2026. július 30., csütörtök · Kutatás

ProteinGuide: célzott fehérjetervezés generatív modellek utólagos irányításával

A Nature Biotechnology folyóiratban megjelent kutatás bemutatja a ProteinGuide nevű módszert, amely lehetővé teszi, hogy már betanított fehérje-generáló modelleket (ESM3, ProteinMPNN, MultiFlow) további tanítás nélkül, menet közben irányítsanak kísérleti adatok alapján. A szerzők egy közös statisztikai keretet dolgoztak ki, amely maszkolt nyelvi, autoregresszív és diszkrét diffúziós modellekre egyaránt alkalmazható. Kísérletileg magasabb stabilitású vagy aktivitású fehérjéket, illetve egymásnak ellentmondó tulajdonságok közötti kompromisszumot kereső fehérjéket terveztek. Laboratóriumi adatokkal kombinálva egy adenin-báziscserélő enzim szerkesztési hatékonyságát növelték, amely a szerzők szerint felülmúlta a hét körös irányított evolúcióval elért korábbi eredményt. A kód és a nyers szekvenálási adatok nyilvánosan elérhetők.

Miért fontos?

A módszer felgyorsíthatja a kívánt tulajdonságú fehérjék, például hatékonyabb géneditáló enzimek tervezését, meglévő modellek újratanítása nélkül.

Források

Nature Tudományos arXiv cs.AI Preprint

Említve a tudásbázisban

fogalom Diffúziós modell (Diffusion Model)

Kapcsolódó témák

Napi összefoglalók AI kutatás #ProteinGuide#fehérjetervezés

Napi összefoglaló

Ez a hír a 2026. július 30., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Claude AI fehérjekötőket tervezett gyógyszerfejlesztéshez

Az Anthropic saját közleménye szerint Claude modelljei (Mythos Preview és Opus 4.8) 15 célfehérjéből 14 esetben sikeresen terveztek minibindereket, vagyis kismolekulás fehérjéket, amelyek egy célfehérjéhez kötődve blokkolhatják annak működését – ez a gyógyszerfejlesztés korai szakaszának kulcslépése. A cég szerint az egyedi tervek 22-35 százaléka kötődött sikeresen, szemben az iparágban jellemző 10-15 százalékkal; a The Decoder szerint 1320 tesztelt tervből 354 kötődött (26,8%), a legjobbra rangsorolt terveknél pedig 49% volt a sikerarány. A modell nem saját fehérjemodellt használt, hanem nyílt forráskódú eszközöket, például PXDesign-t és ESMFold2-t irányított. Egy másik kísérletben Claude Opus 5 NMR- és LC-MS adatokból 20 perc alatt a laboratóriuméval megegyező tisztasági eredményt adott. A The Decoder hangsúlyozza, hogy az eredmények független ellenőrzése még nem történt meg.

Kétéves egyetemi kutatás: az AI-tiltás rontja a jogászhallgatók teljesítményét

Thibault Schrepel, a Vrije Universiteit Amsterdam jogászprofesszora két éven át vizsgálta „Law of AI” kurzusán, hogyan hat a hallgatói teljesítményre az AI teljes tiltása, a felügyelet nélküli AI-használat és a strukturált AI-képzés. A hallgatókat három csoportra osztották: egyiküknek nem volt szabad ChatGPT-t használnia, a másik felügyelet nélkül kapott AI-javaslatokat, a harmadik célzott képzést kapott a jogi promptolásban. A feladat mindenkinek ugyanaz volt: 20 perc alatt kellett javítani egy rendelkezést az uniós mesterséges intelligencia-rendeleten. A kísérletet 2024-ben 66, 2025-ben 164 hallgatóval ismételték meg. A kutató szerint a tiltott csoport mindkét évben az utolsó helyen végzett, mert az ötletek gyorsan kimerültek, míg a felügyelet nélküli csoport kritikátlanul fogadta el az AI javaslatait. A képzett csoport 2024-ben egyértelműen jobban teljesített, ám 2025-re ez az előny szinte eltűnt, mivel a hallgatók már megszokott felhasználóként érkeztek a kurzusra.

Sci-MMR: új teszt leplezi le a multimodális AI-ügynökök bizonyítási hiányosságait

Kutatók bemutatták a Sci-MMR benchmarkot, amely azt méri, mennyire képesek a multimodális AI-ügynökök több lépéses, bizonyítékra alapozott tudományos következtetésre. A nem lektorált, arXiv-preprintként közzétett tanulmány szerint a 235 feladatból álló teszt négy tudományterületet fed le, feladatonként átlag kilenc ábrapanellel. Nyolc élvonalbeli multimodális modell vizsgálatakor kiderült: a végső válasz pontossága több mint 20 százalékponttal meghaladja azt az arányt, amikor a modell a teljes bizonyítékláncot is helyesen adja vissza, vagyis gyakran jó választ ad valódi bizonyíték nélkül. A szerzők szerint a hibák 57,2 százaléka az ábrákból való hiányos bizonyítékkinyerésből ered, 31,8 százaléka pedig abból, hogy a modellek a meglévő bizonyítékot sem tudják helyes következtetéssé alakítani; még arany bizonyíték mellett is csak 69,1 százalékos pontosságot ér el a legjobb modell a legnehezebb feladatokon.

Élő adatbázis gyűjti össze az AI-benchmarkokat

Kutatók a Benchmark Radar nevű rendszert ismertetik egy nem lektorált, arXiv-on közzétett preprintben: ez egy élő adatbázis és keresőmotor, amely LLM-ek, ügynökalapú rendszerek, kódolási, érvelési és biztonsági benchmarkok adatait gyűjti egy helyre. A rendszer 37 forrásból (13 közvetlen kapcsolón és 24 kutatási-mérnöki hírfolyamon keresztül) naponta gyűjt benchmark-cikkeket, kódtárakat és adathalmazokat. A szerzők állítása szerint a katalógus jelenleg 1283 forrásrekordot tartalmaz négy benchmark-gyűjteményből, valamint 12 916 számszerű megfigyelést 790 rekordon. A csapat webes irányítópultot, rangsorolót, telítettségi és trendnézeteket, valamint parancssori felületet is közzétett a katalógus lekérdezéséhez.