Unifying Sequences, Structures, and Descriptions for Any-to-Any Protein Generation with the Large Multimodal Model HelixProtX

蛋白质是生物系统的基本组成部分，可以通过不同的方式进行表示，包括序列、结构和文本描述。尽管深度学习和科学大型语言模型（LLM）在蛋白质研究方面取得了进展，但当前的方法主要集中于有限的专业任务，通常是从一个蛋白质模态预测另一个模态。这些方法限制了对多模态蛋白质数据的理解和生成。相比之下，大型多模态模型已经展示了生成任意内容（如文本、图像和视频）的潜力，从而丰富了不同领域的用户交互。将这些多模态模型技术整合到蛋白质研究中，有望通过潜在的转变蛋白质研究的方式，提供重要的前景。为此，我们介绍了HelixProtX，这是一个建立在大型多模态模型上的系统，旨在通过支持任意蛋白质模态生成，为蛋白质研究提供全面的解决方案。与现有方法不同，它允许将任何输入蛋白质模态转换为任何所需的蛋白质模态。实验结果证实了HelixProtX的先进能力，不仅可以从氨基酸序列生成功能描述，还可以执行关键任务，如从文本描述中设计蛋白质序列和结构。初步结果表明，HelixProtX在一系列与蛋白质相关的任务中始终实现了优越的准确性，超过了现有的最先进模型。通过将多模态大型模型整合到蛋白质研究中，HelixProtX为理解蛋白质生物学开辟了新的途径，有望加速科学发现。

本论文旨在通过引入大型多模态模型来解决蛋白质研究中的多模态数据生成问题，从而丰富蛋白质研究的视角和方法。

本文提出了HelixProtX系统，基于大型多模态模型，支持任意蛋白质模态间的转换和生成，包括序列、结构和文本描述等。

实验结果表明，HelixProtX在生成氨基酸序列的功能描述、设计蛋白质序列和结构等任务上表现出色，优于现有的最先进模型。论文提供了开源代码和数据集，为蛋白质研究提供了新的思路和方法。

最近的相关研究包括："ProteinBERT: A Universal Language Model for Protein Sequence"、"Protein Sequence Design with a Learned Potential"、"ProteinGAN: Generative Adversarial Networks for Protein Structure Generation"等。