خرید و دانلود ترجمه فارسی مقاله TourSynbio: یک مدل بزرگ چند وجهی و چارچوب عامل برای پل زدن متن و توالی پروتئین برای مهندسی پروتئین

چکیده

The structural similarities between protein sequences and natural languages have led to parallel advancements in deep learning across both domains. While large language models (LLMs) have achieved much progress in the domain of natural language processing, their potential in protein engineering remains largely unexplored. Previous approaches have equipped LLMs with protein understanding capabilities by incorporating external protein encoders, but this fails to fully leverage the inherent similarities between protein sequences and natural languages, resulting in sub-optimal performance and increased model complexity. To address this gap, we present TourSynbio-7B, the first multi-modal large model specifically designed for protein engineering tasks without external protein encoders. TourSynbio-7B demonstrates that LLMs can inherently learn to understand proteins as language. The model is post-trained and instruction fine-tuned on InternLM2-7B using ProteinLMDataset, a dataset comprising 17.46 billion tokens of text and protein sequence for self-supervised pretraining and 893K instructions for supervised fine-tuning. TourSynbio-7B outperforms GPT-4 on the ProteinLMBench, a benchmark of 944 manually verified multiple-choice questions, with 62.18% accuracy. Leveraging TourSynbio-7B’s enhanced protein sequence understanding capability, we introduce TourSynbio-Agent, an innovative framework capable of performing various protein engineering tasks, including mutation analysis, inverse folding, protein folding, and visualization. TourSynbio-Agent integrates previously disconnected deep learning models in the protein engineering domain, offering a unified conversational user interface for improved usability. Finally, we demonstrate the efficacy of TourSynbio-7B and TourSynbio-Agent through two wet lab case studies on vanilla key enzyme modification and steroid compound catalysis.

چکیده به فارسی (ترجمه ماشینی)

شباهت های ساختاری بین توالی پروتئین و زبانهای طبیعی منجر به پیشرفت موازی در یادگیری عمیق در هر دو حوزه شده است.در حالی که مدل های بزرگ زبان (LLM) در حوزه پردازش زبان طبیعی به پیشرفت زیادی رسیده اند ، پتانسیل آنها در مهندسی پروتئین تا حد زیادی ناشناخته است.رویکردهای قبلی LLM ها را با استفاده از رمزگذارهای پروتئین خارجی مجهز کرده اند ، اما این امر نمی تواند شباهت های ذاتی بین توالی پروتئین و زبانهای طبیعی را به طور کامل اهرم کند و در نتیجه عملکرد زیر بهینه و افزایش پیچیدگی مدل ایجاد شود.برای پرداختن به این شکاف ، ما Toursynbio-7B ، اولین مدل بزرگ چند منظوره را که به طور خاص برای کارهای مهندسی پروتئین بدون رمزگذارهای پروتئین خارجی طراحی شده است ، ارائه می دهیم.Toursynbio-7b نشان می دهد که LLM ها می توانند به طور ذاتی یاد بگیرند که پروتئین ها را به عنوان زبان درک کنند.این مدل پس از آموزش و دستورالعمل تنظیم شده در internlm2-7b با استفاده از پروتئین LMDATASET ، یک مجموعه داده متشکل از 17.46 میلیارد توکن توالی متن و پروتئین برای پیش فرض خودآزمایی و دستورالعمل 893K برای تنظیم دقیق.Toursynbio-7b از GPT-4 در پروتئین LMBench بهتر است ، معیار 944 سؤالات چند گزینه ای را با دقت 62.18 ٪ تأیید کرد.با استفاده از قابلیت درک توالی پروتئین پیشرفته Toursynbio-7b ، ما یک چارچوب نوآورانه را که قادر به انجام کارهای مختلف مهندسی پروتئین ، از جمله تجزیه و تحلیل جهش ، تاشو معکوس ، تاشو پروتئین و تجسم است ، معرفی می کنیم.TourSynbio-Agent ادغام مدلهای یادگیری عمیق قبلاً قطع شده در حوزه مهندسی پروتئین است و یک رابط کاربری مکالمه ای یکپارچه برای بهبود قابلیت استفاده ارائه می دهد.سرانجام ، ما اثربخشی Toursynbio-7B و Toursynbio-Agent را از طریق دو مورد مورد آزمایش آزمایشگاه مرطوب در مورد اصلاح آنزیم وانیلی و کاتالیز ترکیب استروئیدی نشان می دهیم.