Przejdź do treści

Narzędzia AI

OpenProtein.AI: co naprawdę daje otwarty model do projektowania białek

Zaktualizowano: Autor: Andrzej Niemiec6 min czytania

OpenProtein.AI łączy komercyjną platformę z otwartymi wagami modeli PoET-2. Sprawdzamy, co jest potwierdzone, ile kosztuje dostęp i gdzie kończy się deklaracja producenta.

Spis treści
  1. Czym jest OpenProtein.AI i czy to naprawdę projekt open-source?
  2. Jakie modele stoją za OpenProtein.AI?
  3. Ile kosztuje korzystanie z OpenProtein.AI?
  4. Co potrafi platforma w praktyce?
  5. Czy modele zastępują eksperyment laboratoryjny?
  6. Z kim współpracuje OpenProtein.AI?
  7. Czego źródła nie potwierdzają?
  8. Jak zacząć pracę z OpenProtein.AI?
  9. Najczęstsze pytania
  10. Źródła

Czym jest OpenProtein.AI i czy to naprawdę projekt open-source?

OpenProtein.AI to firma i platforma SaaS do projektowania oraz optymalizacji białek. Założyli ją Tristan Bepler i Tim Lu, a MIT opisał przedsięwzięcie 17 kwietnia 2026 r. jako dostawcę otwartych modeli i narzędzi do inżynierii białek [1]. Otwarte są kod i wagi modeli PoET oraz PoET-2, udostępnione na licencjach MIT i Apache-2.0 [2]. Sama platforma chmurowa nie jest przedstawiana jako w całości open-source [2].

Z tego wynika praktyczny wniosek: „open-source” w nazwie dotyczy modeli, nie całej usługi. Platforma działa jako produkt komercyjny z webowym interfejsem, API oraz narzędziami do projektowania, predykcji, optymalizacji i trenowania modeli na własnych danych [3] [4]. Model można pobrać i uruchomić samodzielnie, ale wygodna warstwa obliczeniowa i integracyjna pozostaje usługą firmy. Dla zespołu oznacza to dwie różne decyzje: co robimy na własnym sprzęcie i za co płacimy dostawcy.

Jakie modele stoją za OpenProtein.AI?

Najważniejszym modelem jest PoET-2, multimodalny model języka białek z rozszerzonym wyszukiwaniem. Korzysta zarówno z sekwencji, jak i ze struktur, a generowane sekwencje są warunkowane kontekstem [5]. Model ma 182 mln parametrów i był trenowany przez około 2,5 miesiąca na ośmiu kartach A100 40 GB [5].

Te liczby opisują skalę modelu, nie cenę usługi. Kompaktowy rozmiar sprawia, że wagi da się realnie uruchomić poza infrastrukturą dostawcy — to właśnie ta cecha odróżnia PoET-2 od modeli dostępnych wyłącznie przez interfejs producenta [2] [5]. Publikacja opisuje też ograniczenie: predykcje zero-shot są ocenami względnymi, a nie bezpośrednim pomiarem aktywności białka [5].

Ile kosztuje korzystanie z OpenProtein.AI?

Nie ma publicznego cennika komercyjnego. Dostęp akademicki jest deklarowany jako bezpłatny, natomiast warunki biznesowe dla chmury i API wymagają kontaktu z firmą [4] [6]. Stan na październik 2026: żadnej oficjalnej kwoty za korzystanie z platformy nie opublikowano.

Firma podaje na stronie, że jej podejście obniża koszty o ponad 60% i przyspiesza projekty ponad trzykrotnie [4]. W dostępnych źródłach nie ma jednak opisu próby, punktu odniesienia ani niezależnej walidacji tych liczb, więc trzeba je traktować jako deklarację marketingową.

Podobnie jest z hasłem „30 razy mniej danych”. Firma raportuje do 30-krotnej redukcji liczby danych eksperymentalnych potrzebnych do osiągnięcia porównywalnej jakości predykcji, ale publikacja wskazuje, że wynik zależy od zadania i sposobu podziału danych [6] [5]. To rezultat benchmarku, nie stały mnożnik do wpisania w budżet projektu.

Co potrafi platforma w praktyce?

Zakres funkcji obejmuje generowanie sekwencji, przewidywanie efektów mutacji, projektowanie bibliotek oraz analizę struktury i funkcji [4]. Dokumentacja opisuje także tryb pracy bez pisania kodu oraz trenowanie modeli na danych użytkownika [3].

KryteriumPlatforma OpenProtein.AISamodzielnie uruchomione wagi PoET-2AlphaFold (DeepMind)
Dostęp do kodu i wagmodele PoET i PoET-2 na licencjach MIT i Apache-2.0 [2]ten sam kod i wagi [2]poza zakresem tej analizy
Interfejs bez kodowaniawebowy panel oraz API [3]nie, wymaga własnego środowiskazależnie od narzędzia
Zakres zadańgenerowanie, optymalizacja, predykcja mutacji, biblioteki [4]taki, jaki zaimplementuje zespółprzede wszystkim przewidywanie struktur
Kosztakademicki bezpłatny, komercyjny bez publicznego cennika [4] [6]koszt własnych GPUbrak danych w źródłach

Dla porównania: AlphaFold, model DeepMind, posłużył do rozszyfrowania struktur 98,5% białek ludzkiego organizmu [7]. To inne zadanie niż generowanie nowych sekwencji — struktura opisuje to, co istnieje, a projektowanie tworzy kandydatów do testu.

Czy modele zastępują eksperyment laboratoryjny?

Nie. Sekwencje zaprojektowane przez model wymagają walidacji w laboratorium, a publikacja podkreśla, że oceny zero-shot są względne [5]. Model porządkuje przestrzeń kandydatów i zmniejsza liczbę wariantów do przetestowania, ale nie dowodzi, że białko zadziała w komórce.

Dobrze widać to na enzymach rozkładających PET. Literatura opisuje zarówno racjonalne projektowanie takich enzymów, jak i podejścia wspomagane obliczeniowo, w tym próby odtworzenia aktywności hydrolitycznej na mniejszych syntetycznych rusztowaniach białkowych [8] [9]. Żadna z tych prac nie sprowadza się do stwierdzenia „model powiedział, że działa” — każdy wariant przechodzi przez pomiar.

Osobno funkcjonują doniesienia o syntetycznych białkach projektowanych z udziałem AI, które mają przewyższać naturalne odpowiedniki [10]. To kierunek badawczy, nie gotowa procedura dla pojedynczego laboratorium.

Z kim współpracuje OpenProtein.AI?

Z Boehringer Ingelheim. Wdrożenie rozpoczęło się w 2025 r., a rozszerzenie współpracy ogłoszono 31 marca 2026 r. [11] [12]. Zakres obejmuje przede wszystkim odkrywanie i optymalizację przeciwciał, a warunków finansowych nie ujawniono [11] [12].

To jedyna udokumentowana w zebranych źródłach współpraca tej skali. Nie ma w nich natomiast śladu projektów prowadzonych z polskimi instytutami.

Czego źródła nie potwierdzają?

Opowieści o polskim laboratorium, które dzięki platformie miało w dwa dni uzyskać prototyp enzymu rozkładającego PET, nie potwierdza żadne źródło. Instytut Biochemii i Biofizyki PAN istnieje i prowadzi badania [13] [14], ale w jego materiałach ani w wynikach wyszukiwania publikacji nie ma takiego projektu [13] [14]. Enzymy PET-hydrolazy rzeczywiście rozkładają PET [8] [9], tyle że literatura nie wiąże tego wyniku z tą instytucją ani z tą platformą.

Niepotwierdzone pozostają też: publiczna cena komercyjna, niezależna walidacja deklaracji „60% taniej i 3× szybciej” oraz jakiekolwiek wymagania sprzętowe podane jako oficjalne [4] [5] [6]. Przy takiej liczbie niewiadomych decyzję lepiej opierać na dokumentacji i publikacjach niż na skrótach z materiałów promocyjnych.

Jak zacząć pracę z OpenProtein.AI?

Polecamy zacząć od dokumentacji i publicznych repozytoriów, bo tam widać realny zakres funkcji, zanim pojawi się rozmowa handlowa [2] [3]. Kolejny krok to rozstrzygnięcie, czy zespół potrzebuje panelu bez kodowania, czy wystarczy samodzielne uruchomienie wag PoET-2 na własnym sprzęcie [2] [5].

Dopiero potem sensowne jest pytanie o warunki komercyjne — skoro cennik nie jest publiczny, negocjacja zaczyna się od zera [4] [6]. W harmonogramie trzeba od razu przewidzieć walidację laboratoryjną, ponieważ żadna predykcja nie zwalnia z pomiaru [5]. Kontekst krajowy, w tym finansowanie badań nad AI w Polsce, opisujemy w artykule o programie Orzeł (/posts/czy-orzel-naprawde-podniesie-polska-ai-z-kolan), a szersze wdrożenia w firmach w przewodniku po praktycznych zastosowaniach AI (/posts/praktyczne-zastosowania-przewodnik).

Najczęstsze pytania

Czy OpenProtein.AI jest darmowy?

Dostęp akademicki jest deklarowany jako bezpłatny, a warunki komercyjne wymagają kontaktu z firmą; publicznego cennika nie ma [4] [6]. Otwarte wagi PoET i PoET-2 można natomiast uruchomić na własnym sprzęcie bez opłat licencyjnych, na licencjach MIT i Apache-2.0 [2]. „Darmowy” znaczy więc dwie różne rzeczy: bezpłatny dostęp akademicki oraz bezpłatną licencję na modele.

Czy OpenProtein.AI to projekt open-source?

Częściowo. Kod i wagi modeli PoET oraz PoET-2 są publiczne i objęte licencjami MIT oraz Apache-2.0 [2]. Sama platforma chmurowa z panelem i API jest produktem komercyjnym, a nie w pełni otwartym projektem społecznościowym [2] [4]. Nazwa bywa myląca, jeśli traktuje się ją jako deklarację otwartości całej usługi.

Ile danych trzeba dostarczyć, żeby model zadziałał?

Firma raportuje do 30-krotnej redukcji liczby danych eksperymentalnych potrzebnych do porównywalnej jakości predykcji [6]. Publikacja zastrzega jednak, że wynik zależy od konkretnego zadania i podziału danych [5]. W praktyce to benchmark, a nie stały mnożnik, który można wpisać do budżetu projektu.

Czy model PoET-2 wymaga własnych GPU?

Do treningu tak: publikacja opisuje około 2,5 miesiąca na ośmiu kartach A100 40 GB [5]. Do samego wnioskowania wystarczy mniejszy sprzęt, bo model ma 182 mln parametrów [5]. Jeśli zespół nie chce utrzymywać infrastruktury, pozostaje panel lub API dostawcy [3] [4].

Źródła

  1. Bringing AI-driven protein-design tools to biologists everywhere (MIT News, 2026)
  2. OpenProtein.AI · GitHub (GitHub)
  3. Data-Driven Protein Engineering — OpenProtein-Docs documentation (OpenProtein.AI)
  4. Products (OpenProtein.AI)
  5. Understanding protein function with a multimodal retrieval-augmented foundation model (arXiv, 2025)
  6. A multimodal foundation model for controllable protein generation and representation learning (OpenProtein.AI)
  7. AI rozszyfrowała struktury ludzkich białek. Przełom w medycynie (Rzeczpospolita)
  8. Recent advances in enzyme engineering for improved deconstruction of poly(ethylene terephthalate) (PET) plastics (Nature Communications Materials, 2025)
  9. Replicating PET Hydrolytic Activity by Positioning Active Sites with Smaller Synthetic Protein Scaffolds (Advanced Science, 2025)
  10. AI projektuje syntetyczne białka. To przełom w edycji genów (Rzeczpospolita)
  11. OpenProtein.AI Expands Strategic Partnership with Boehringer Ingelheim to Advance AI-Driven Antibody Discovery (OpenProtein.AI)
  12. Boehringer Ingelheim partners with OpenProtein.AI (BioProcess International)
  13. The Institute of Biochemistry and Biophysics of the Polish Academy of Sciences (PAN)
  14. Instytut Biochemii i Biofizyki Polskiej Akademii Nauk — strona główna (IBB PAN)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji