行业动态

理解和设计生物分子（如蛋白质和小分子）对推动药物发现、合成生物学及酶工程研究至关重要。近年来人工智能技术的突破性进展彻底改变了生物分子研究范式，在生物分子预测与设计领域实现了前所未有的精准度。

然而核心挑战依然存在：如何通过自然语言理解生物分子并实现符合人类意图的设计？

近日，浙江大学陈华钧、张强等人推出了 InstructBioMol 大语言模型，通过实现自然语言、小分子与蛋白质之间的全方位任意模态对齐，构建起连接自然语言与生物分子的桥梁。该模型能整合多模态生物分子作为输入，使研究人员能够用自然语言阐述设计目标，并输出符合精准生物学需求的生物分子解决方案。

实验结果表明，InstructBioMol 可遵循人类指令理解并设计生物分子：其生成的药物分子结合亲和力提升达 10%，设计的酶-底物对预测评分达到 70.4。

该模型是一个统一的多模态大语言模型，可同步处理自然语言、小分子和蛋白质三类数据，其输入输出均支持自然语言文本或多模态分子/蛋白质的文本化表示。

研究人员通过两项任务评估了 InstructBioMol 的分子理解与设计能力：分子描述生成——为给定分子生成文本描述；描述导向的分子生成——根据文本描述生成对应分子。实验采用 ChEBI 数据集，其包含分子及其结构、功能、来源等多维度描述。设置了基线模型进行对比。

分子描述生成与分子生成的定量结果显示，InstructBioMol 在几乎所有指标上均表现最佳。分子描述任务，各项指标平均提升 0.9%；分子生成任务，生成分子的精确匹配准确率（EXACT）提高 0.7%，分子指纹相似度指标（MACCS FTS、RDK FTS、MORGAN FTS）平均提升 2.0%。

研究人员同样通过两项任务评估模型的蛋白质处理能力：蛋白质属性问答——回答涉及蛋白质家族、亚细胞定位、官方命名及功能等属性的问题；描述导向的蛋白质序列生成——根据文本描述生成对应蛋白质序列。设置基线模型对比。

蛋白质属性问答与蛋白质生成的定量结果表明：在蛋白质属性问答任务中，InstructBioMol 平均超越现有最优方法（SOTA）13.5%；在蛋白质生成任务中，序列同一性提升 6.2%、比对得分提高 4.1%、BLOSUM 替换矩阵得分增加 0.465，且生成蛋白质的有效性相当。

为了验证 InstructBioMol 根据人类意图设计靶向蛋白的药物分子的能力，研究人员选取测试集中 100 个靶蛋白，每个靶蛋白生成 100 个分子。同样设置基线模型对比。

结果显示，InstructBioMol 在三个关键维度表现卓越。结合亲和力，高亲和力分子比例较现有最优方法提升 25.9%；通用性质，设计成功率提高 21.9%；综合评估，生成分子有效性达 99.9%。

InstructBioMol 在实现底物导向的酶设计表现上，InstructBioMol 在生成酶蛋白的三大评估维度表现最优：ESP 评分提升 13.3%，以 70.4 分成为唯一突破开发者推荐阈值（60.0）的方法；Vina 评分提高 0.7 分；生成有效性保持 99.9% 的高成功率。

作为统一的多模态大语言模型，InstructBioMol 进一步展现了从文本描述同步生成蛋白质及其结合分子的独特优势。实验采用包含 100 个目标蛋白描述的测试集，每个描述生成 100 个蛋白质-分子对。

结果显示，InstructBioMol 全面超越基线方法。蛋白质生成比对得分提升 6.8%；分子生成 Vina 评分与合成可达性（SA）双项最优；整体成功率达 48.3%，较最优基线提升 15.2%

该模型不仅能根据人类意图理解设计分子或蛋白质，还能针对靶标蛋白设计类药分 子、为反应底物设计酶催化剂，展现出作为研究助手的潜力，可在药物与酶设计等领域提供有价值的洞见。

不过，论文中也指出，当前 InstructBioMol 的局限在于算力资源限制使其未能全面支持 DNA/RNA 等所有生物分子，且未在所有生物分子任务上完成全训练，导致其尚不能处理化学反应预测等附加任务。

参考文献：

1. Zhuang, X., Ding, K., Lyu, T. et al. Advancing biomolecular understanding and design following human instructions. Nat Mach Intell (2025). https://doi.org/10.1038/s42256-025-01064-0

免责声明：本文旨在传递合成生物学最新讯息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。