一种三模态蛋白质语言模型能够实现高级蛋白质搜索功能

《Nature Biotechnology》：A trimodal protein language model enables advanced protein searches

ProTrek通过对比学习整合蛋白质序列、结构和自然语言功能，形成三模态语言模型，支持跨模态及模内全面搜索，显著优于Foldseek和MMseqs2的速度和准确性，其服务器可高效处理大规模蛋白质数据库。

　　

摘要

ProTrek通过对比学习将蛋白质序列、结构和自然语言功能统一在一个三模态语言模型中，实现了任意两种模态之间的全面搜索（包括同一模态内的搜索）。在识别功能相关的蛋白质方面，ProTrek在速度和准确性上均优于现有的比对工具（例如Foldseek和MMseqs2）。计算实验和湿实验室验证表明，ProTrek服务器（www.search-protrek.com）拥有超过50亿种蛋白质的预计算嵌入信息，能够高效处理和分析大规模蛋白质数据库。