Umělé inteligence postupují do biologie. Kredit: Pixabay, CC0.

Líbí se vám vibe coding? Je to úplně jiná zkušenost v programování, které otevírá dveře i laikům, ale zase klade na uživatele jiné, doposud nevídané nároky. Teď se připravte na to, že přichází vibe proteining. Česky bychom tomu mohli říkat třeba proteinování.

Umělé inteligence se v poslední době hodně zlepšily v navrhování proteinů, biomolekul, které mohou zastávat nepřebernou škálu rolí, od pevných a odolných konstrukcí přes urychlování chemických reakcí až po vytváření fluorescenčních signálů nebo třeba rozkládání plastů. V současnosti ale platí, že pokud chce nějaký uživatel navrhnout konkrétní protein, obvykle musí poměrně dobře rozumět molekulárním strukturám, biochemickým vztahům a také geometrickým omezením, aby dokázal nasměrovat soudobé inteligence k požadovanému proteinu. To by se ale mohlo brzy změnit.

Fajie Yuan. Kredit: Westlake University.

Fajie Yuan z čínské Westlake University a jeho spolupracovníci vyvinuli rozsáhlý model umělé inteligence, kterému říkají Pinal. Dovede generovat proteiny tak, že mu prostě řeknete, jak má protein vypadat a co má dělat. Vibe proteinování fascinovalo i prestižní vědecký Nature.

Uživatel Pinalu popíše, co má požadovaný protein dělat. Může například zadat: „Navrhni mi fluorescenční protein, který při osvětlení vyzařuje zelené světlo,“ a jak se sluší mezi inteligencemi, pěkně za to poděkovat. Pinal využívá dva hlavní moduly. První z nich, T2struct, převede textový popis na jednorozměrný strukturální plán proteinu. Druhý modul, SaProt-T, tento plán zpracuje a společně s původním textovým zadáním na jeho základě vytvoří odpovídající sekvenci aminokyselin. Autoři studie vysvětlují, že Pinal převádí obecné požadavky na proteinové sekvence, čímž omezuje závislost uživatelů na ručně zadávaných strukturálních šablonách a geometrických omezeních.

Zajímavé je, že Pinal se nespokojí s prvním návrhem, který vytvoří. Připraví několik strukturálních variant, pro každou navrhne nejvhodnější aminokyselinovou sekvenci a následně jednotlivé dvojice vyhodnotí. Teprve potom vybere nejlepší výsledný návrh.

Logo. Kredit: Westlake University.

Výcvik Pinalu, aby tohle dokázal, vyžadoval obrovské množství dat. Vědci začali se 135 miliony proteinových sekvencí. Pomocí modelů umělé inteligence a existujících anotací proteinů k nim vytvořili slovní popisy jejich funkcí. Výsledkem byla rozsáhlá databáze obsahující 1,7 miliardy dvojic proteinových sekvencí a textových popisů. Následně pro tyto sekvence získali predikované trojrozměrné struktury z existující databáze AlphaFold.

Aby ověřili schopnosti svého modelu, zadali mu vědci návrh čtyř různých proteinů: fluorescenčního proteinu, enzymu rozkládajícího plasty, alkoholdehydrogenázy a metabolického H-proteinu. Jak si Pinal vedl?

Při návrhu fluorescenčního proteinu Pinal navrhl 50 000 sekvencí. Po následné filtraci zůstalo 29 kandidátů, které vědci podrobili experimentálnímu testování. Fluorescentní byl ale jen jeden z nich. Lépe si Pinal vedl při návrhu metabolického H-proteinu, který funguje jako přenašeč chemických skupin mezi enzymy glycinového dekarboxylačního systému. Z dvaceti testovaných kandidátů jich pět skutečně fungovalo. Nejlepší z nich zvýšil výtěžnost důležitého procesu zachycování uhlíku na 1,7násobek hodnoty dosažené pomocí přirozeného H-proteinu bakterie Escherichia coli.

Výsledky jsou to slibné, ale proteinování s Pinalem očividně ještě má své mouchy. Bude to chtít ještě hodně ladění a učení, než se z něj stane běžně používaný nástroj v laboratořích. Každopádně je ale už teď jasné, že biosekuriťákům přibude hodně vrásek na čele. Nepochybně bude snaha používat bezpečnostní filtry, ale vzhledem k tomu, jak děravé jsou naše znalosti ohledně fungování mnoha proteinů a jak snadné bývá ukecat inteligence, když něco doopravdy chcete, proteinování bude určitě velmi napínavé.

Video: Design PETase with AI model - Pinal: http://www.denovo-pinal.com/

Literatura

Phys.org 3. 11. 2026.

Nature online 21. 10. 2026.