编辑丨

如果把蛋白质比作一套由氨基酸写成的神秘语言，那每一条序列都藏着结构、位置和功能的密码。问题是，要从这20种氨基酸字母组成的密码里，准确读出生命活动的含义，这可不是一件容易的事——长期以来，它都是生物学最核心的难题之一。

面对一个全新的蛋白质，研究者通常要么老老实实地做实验验证，要么跑到数据库里翻找跟它长得像的“亲戚”，通过序列相似性来推测功能。可生命世界里还有大量来历不明、注释缺失的蛋白，尤其是那些跟任何已知序列都攀不上关系的“孤儿蛋白”——对传统方法来说，基本就是一块难啃的硬骨头。

不过，AI正在改变这一局面。2026年6月29日，PNAS上刊登了一篇题为《BetaDescribe: Providing rich descriptions from protein sequences》的论文，提出了一个名为BetaDescribe的蛋白质语言模型框架。它的思路很直接：让模型直接读取蛋白质序列，然后像写科学注释一样，用自然语言输出功能描述，包括催化活性、亚细胞定位、结构域信息等。

论文链接：https://www.pnas.org/doi/10.1073/pnas.2537345123

BetaDescribe

深度学习进入蛋白质研究领域已经不是什么新鲜事。从结构预测到序列生成，AI展示了理解复杂生命信息的能力。蛋白质语言模型更是直接把氨基酸序列当成“生物文本”，让模型从海量序列中自己琢磨隐藏的规律。

但蛋白质跟普通语言的区别也很明显。人类语言有明确的语法规则，蛋白质序列里的信息却藏在氨基酸的排列方式、进化约束和结构特征里。模型就算能识别出序列模式，也不一定真懂它对应什么生物学意义。

BetaDescribe就是想打通这层壁垒。研究团队以Llama 2为基础，把原本擅长自然语言理解的大模型，往蛋白质领域里狠狠“训练”了一轮。先喂了约2万亿个英文文本token做预训练，再追加超过1200亿个包含蛋白质知识的数据token，让模型慢慢建立起“序列→功能描述”的映射关系。

图1：BetaDescribe工作流程。

具体架构上，BetaDescribe不是让一个模型单打独斗，而是设计了一套“生成器—验证器—评判器”的协作体系。核心生成器拥有70亿参数，负责根据蛋白质序列生成多个候选功能描述；三个验证模型分别负责预测蛋白质分类、亚细胞定位和是否具有酶活性；最后，一个基于GPT-4的评判模块会把所有信息综合起来，筛选出最可信的描述。

这套机制有点像科学研究里的同行评审——AI先抛出一个假设，其他模型再检查这个假设是否符合已有的生物学规律。这样一来，生成式模型最让人头疼的“胡说八道”问题，就能被有效压制。

表1：BetaDescribe对无BlastP匹配结果的测试蛋白质的性能表现。

探索蛋白质

跟传统方法死磕序列相似性不同，BetaDescribe把生成模型、验证机制和评估流程拧成了一股绳。这样一来，就算一个蛋白质跟数据库里已知的描述关系很弱，系统也能通过更广泛的关联信息来推测功能。

在罗非鱼湖病毒（TiLV）相关蛋白的研究中，传统方法因为病毒蛋白高度变异，只能勉强认出其中一个聚合酶相关蛋白。而BetaDescribe全部正确预测了RNA依赖聚合酶活性——这个结果直接给后续实验研究指明了方向。

表2：BetaDescribe对TGV-S蛋白的预测及BlastP的预测结果。

再看一个细菌蛋白H5TRP0。传统BlastP搜索回来的是一个跟丝氨酸蛋白酶活性有点关系的蛋白，看起来跟目标并不太相关。而BetaDescribe生成的多个预测里，有两个准确关联到了CRISPR相关的功能，还指出它可能参与细菌免疫系统。

这些案例说明，在传统数据库确实“没招”的时候，生成式AI能提供全新的研究假设，帮科学家打开那些尚未被充分探索的蛋白质空间。

从实验室瓶颈到应用

研究团队也坦诚：当蛋白质跟已知序列高度相似时，BlastP的准确性依然更高。但面对那些低同源性的“陌生人”，BetaDescribe的优势就凸显出来了——它能利用更广泛的序列-功能关联信息，给出更稳定的预测结果。

接下来，这类蛋白质大语言模型还有很大的想象空间。如果能把实验数据、结构信息和进化信息都整合进来，AI不仅能描述蛋白质“是什么”，还能解释“为什么”，甚至预测关键突变的位置。到那时候，它在药物设计和生物工程中的作用，可能会远超我们的想象。

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