建立全球最大蛋白质数据集

本报讯（记者 王蔚）上海交通大学洪亮教授团队今天上午发布最新成果，团队将AI与蛋白质设计与改造相结合，建立了全球最大的蛋白质数据集。基于该数据集训练的模型，可精准、高效地预测、设计蛋白质的功能，把蛋白质生产由“缓慢的试错”变为“高效率的精准设计”。

提起蛋白质，人们首先想到的是肉、蛋、奶这些食物中含有的丰富蛋白质，它可以为人们提供身体所需的营养。但天然的蛋白质难以发挥这些功能，需要对蛋白质的功能进行设计和改造，才能使它成为满足应用需求的产品，这并不是一件容易的事。因为，一款功能过硬的蛋白质产品的诞生，通常需要丰富的专家经验，并配合数以万计的实验试错。长期以来，蛋白质设计改造的时间长、成本高、试错密集等问题，一直是业界公认的普遍性难题。

“蛋白质是由氨基酸序列构成的，氨基酸序列的长度从数百个到上千个不等。AI时代，数据是推动技术进步的核心资源，庞大的蛋白质序列数据集为AI模型提供了丰富的‘学习材料’，能帮助模型更好地理解蛋白质的序列、结构和功能关系。”洪亮介绍，他们团队建立的蛋白质序列数据集Venus-Pod（Venus-Protein Outsize Database）含有近90亿条蛋白质序列，包含数亿个功能标签，是全球数据规模最大、功能批注标签最多的数据集，也是另一行业知名模型——美国ESM-C模型训练用的21亿蛋白质序列的4倍体量。这意味着由中国科研人员创立的数据库构成了巨大的“蛋白质矿藏”，使得人类有可能挖掘新的蛋白质或者生物催化剂，助力生物医药和合成生物学的快速发展。与此同时，配合Venus系列模型的全球首款低通量大体积蛋白质表达、纯化与功能检测自动化一体机，可在24小时内不间断地完成100余个蛋白质的表达、纯化与检测任务，较人力效率提高近10倍，将大大减少研发过程中的人力、物力和时间成本投入，显著提高蛋白质工程与合成生物学研究的效率。

洪亮说，Venus系列模型具备两大核心功能：“AI定向进化”与“AI挖酶”。所谓“AI定向进化”是指Venus系列模型可以对一个不尽如人意的蛋白质产品的多种性能进行优化，让它成为一个“六边形战士”满足应用需求。“AI挖酶”则是指Venus系列模型基于其海量的未知功能蛋白质数据集，可以“海选超能力战士”，去精准发掘并满足苛刻应用需求的具备超常规功能的蛋白质，比如极度耐热、极度耐酸、极度耐碱、极度耐胃肠消化等。这些超常规功能的蛋白质在生物技术、医药研发和工业生产中具有巨大的应用潜力，能够为相关领域带来创新和突破。

据悉，经过Venus系列模型设计的多款蛋白质已实现落地产业化，将助力阿尔茨海默病等疾病的诊断。