入选ACL2024主会 | InstructProtein：利用知识指令对齐蛋白质语言与人类语言

作为细胞生存的基础，蛋白质存在于包括人体在内的所有生物体中，是构成组织器官的支架和主要物质，在生命必不可少的化学反应中发挥着核心作用。

面对蛋白质结构的复杂多变，传统实验方法在解析蛋白质结构时既耗时又费力，蛋白质大语言模型 (PLMs) 应运而生——这些专业模型以氨基酸序列作为输入，能预测蛋白质功能，甚至设计全新的蛋白质。然而，PLMs 虽然在理解氨基酸序列方面表现出色，但无法理解人类语言。

同样地，当要求 ChatGPT 和 Claude-2 这类擅长处理自然语言的大语言模型 (LLMs)，去描述蛋白质序列的功能或生成具有特定性质的蛋白质时，它们也力不从心。究其原因，目前的蛋白质-文本对数据集存在两大缺陷：一是缺少明确的指令信号；二是数据注释不平衡。总之，当前 LLMs 的研究中存在一个尚未解决的空白，即无法在人类语言和蛋白质语言之间快速转换。

为了解决这类问题，浙江大学陈华钧、张强团队提出 InstructProtein 模型，利用知识指令对齐蛋白质语言与人类语言， 探索了在蛋白质语言和人类语言间的双向生成能力，有效弥补了两种语言之间的差距，展示了将生物序列整合到大型语言模型的能力。

该研究以「InstructProtein: Aligning Human and Protein Language via Knowledge Instruction」为题，被 ACL 2024 主会录用。

研究亮点：

• InstructProtein 是一项通过知识指令对齐人类语言和蛋白质语言的研究
• 探索了在蛋白质语言和人类语言间的双向生成能力，有效弥补了这两种语言之间的差距
• 大量双向蛋白质-文本生成任务的实验表明，InstructProtein 在性能上优于现有的最先进 LLMs

论文地址：
https://arxiv.org/abs/2310.03269

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读，并提供海量数据集与工具：
https://github.com/hyperai/awesome-ai4s

数据集：全面科学的数据集

模型预训练阶段的语料库包含来自 UniRef100 的蛋白质序列和来自 PubMed 摘要的句子——研究人员基于这些数据生成了一个包含 280 万条数据的指令数据集。

在模型的微调阶段，蛋白质知识图谱是利用 UniProt/Swiss-Prot 提供的注释构建的，其中包括蛋白质的超家族、家族、结构域、保守位点、活性位点、结合位点、位置、功能和涉及的生物过程；知识因果建模的数据则来源于 InterPro 和 Gene Ontology 数据库。

在模型评估阶段，研究人员选择了 Gene Ontology (GO) 数据集来评估模型在蛋白质功能注释方面的能力，然后选择 Hu 等人的数据集来评估模型在金属离子结合 (MIB) 预测方面的能力。

模型架构：通过建立蛋白质知识指令数据集对预训练模型进行微调

为了赋予 LLM 理解蛋白质语言的能力，InstructProtein 采用了两步训练方法：首先在蛋白质和自然语言语料库上进行预训练，然后通过建立的蛋白质知识指令数据集进行微调。

预训练阶段

在多语言预训练阶段，本研究利用生物相关的大型文本数据库，来增强模型在生物领域的语言理解和知识背景。多语言指的是处理自然语言 (如英文摘要) 和生物序列语言 (如蛋白质序列) 的能力。

模型微调阶段

在模型微调阶段，本研究提出了一种名为「知识指令」的数据集构建方法， 利用知识图谱 (KGs) 和大语言模型的协同工作，以构建一个平衡且多样化的指令数据集。该方法不依赖于大语言模型对蛋白质语言的理解能力，从而避免了因模型偏误或幻觉而引入的虚假信息。具体的构建过程分为 3 个主要阶段，如下图所示：

图：指令生成方法概述

a.给定一组种子任务 (seed task)，促使 LLM 生成新的指令数据
b.利用 LLM 生成与原始文档 (raw document) 内容对应的指令数据
c.基于知识图谱 (KG) 的指令生成框架

知识图谱的构建： 研究人员使用 UniProtKB 作为数据来源，构建蛋白质知识图谱。借鉴链式思维的理念，研究人员认识到蛋白质注释中也存在逻辑链。例如，蛋白质可以参与的生物过程与其分子功能和亚细胞定位紧密相关，而分子功能本身受蛋白质结构域的影响。

为了表示这种蛋白质知识的因果链，研究人员引入了一个名为知识因果建模 (Knowledge Causal Modeling, KCM) 的新概念。 具体而言，知识因果模型由多个相互连接的三元组组成，这些三元组组织在一个有向无环图中，其中边的方向表示因果关系。该图将三元组组织起来，从微观层面 (涵盖蛋白质序列的特征，如结构) 延伸到宏观层面 (涵盖生物功能)。下图展示了给定一个包含 KCM 的三元组，利用结合了知识图谱完成任务的大语言模型生成事实性、逻辑性和多样化指令的过程。

图：将知识图谱三元组转换为指令的示例

知识图谱三元组采样： 考虑到知识图谱中的注释不平衡问题，研究人员提出了一种去偏采样策略来替代均匀采样，作为统一采样的替代策略。具体来说，其首先根据蛋白质的序列和属性相似性进行分组，然后在每个群组中统一抽取三元组。

指令数据的生成： 研究人员模拟知识图谱完成任务，并使用通用 LLM (如 ChatGPT) 将带有 KCM 的知识图谱三元组转换为指令数据。

通过这种方法，可以在不依赖预设模型理解蛋白质语言的前提下，有效地创建出一个既丰富又平衡的蛋白质函数和位置的指令数据集， 为后续的蛋白质功能研究和应用提供更可靠的数据支持。

通过预训练和微调的组合，得到的模型称为 InstructProtein，该模型能够更好地执行涉及蛋白质序列的各种预测和注释任务， 比如准确预测蛋白质的功能或者定位到特定的亚细胞位置——这对蛋白质工程、药物发现以及更广泛的生物医学研究具有重要意义。

研究结果：InstructProtein 在性能上优于现有的最先进 LLMs

该研究通过全面评估了 InstructProtein 在蛋白质序列理解和设计方面的能力：

蛋白质序列理解

研究人员评估了 InstructProtein 模型在以下 3 个分类任务上的性能： 蛋白质位置预测、蛋白质功能预测 、蛋白质金属离子结合能力预测。这些任务被设计成类似于自然语言中的阅读理解问题，其中每条数据包含一条蛋白质序列及一个问题，模型需回答是/否类型的问题，所有评估都在 zero-shot 设置下进行。

评估结果如下表所示：与所有基线模型相比，InstructProtein 在所有任务上都达到了新的最先进性能。

表：蛋白质序列理解任务下的 zero-shot 性能

此外，有两个关键发现值得注意。首先，InstructProtein 明显优于源自自然语言训练语料库的 LLMs (即 OPT、LLaMA、Alpaca)。这表明，使用蛋白质和自然语言共存的语料库进行训练对 LLMs 有益，提高了它们在蛋白质语言理解方面的能力。

其次，尽管 Galactica 和 BioMedGPT 都利用 UniProtKB 作为自然语言与蛋白质对齐的语料库，但 InstructProtein 的表现始终优于它们。结果验证了，研究中高质量的指令数据可以提升 zero-shot 设置下的性能。

另外，在蛋白质亚细胞定位 (bin) 任务中，LLMs (OPT、LLaMA、Alpaca 和 Galactica) 存在严重偏差，导致所有蛋白质被分类为同一组，结果准确率为 57.52%。

蛋白质序列设计

在蛋白质设计方面，研究人员设计了一个「指令蛋白配对」任务：给定一个蛋白质及其描述，模型需要从其对应描述及 9 个不对应的描述中选择最合适的一项。

如下表所示：在指令-蛋白质配对任务中，InstructProtein 显著超越了所有基线模型。

表：指令与蛋白质配对的准确性

其中，BioMedGPT 专注于将蛋白质转换为文本，缺乏蛋白质设计能力；Galactica 在将指令与蛋白质对齐方面的 zero-shot 设置下表现有限，因为它是基于叙述性蛋白质语料库进行训练的——这些结果确认了 InstructProtein 模型在蛋白质生成中的指令跟随能力的优越性。

为了进一步验证 InstructProtein 按照功能相关指令进行蛋白质设计的能力，研究人员使用 InstructProtein 设计了能够与特定化合物结合的 heme 结合蛋白，并可视化了三个生成蛋白质的 3D 结构。下图展示了对接结果、结合亲和力预测 (binding affinity，越低越好)、pLDDT 分数 (绝对值越高越好)。可以观察到生成的蛋白质展示了显著的结合亲和力，确认了 InstructProtein 在 heme 结合蛋白设计中的有效性。

图：基于功能指令的蛋白质序列从头设计可视化

蛋白质大模型的探究之路刚刚开始

近年来，大型语言模型已经在自然语言处理领域带来了革命性的变革。这些模型被广泛应用于日常生活中的多个方面，例如语言翻译、信息获取以及代码生成。然而，尽管这些语言模型在处理自然语言和代码语言方面表现出色，它们在生物序列（如蛋白质序列）的处理上却显得力不从心——在此背景下，蛋白质大语言模型的出现恰逢其时。

蛋白质大语言模型专门针对蛋白质相关数据进行训练，包括氨基酸序列、蛋白质折叠模式以及蛋白质相关的其他生物数据。因此，它们具有准确预测蛋白质结构、功能和相互作用的能力。蛋白质语言模型代表了 AI 技术在生物学中的前沿应用，其通过学习蛋白质序列的模式和结构，能够预测蛋白质的功能和形态，对于新药开发、疾病治疗和基础生物学研究具有重大意义。

2023 年 4 月，发表于 Science 的一项研究显示，来自 meta AI 团队的研究者采用能够涌现出演化信息的大语言模型，开发了一个从序列到结构的预测器 ESMFold，对单序列蛋白的预测精度超过了 AlphaFold2，对有同源序列的蛋白的预测精度接近 AlphaFold2，且速度提升了一个数量级，该模型预测了 6 亿多条宏基因组的蛋白质，展示了天然蛋白质的广阔性和多样性。

2023 年 7 月，百图生科与清华大学联合提出了一种名为 xTrimo Protein General Language Model (xTrimoPGLM) 的模型，参数量高达千亿 (100B)。在理解任务上，xTrimoPGLM 在多种蛋白质理解任务中显著优于其他先进基线模型；在生成任务上，xTrimoPGLM 能够生成与自然蛋白质结构类似的新蛋白质序列。

论文链接：

https://www.biorxiv.org/content/10.1101/2023.07.05.547496v3

2024 年 7 月，清华大学智能产业研究院副研究员周浩联合北京大学、南京大学和水木分子团队，提出了一种多尺度的蛋白质语言模型 ESM-AA (ESM All Atom)，通过设计残基展开、多尺度位置编码等训练机制，拓展出了处理原子尺度信息的能力。ESM-AA 在靶点-配体结合等任务的性能显著提升，超越目前 SOTA 蛋白语言模型，如 ESM-2，也超越了目前的 SOTA 分子表示学习模型 Uni-Mol 等。相关研究已经以「ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling」为题，发表于机器学习顶级会议 ICML 上。

论文地址：

https://icml.cc/virtual/2024/poster/35119

值得强调的是，尽管蛋白质大语言模型相关研究已经取得了重大进展，但我们仍处于充分掌握蛋白质序列空间复杂性的早期阶段。比如，前文提及的 InstructProtein 模型存在处理数值任务的挑战，这在需要定量分析的蛋白质建模领域尤为重要，包括 3D 结构的确立、稳定性评估和功能评价。未来，相关研究将拓展至包括定量描述在内的更广泛指令范围， 增强模型提供定量输出的能力，从而推进蛋白质语言和人类语言的整合，并拓展其在不同应用场景下的实用性。

参考资料：

1.https://arxiv.org/abs/2310.03269

2.https://mp.weixin.qq.com/s/UPsf9y9dcq_brLDYhIvz-w

3.https://hic.zju.edu.cn/ibct/2024/0228/c58187a2881806/page.htm

4.https://mp.weixin.qq.com/s/EUgwVamWgY8aYzCeDJIjFw

5.https://www.jiqizhixin.com/articles