Narzędzia AI
PLAID: model, który generuje sekwencję i strukturę białka
Zaktualizowano: Autor: Andrzej Niemiec7 min czytania
PLAID to model badawczy z bioRxiv (grudzień 2024), który generuje sekwencję i pełną strukturę białka. Wyjaśniamy metodę, wyniki i ograniczenia.
Spis treści
Czym jest PLAID?
PLAID (Protein Latent Induced Diffusion) to model badawczy do generowania białek, opublikowany jako preprint na bioRxiv. Tworzy nowe sekwencje i struktury, a nie tylko przewiduje kształt białek już znanych. Kod i wagi modelu są publicznie dostępne. Nie jest firmą ani lekiem.
Pierwsza wersja pracy „Generating All-Atom Protein Structure from Sequence-Only Training Data” została opublikowana 5 grudnia 2024 roku [1]. Kolejne wersje ukazały się 13 lutego 2025 roku [2] i 7 stycznia 2026 roku [3]. Metodę zaprezentowano na warsztacie NeurIPS 2024 [4], a 8 kwietnia 2025 roku opisał ją blog Berkeley AI Research [5].
Wśród autorów są badacze z UC Berkeley, Prescient Design/Genentech, Microsoft Research i NYU. W późniejszej wersji preprintu większość autorów to pracownicy Genentech [3]. Repozytorium z kodem i wagami jest publiczne [6].
Kontekst nagrody Nobla z chemii 2024 wyjaśnia zainteresowanie tą klasą modeli. Nagrodę ogłoszono 9 października 2024 roku [7]. Otrzymali ją David Baker za obliczeniowe projektowanie białek oraz Demis Hassabis i John Jumper za przewidywanie struktur białek [7][8]. PLAID nie był częścią uzasadnienia nagrody [7][9]. Rozdzielenie przewidywania struktury od generowania nowych białek jest tu istotne, bo nagroda dotyczyła wcześniejszych prac [9].
Jak działa PLAID?
PLAID generuje równocześnie dyskretną sekwencję aminokwasów i ciągłą strukturę wszystkich atomów białka [3]. Próbkuje przestrzeń latentną modelu ESMFold i korzysta z zamrożonych dekoderów [3][10]. Wynikiem jest kompletna struktura, a nie sam szkielet.
Rdzeń metody to dyfuzja w przestrzeni latentnej, skompresowana reprezentacja CHEAP oraz architektura Diffusion Transformer [5][10]. Model uczy się rozkładu białek w tej przestrzeni, a następnie próbkuje z niego nowe konstrukty [5].
Decyzja projektowa autorów polegała na treningu wyłącznie na sekwencjach, bez baz struktur. Autorzy twierdzą, że zwiększa to efektywny zasób danych o 2–4 rzędy wielkości względem baz struktur [1][3]. To porównanie dostępności danych, a nie różnica w jakości predykcji.
Zakres warunkowania jest szeroki. Demonstracje obejmowały 2219 funkcji Gene Ontology i 3617 organizmów [1]. Model można warunkować funkcją oraz taksonomią, czyli wskazywać zadanie białka i kontekst organizmu.
Co pokazały eksperymenty laboratoryjne?
Walidacja laboratoryjna była ograniczona i dotyczyła wybranych konstruktów. Część wygenerowanych białek wiązała hem, konstrukty globinopodobne były funkcjonalne, a konstrukty H-NOX w dużej mierze nieaktywne [10]. To dowód koncepcji, nie kandydat terapeutyczny.
Wyniki obliczeniowe obejmowały odtwarzanie geometrii miejsc aktywnych i realistycznych wzorców hydrofobowości białek błonowych [10]. Są to wyniki in silico i nie stanowią dowodu skuteczności leku [10].
Jakie są ograniczenia PLAID?
Jakość wyniku zależy od zamrożonego dekodera ESMFold [2][10]. Model nie rozwiązuje automatycznie problemów stabilności, ekspresji, toksyczności, immunogenności, farmakokinetyki ani skuteczności klinicznej [2][10].
Nie wszystkie wygenerowane konstrukty działały [10]. Źródła mówią o potencjale dla bioinżynierii i odkrywania leków, ale nie dokumentują kandydata klinicznego ani zatwierdzonego produktu leczniczego [1][5].
PLAID, AlphaFold i ESMFold — czym się różnią?
Najkrócej: PLAID tworzy nowe białka, a AlphaFold i ESMFold przewidują strukturę białek opisanych sekwencją. Model nie zastępuje narzędzi do przewidywania struktury, tylko wykorzystuje jedno z nich jako element własnej architektury.
| Kryterium | PLAID | AlphaFold / ESMFold |
|---|---|---|
| Co powstaje | Nowa sekwencja i struktura wszystkich atomów białka [3] | Struktura białka o znanej sekwencji [7][8] |
| Rola w procesie | Generator nowych białek; ESMFold dostarcza przestrzeń latentną i zamrożone dekodery [3][10] | Samodzielne przewidywanie struktury [7][8] |
| Warunkowanie | Funkcja i taksonomia: 2219 funkcji Gene Ontology, 3617 organizmów [1] | Brak danych o warunkowaniu funkcją w źródłach |
| Walidacja eksperymentalna | Ograniczona: wiązanie hemu, konstrukty globinopodobne, nieaktywne H-NOX [10] | Nie dotyczy, model nie generuje nowych białek |
ESMFold pełni w PLAID rolę źródła przestrzeni latentnej, a nie osobnego generatora [3][10]. AlphaFold i AlphaFold2 to modele fałdowania, za które przyznano część Nobla 2024 [7][8]. Związek z PLAID jest pośredni: chodzi o wykorzystanie idei latentnych reprezentacji modeli fałdowania [9].
Czy PLAID jest firmą albo lekiem?
Nie. PLAID to nazwa modelu i publicznego repozytorium [6]. Źródła nie wskazują osobnej spółki o tej nazwie ani komercyjnego produktu leczniczego [1][6]. Część autorów pracuje w Genentech, ale afiliacja nie czyni z modelu leku [3].
Podobne rozdzielanie demonstracji badawczej od wdrożenia opisywaliśmy przy okazji Google Search z AI i benchmarków AI.
Co z tego wynika dla polskich zespołów?
Dla polskich zespołów PLAID pozostaje narzędziem badawczym: źródła nie opisują jego wdrożenia w krajowych projektach. Temat przewidywania i projektowania białek jest jednak obecny w polskich opisach Nobla i we własnych narzędziach bioinformatycznych.
Politechnika Warszawska opisała nagrodę jako wyróżnienie dla „numerycznego projektowania białek” i „numerycznego przewidywania struktury białek” [11]. Uniwersytet Warszawski pokazuje kierunek praktyczny: AI wykorzystywane do projektowania terapeutycznych peptydów [12]. Zespół z Krakowa zbudował narzędzie porządkujące zbiory danych o białkach, opisywane jako prawie miliard struktur [13]. Osobny wątek to leki projektowane z pomocą AI, które wchodzą do badań z udziałem ludzi; opisywano przy tym Isomorphic Labs z grupy Google DeepMind [14].
Wniosek jest ostrożny: PLAID jest publicznym narzędziem badawczym, a nie gotowym systemem projektowania leków [1][6]. Przed praktycznym zastosowaniem potrzebna jest walidacja laboratoryjna oraz dane o stabilności i funkcji białek [2][10].
Najczęstsze pytania
Czy PLAID jest dostępny publicznie?
Kod i wagi modelu udostępniono w publicznym repozytorium [6]. Preprint jest dostępny na bioRxiv w wersjach z grudnia 2024, lutego 2025 i stycznia 2026 roku [1][2][3]. Dostępność kodu nie oznacza gotowego produktu: to model badawczy wymagający własnej infrastruktury obliczeniowej i walidacji.
Czy PLAID zastępuje AlphaFold?
Nie. AlphaFold przewiduje strukturę białka na podstawie sekwencji, a PLAID generuje sekwencję i strukturę nowego białka [3][7][8]. W architekturze PLAID wykorzystano przestrzeń latentną ESMFold i zamrożone dekodery [3][10]. To uzupełnienie, a nie zamiennik narzędzi do przewidywania struktury.
Czy PLAID dostał Nagrodę Nobla?
Nie. Nobel z chemii 2024 przypadł Davidowi Bakerowi za obliczeniowe projektowanie białek oraz Demisowi Hassabisowi i Johnowi Jumperowi za przewidywanie struktur białek [7][8]. PLAID nie był częścią uzasadnienia nagrody [7][9]. Model jest późniejszą pracą wykorzystującą idee latentnych reprezentacji modeli fałdowania [9].
Jakie białka udało się uzyskać?
W eksperymentach część zaprojektowanych białek wiązała hem, a konstrukty globinopodobne były funkcjonalne [10]. Konstrukty H-NOX okazały się w dużej mierze nieaktywne [10]. Autorzy pokazali działanie metody na wybranych przykładach, a nie uniwersalną skuteczność.
Czy PLAID można wykorzystać w projektowaniu leków?
Potencjał istnieje, ale źródła nie dokumentują zastosowania klinicznego [1][5]. Model nie rozwiązuje problemów stabilności, ekspresji, toksyczności, immunogenności ani farmakokinetyki [2][10]. Praktyczne zastosowanie wymaga walidacji laboratoryjnej i dalszych badań przed etapem leku.
Źródła
- Generating All-Atom Protein Structure from Sequence-Only Training Data (bioRxiv, 2024)
- All-Atom Protein Generation with Latent Diffusion (bioRxiv, 2025)
- Controllable All-Atom Protein Generation with Latent Diffusion (bioRxiv, 2026)
- Controllable All-Atom Generation of Protein Sequence and Structure from Sequence-Only Inputs (NeurIPS, 2024)
- Repurposing Protein Folding Models for Generation with Latent Diffusion (Berkeley AI Research, 2025)
- amyxlu/plaid — kod i wagi modelu (GitHub)
- The Nobel Prize in Chemistry 2024 — popular information (NobelPrize.org, 2024)
- Chemistry Nobel goes to developers of AlphaFold AI that predicts protein structures (Nature, 2024)
- Baker, Hassabis, and Jumper win 2024 Nobel Prize in Chemistry (C&EN, 2024)
- Controllable All-Atom Protein Generation with Latent Diffusion — pełny tekst (bioRxiv)
- Zrozumieć białka i wykorzystać tę wiedzę. O znaczeniu Nobla z chemii (Politechnika Warszawska)
- Nowa era leków: AI projektuje terapeutyczne peptydy (serwis naukowy UW)
- Znamy prawie miliard struktur białek. Naukowcy z Krakowa stworzyli unikatowe narzędzie (Rynek Zdrowia)
- Sztuczna inteligencja stworzyła leki. Zaczną się testy na ludziach (Geekweek Interia)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji