Computational Protein Science in the Era of Large Language Models (LLMs)

考虑到蛋白质的重要性，计算蛋白质科学一直是关键的科学领域，致力于揭示蛋白质序列-结构-功能范式中的知识并开发相关应用。在过去的几十年中，人工智能（AI）在计算蛋白质科学领域产生了重大影响，在特定的蛋白质建模任务中取得了显著成功。然而，以前的AI模型仍然存在局限性，例如难以理解蛋白质序列的语义，以及无法广泛推广到各种蛋白质建模任务中。最近，大型语言模型（LLMs）因其前所未有的语言处理和泛化能力成为AI领域的一个里程碑。它们能够推动整个领域的全面进步，而不仅仅是解决个别任务。因此，研究人员积极将LLM技术引入计算蛋白质科学，开发了能够熟练掌握蛋白质基础知识并有效推广以解决多种序列-结构-功能推理问题的蛋白质语言模型（pLMs）。在见证了繁荣发展的同时，有必要对由LLM技术支持的计算蛋白质科学进行全面概述。首先，我们根据pLMs掌握的蛋白质知识类型将其分类，即底层序列模式、明确的结构和功能信息以及外部科学语言。其次，我们介绍了pLMs的应用和适应，突出了其在促进蛋白质结构预测、蛋白质功能预测和蛋白质设计研究方面取得的显著成就。然后，我们描述了pLMs在抗体设计、酶设计和药物发现中的实际应用。最后，我们特别讨论了这一快速发展的领域中充满希望的未来方向。

该论文试图解决传统AI模型在理解蛋白质序列语义和跨多种蛋白质建模任务泛化能力上的局限性。这并不是一个全新的问题，但通过引入大语言模型（LLM）技术，提供了一种新的方法来应对这些长期存在的挑战。

关键思路在于利用LLM的强大语言处理与泛化能力，开发出能够深刻理解蛋白质基础知识的蛋白质语言模型(pLM)，并能有效应用于各种序列-结构-功能推理问题。相比以往的研究，这种方法不仅增强了对蛋白质内部机制的理解，还提高了模型在不同任务间的迁移学习能力。

论文亮点包括：1) 将现有pLM按掌握的蛋白质知识分类，系统梳理了领域进展；2) 强调pLM在蛋白质结构预测、功能预测及设计研究中的应用成就；3) 探讨pLM在抗体设计、酶设计和药物发现中的实际应用；4) 指出未来发展方向，如进一步提升模型性能和探索更多应用场景。此外，文中提到多个重要的数据集被用于训练和验证模型，但未提及是否开源代码。

近期相关研究包括：1)《Protein Structure Prediction using Deep Learning》；2)《Advancements in Protein Function Prediction via Machine Learning》；3)《Deep Learning for Antibody Design: A Review》；4)《Enzyme Engineering through Artificial Intelligence》等。这些研究均围绕如何利用AI改进蛋白质科学研究展开讨论。