中，ProGen学习到了蛋白中氨基酸排序的规律，以及它们与蛋白结构和功能的关系。

作为一款能从头生成人工蛋白的AI系统，在实验检测中，ProGen生成的蛋白酶虽然氨基酸序列与大自然中发现的天然酶迥然不同，但是功能却可与之媲美。研究人员表示，这一新技术可能比获得诺贝尔奖的定向进化（directed evolution）蛋白设计技术更有威力，给蛋白工程学领域注入新的活力。

ProGen利用语言模型生成全新蛋白，为蛋白设计和新药开发增添了基于AI的新策略。在日前结束的第41届JP摩根医疗健康大会上，科技公司Nvidia的报告指出，AI生物学领域近年来突飞猛进，能够像人类一样输出创新内容的生成式人工智能（generative AI）和在ChatGPT和ProGen背后的大型语言模型（LLM）将促进生物学的工程化。或许很快，基于AlphaFold精准解析蛋白质三维结构，再加上能从头生成人工蛋白的ProGen就会给生物学领域带来一场新的变革。