蛋白质基座的GPT时代来了？！

清华大学智能产业研究院（AIR）周浩副教授课题组与上海人工智能实验室联合发布了AMix-1，首次以系统化方法论构建蛋白质基座模型。这一方法结合了Scaling Law、Emergent Ability、In-Context Learning和Test-time Scaling，为蛋白质研究开启了类似NLP领域GPT的新时代。

AMix-1基于贝叶斯流网络（Bayesian Flow Networks, BFNs），具备四大“超能力”：
1. Pretraining Scaling Law：明确参数、数据量和计算资源的权衡，最大化模型性能。
2. Emergent Ability：随着训练深入，模型能自动理解蛋白质的空间结构。
3. In-Context Learning：无需微调，通过上下文学习设计新蛋白。
4. Test-time Scaling：验证预算增加时，模型表现持续提升。

研究表明，AMix-1的性能随参数规模和计算量增加而规律提升，科学家可精准规划资源。其“顿悟”能力让模型从识别序列跃升至理解结构，并在设计任务中表现出色。例如，仅需几个例子，AMix-1就能生成符合功能需求的新蛋白，甚至优化酶活性。实验显示，AMix-1设计的一种转录调控因子活性提升了50倍，超越现有方法。

此外，AMix-1支持测试时扩展（EvoAMix-1），通过迭代优化不断提升设计效果。它还支撑了一个虚拟生物实验室，将复杂耗时的蛋白质改造变得像与ChatGPT对话般简单。

所有代码、模型权重和技术细节已公开，推动蛋白质研究迈向通用智能新阶段。
项目主页：https://gensi-thuair.github.io/AMix-1/
虚拟生物实验室：https://virtualbiolab.intern-ai.org.cn/