Представьте, что у вас накопился лабораторный журнал: несколько десятков вариантов одно...
Представьте, что у вас накопился лабораторный журнал: несколько десятков вариантов одного белка, для каждого измерены активность, стабильность и растворимость. Но проверить экспериментально все остальные варианты слишком дорого. Как выжать из уже проведенных экспериментов максимум информации? Можно поставить поверх такой модели небольшой оценщик и обучить его на собственных измерениях. Но есть еще один интересный вариант — ProteinNPT. Он смотрит не на один белок за раз, а сразу на весь накопленный лабораторный журнал. Представьте таблицу: в каждой строке — вариант белка, а в столбцах — его последовательность и измеренные свойства. Часть клеток может быть пустой: у одного варианта измерили активность, у другого — стабильность, до третьего эксперимента вообще не дошли, модель может использовать связи между свойствами и постепенно заполнять пробелы в журнале. ProteinNPT учится находить связи и внутри строки, и между строками. Внутри строки модель связывает конкретные аминокислоты с измеренными свойствами именно этого белка. А по столбцам сравнивает одну и ту же позицию у разных вариантов и сопоставляет их результаты. Модель может сравнивать белки не только целиком, но и по отдельным позициям. Zero-shot-оценка (это когда модель работает «из коробки»: она оценивает белок, не видя ни одного результата ваших собственных экспериментов) при этом становится еще одним «бесплатным» столбцом: её можно получить для всех кандидатов без новых экспериментов. В итоге вместо того, чтобы каждый новый вариант рассматривать как незнакомца, модель использует весь накопленный опыт лаборатории и сравнивает кандидатов с уже проверенными соседями. Именно поэтому ProteinNPT называют непараметрическим трансформером: его сила не только в том, что он запомнил при обучении, а в способности работать с конкретным набором экспериментальных данных, который мы ему дали. Подробнее о том, как ИИ помогает превращать результаты прошлых экспериментов в подсказки для следующих, — в нашей новой статье, подготовленной при поддержке Центрального университета. #Биомолекула_инфографика