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
- Czym jest OpenProtein.AI i czy to naprawdę projekt open-source?
- Jakie modele stoją za OpenProtein.AI?
- Ile kosztuje korzystanie z OpenProtein.AI?
- Co potrafi platforma w praktyce?
- Czy modele zastępują eksperyment laboratoryjny?
- Z kim współpracuje OpenProtein.AI?
- Czego źródła nie potwierdzają?
- Jak zacząć pracę z OpenProtein.AI?
- Najczęstsze pytania
- 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].
| Kryterium | Platforma OpenProtein.AI | Samodzielnie uruchomione wagi PoET-2 | AlphaFold (DeepMind) |
|---|---|---|---|
| Dostęp do kodu i wag | modele PoET i PoET-2 na licencjach MIT i Apache-2.0 [2] | ten sam kod i wagi [2] | poza zakresem tej analizy |
| Interfejs bez kodowania | webowy panel oraz API [3] | nie, wymaga własnego środowiska | zależnie od narzędzia |
| Zakres zadań | generowanie, optymalizacja, predykcja mutacji, biblioteki [4] | taki, jaki zaimplementuje zespół | przede wszystkim przewidywanie struktur |
| Koszt | akademicki bezpłatny, komercyjny bez publicznego cennika [4] [6] | koszt własnych GPU | brak 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
- Bringing AI-driven protein-design tools to biologists everywhere (MIT News, 2026)
- OpenProtein.AI · GitHub (GitHub)
- Data-Driven Protein Engineering — OpenProtein-Docs documentation (OpenProtein.AI)
- Products (OpenProtein.AI)
- Understanding protein function with a multimodal retrieval-augmented foundation model (arXiv, 2025)
- A multimodal foundation model for controllable protein generation and representation learning (OpenProtein.AI)
- AI rozszyfrowała struktury ludzkich białek. Przełom w medycynie (Rzeczpospolita)
- Recent advances in enzyme engineering for improved deconstruction of poly(ethylene terephthalate) (PET) plastics (Nature Communications Materials, 2025)
- Replicating PET Hydrolytic Activity by Positioning Active Sites with Smaller Synthetic Protein Scaffolds (Advanced Science, 2025)
- AI projektuje syntetyczne białka. To przełom w edycji genów (Rzeczpospolita)
- OpenProtein.AI Expands Strategic Partnership with Boehringer Ingelheim to Advance AI-Driven Antibody Discovery (OpenProtein.AI)
- Boehringer Ingelheim partners with OpenProtein.AI (BioProcess International)
- The Institute of Biochemistry and Biophysics of the Polish Academy of Sciences (PAN)
- Instytut Biochemii i Biofizyki Polskiej Akademii Nauk — strona główna (IBB PAN)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji