Przejdź do treści

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.

PLAID: model, który generuje sekwencję i strukturę białka
Spis treści
  1. Czym jest PLAID?
  2. Jak działa PLAID?
  3. Co pokazały eksperymenty laboratoryjne?
  4. Jakie są ograniczenia PLAID?
  5. PLAID, AlphaFold i ESMFold — czym się różnią?
  6. Czy PLAID jest firmą albo lekiem?
  7. Co z tego wynika dla polskich zespołów?
  8. Najczęstsze pytania
  9. Źródła

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.

KryteriumPLAIDAlphaFold / ESMFold
Co powstajeNowa sekwencja i struktura wszystkich atomów białka [3]Struktura białka o znanej sekwencji [7][8]
Rola w procesieGenerator nowych białek; ESMFold dostarcza przestrzeń latentną i zamrożone dekodery [3][10]Samodzielne przewidywanie struktury [7][8]
WarunkowanieFunkcja i taksonomia: 2219 funkcji Gene Ontology, 3617 organizmów [1]Brak danych o warunkowaniu funkcją w źródłach
Walidacja eksperymentalnaOgraniczona: 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

  1. Generating All-Atom Protein Structure from Sequence-Only Training Data (bioRxiv, 2024)
  2. All-Atom Protein Generation with Latent Diffusion (bioRxiv, 2025)
  3. Controllable All-Atom Protein Generation with Latent Diffusion (bioRxiv, 2026)
  4. Controllable All-Atom Generation of Protein Sequence and Structure from Sequence-Only Inputs (NeurIPS, 2024)
  5. Repurposing Protein Folding Models for Generation with Latent Diffusion (Berkeley AI Research, 2025)
  6. amyxlu/plaid — kod i wagi modelu (GitHub)
  7. The Nobel Prize in Chemistry 2024 — popular information (NobelPrize.org, 2024)
  8. Chemistry Nobel goes to developers of AlphaFold AI that predicts protein structures (Nature, 2024)
  9. Baker, Hassabis, and Jumper win 2024 Nobel Prize in Chemistry (C&EN, 2024)
  10. Controllable All-Atom Protein Generation with Latent Diffusion — pełny tekst (bioRxiv)
  11. Zrozumieć białka i wykorzystać tę wiedzę. O znaczeniu Nobla z chemii (Politechnika Warszawska)
  12. Nowa era leków: AI projektuje terapeutyczne peptydy (serwis naukowy UW)
  13. Znamy prawie miliard struktur białek. Naukowcy z Krakowa stworzyli unikatowe narzędzie (Rynek Zdrowia)
  14. Sztuczna inteligencja stworzyła leki. Zaczną się testy na ludziach (Geekweek Interia)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji