70億級參數模型BetaDescribe，從氨基酸序列到功能描述的智能轉換

編輯丨&

在生命世界中，蛋白質像一套由氨基酸組成的復雜語言。每一條蛋白質序列都攜帶著關于結構、位置和功能的信息，但如何從這串由 20 種氨基酸字母組成的「密碼」中準確讀出生命活動的含義，長期以來仍是生物學中的核心難題。

面對一個未知蛋白，研究人員通常需要依賴實驗驗證，或者尋找數據庫中與其相似的已知蛋白，通過序列比對推測功能。然而，生命系統中仍存在大量缺乏明確注釋的蛋白質，尤其是那些與已知蛋白序列相似度極低的「孤兒蛋白」，傳統方法往往難以判斷其真實作用。

AI 正在改變這一局面。2026 年 6 月 29 日，在 PNAS 上發表的「BetaDescribe: Providing rich descriptions from protein sequences」，提出了一種名為 BetaDescribe 的蛋白質語言模型框架。該模型能夠直接讀取蛋白質序列，并生成類似科學注釋的自然語言描述，包括蛋白質功能、催化活性、亞細胞定位以及結構域信息等。

論文鏈接：https://www.pnas.org/doi/10.1073/pnas.2537345123

BetaDescribe

過去十年，深度學習已經逐漸進入蛋白質研究領域。從蛋白質結構預測到序列生成，人工智能展現出了理解復雜生命信息的能力。以蛋白質語言模型為代表的方法，通過將氨基酸序列視為類似自然語言的「生物文本」，讓模型從海量序列中學習隱藏規律。

然而，蛋白質與普通語言存在明顯區別。文字具有明確語法，而蛋白質序列中的信息隱藏在氨基酸排列、進化約束以及結構特征中。一個模型即使能夠識別序列模式，也未必真正理解其對應的生物功能。

BetaDescribe 試圖解決這一問題。研究團隊以 Llama 2 為基礎模型，將原本用于自然語言理解的大語言模型進一步訓練，使其掌握蛋白質領域知識。模型首先接受約 2 萬億英文文本 token 的預訓練，隨后加入超過 1200 億個包含蛋白質知識的數據 token，使其逐漸建立從蛋白質序列到功能描述之間的聯系。

圖 1：BetaDescribe 工作流程。

在具體架構上，BetaDescribe 并非簡單讓一個模型直接生成答案，而是設計了一套由「生成器—驗證器—評判器」組成的協作體系。

其中，核心生成器擁有 70 億參數，負責根據蛋白質序列生成多個候選功能描述；三個驗證模型分別預測蛋白質的分類、亞細胞定位以及是否具有酶活性等屬性；最終，一個基于 GPT-4 的評判模塊會綜合這些信息，篩選出更加可信的描述。

這種設計類似于科學研究中的同行評審機制：AI 提出假設，其他模型檢查假設是否符合已有生物規律，從而降低生成式模型可能產生錯誤信息的問題。

表 1：BetaDescribe 對無 BlastP 匹配結果的測試蛋白質的性能表現。

探索蛋白質

與依賴于已知蛋白質序列相似性的傳統方法不同，BetaDescribe 結合了生成模型、驗證機制和評估流程。這種方法使系統能夠推斷蛋白質功能，即使蛋白質與先前描述的蛋白關系不密切。

在羅非魚湖病毒（TiLV）相關蛋白研究中，傳統方法由于病毒蛋白高度變異，僅能正確識別其中一個聚合酶相關蛋白。而 BetaDescribe全部正確預測 RNA 依賴聚合酶活性，為后續實驗研究提供了線索。

表 2：BetaDescribe對 TGV-S 蛋白的預測及 BlastP 的預測結果。

對于細菌蛋白 H5TRP0，傳統 BlastP 搜索返回的是一個具有絲氨酸蛋白酶活性的無關蛋白。然而 BetaDescribe 生成的多個預測中，有兩個正確關聯到了 CRISPR 相關功能，并指出其可能參與細菌免疫系統。

這些案例顯示，在傳統數據庫缺乏參考答案時，生成式 AI 能夠提供新的研究假設，幫助科學家探索尚未被充分認識的蛋白質空間。

從實驗室瓶頸到應用

研究團隊指出，當蛋白質與已知序列高度相似時，BlastP 依然具有更高準確性；但面對低同源性蛋白時，BetaDescribe 能夠利用更廣泛的序列—功能關聯信息，提供更加穩定的預測結果。

未來，這類蛋白質大語言模型有望進一步融合實驗數據、結構信息以及進化信息，讓 AI 不僅能夠描述蛋白質功能，還能夠解釋功能來源、預測關鍵突變位置，并輔助藥物設計和生物工程。

https://phys.org/news/2026-07-ai-protein-sequences-text-reveal.html