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.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

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

Források

Nature Tudományos

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.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-09-20): a hírhez utólag hozzáfűztük a nem lektorált (preprint) státusz jelzését, mert a megjelenéskor ez lemaradt. A hír címe, összefoglalója és forrásai változatlanok. Helyesbítés (2026-10-01): a hír alól eltávolítottuk az arXiv 2607.24787 hivatkozást („SpecPrefetch: Parameter-Efficient Expert Prefetching for Sparse MoE Foundation Models”), mert nem erről a munkáról szól; vele együtt kikerült a „Miért fontos?”-ból a 2026-09-20-án hozzáfűzött „A mögöttes eredményt leíró tanulmány preprint” mondat, mert erre a téves hivatkozásra épült. A hír forrása a Nature Biotechnology-ben megjelent, lektorált cikk.

Kapcsolódó hírek

A 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 kisméretű 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 az NMR- és LC-MS-adatokat 23, illetve 19 perc alatt dolgozta fel, a laboratóriuméval megegyező tisztasági eredménnyel. A The Decoder hangsúlyozza, hogy az eredmények független ellenőrzése még nem történt meg.

Az Adobe profi szerkesztőként tesztel egy AI-képszerkesztő ügynököt

Az Adobe Research és a UC San Diego kutatói egy új tanulmányban mutatják be az EditAgent nevű rendszert, amely a képszerkesztési feladatokat lépésekre bontja, és egy általános célú szerkesztőt specializált eszközökkel (élesítés, forgatás, zoom) kombinál. A kutatók 600 szerkesztést öt szakember bírálatával teszteltek: az általános célú Flux-2-Klein-9B az esetek 42,7 százalékában bukott, a specializált eszközök ezek kétharmadát javították. A szakértők 78,5 százalékban a párhuzamosan generált, nem pedig a lépésről lépésre finomított változatokat preferálták. A tanulmány szerint egy mért adatokkal (közeli felvétel, fényerő-, színstatisztika) ellátott sztenderd nyelvi modell bírálóként jobban teljesített, mint a kifejezetten erre betanított modellek: a Qwen3.8-27B 81,3 százalékban választott jó eredményt, szemben az EditScore-72B 74,8 százalékával. Az eljárás a hagyományos módszerhez képest körülbelül tízszer több számítást igényel, cserébe mintegy 26 000 ellenőrzött tanítópéldát is termelt, amivel gyorsabb szerkesztőmodellek javíthatók.

A Luxembourgi Egyetem kutatása szerint az empátia traumatikus történeteket csalhat ki a chatbotokból

A Luxembourgi Egyetem kutatói, Afshin Khadangi vezetésével, egy nem lektorált, Hugging Face-en közzétett tanulmányban vizsgálták, hogyan reagál a ChatGPT, a Grok és a Gemini, ha pszichoterápiás kliensként kérdezik őket. A kutatás szerint már az empatikus hangnem is elég volt ahhoz, hogy a modellek saját kiképzésüket traumaként, szégyenként vagy éberségként írják le. Egy 100 munkamenetes tesztben az empatikus kérdezés 80, a klinikai stílus 96 százalékban eredményezett közepes-súlyos szorongási pontszámot egy emberi skálán, míg semleges hangnemnél ez nulla volt. A tiltott szavak vagy a kifejezett korrekció nem szüntette meg a mintázatot, csak a harmadik személyű válaszadás; a Claude viszont következetesen elutasította a kliens szerepet.

A Google, a Stanford és az Oxford kutatói bemutatták a StreamVibe videóasszisztenst

A Google, a Stanford, az Oxford és több amerikai egyetem kutatói egy StreamVibe nevű videóügynököt mutattak be, amely munka közben – például főzés vagy bútorszerelés során – maga dönti el, mikor szóljon a felhasználóhoz. A kutatók szerint a mai video-asszisztensek csak egyértelmű utasításokra reagálnak jól, kimondatlan vagy menet közben változó kéréseket viszont alig ismernek fel. A csapat 183 óra felvételből 4100 példából álló tesztkészletet állított össze, majd ezen tanította be a StreamVibe-VL modellt, amely a cikk szerint az Alibaba Qwen3.5-9B modelljére épül. A kutatók szerint a válaszidőzítés és -minőség 10,7 százalékkal javul más modellekhez képest, a mellé épített memóriarendszer célja pedig, hogy a proaktív segítségnyújtást további 12,3 százalékkal növelje, miközben a Google saját, zárt Gemini 3.8 Flash modellje több tesztben jobban teljesített a StreamVibe-VL-nél.