2024 노벨 화학상 수상을 기념하여, AI의 역할을 인정받은 AlphaFold2 이후에는 단백질 접힘 이후에 무엇이 올까? PLAID에서는 단백질 접힘 모델의 잠재 공간에서 샘플링하는 방법을 개발하여 새로운 단백질을 생성한다. 이 모델은 합성 기능 및 유기체 프롬프트를 수용할 수 있으며, 서열 데이터베이스에서 교육을 받아 구조 데이터베이스보다 2~4개의 크기로 훈련될 수 있다. PLAID는 이산적 서열과 연속적인 전체 원자 구조 좌표를 동시에 생성하므로 다중 모달 공동 생성 문제를 해결한다. PLAID의 핵심 목표는 텍스트 인터페이스를 통해 생성을 완전히 제어하는 것이다. 이 방법은 단백질 설계 작업에 대한 사전 훈련된 단백질 접힘 모델의 가중치를 활용하여 구조 이해 정보를 활용한다. 이는 로봇 공학의 VLA 모델이 인터넷 규모 데이터로 훈련된 VLM에 포함된 사전 정보를 활용하여 지각 및 추론 및 이해 정보를 제공하는 방식과 유사하다. ESMFold의 잠재 공간은 규제가 많이 필요하며 매우 크기 때문에 이 임베딩을 학습하여 고해상도 이미지 합성으로 매핑되는 경향이 있다. 이에 대한 대안으로 CHEAP (단백질의 압축된 모래시계 임베딩 적응)를 제안하여 단백질 서열과 구조의 합동 임베딩을 위한 압축 모델을 학습한다. 이 잠재 공간은 실제로 매우 압축 가능하다. 이 방법은 단백질 서열 및 구조 생성 사례를 검토하고, 더 복잡한 시스템에 대해 동일한 방법을 사용하여 다중 모달 생성을 수행할 수 있다. 협력하여 이 방법을 확장하거나 실험실에서 이 방법을 시험해보고 싶다면 연락하라.

<The Berkeley Artificial Intelligence Research 뉴스 본문 전체읽기>