英偉達夥華盛頓大學發布RFD4-Proteina

合作內容

這次合作圍繞RFD4-Proteina展開，方向是以生成式模型從零設計全新蛋白質結構。華盛頓大學在AI蛋白質設計領域長期處於前沿，英偉達則提供訓練與推理所需的算力支撐。

技術脈絡

蛋白質的功能由其立體結構決定，傳統上解析結構需依賴X光繞射或冷凍電鏡，耗時且昂貴。深度學習模型先解決了從序列預測結構的難題，近年焦點再轉向按功能需求反向生成新結構。

實踐中，科學家可先指定目標功能，再由模型產生候選氨基酸序列，其後經實驗合成與測試驗證，大幅擴闊了人工可探索的蛋白質設計空間。

算力角色

生成式蛋白質設計對算力要求極高，模型需在龐大的結構空間中搜尋穩定且可合成的解。英偉達的GPU叢集與加速軟件生態，正是此類大規模模擬與生成任務的基礎設施。

應用前景

AI設計的蛋白質有望用於抗體藥物、酶催化、疫苗以至新材料開發。業界普遍認為，學術前沿與算力巨頭結合，會令設計到驗證的迭代速度進一步加快，縮短科研成果轉化周期。

當然，設計出序列只是第一步，候選蛋白能否正確摺疊、穩定表達並具備預期功能，仍需實驗反覆驗證，這也是濕實驗室環節不可或缺的原因。