SimpleX推出Tetra-1 Preview:生物原生语言模型试水蛋白质结构推理
语言模型推理折叠蛋白质?把3D结构塞进思维链,超越AlphaFold3...
过去两年,大模型的能力增长主要落在长程推理上,依靠长思维链攻克数学、复杂代码这类高难度问题。这股势头正往生命科学延伸:Anthropic 公开了 Claude 在药物研发上的首批合作成果;另有科研团队用 Claude 自主设计出靶向食物过敏的双表位抗 IgE 抗体。
问题在于,眼下的语言模型只能围着自然语言文本打转。碰到蛋白质折叠、抗体结合这类微观结构计算,它就得去调 AlphaFold 之类的外部专用工具。代价是原子级细节在跨系统传递中被压缩、被丢弃,信息出现损失,模型拿不到真实的物理信息,深度推理也就难做。
蛋白质结构预测算得上计算生物学“皇冠上的明珠”之一——靠攻克这个半个世纪的难题,Demis Hassabis 与 John Jumper 领衔的 AlphaFold 团队拿下了 2024 年诺贝尔化学奖。可即便强如 AlphaFold,它终究是语言模型之外的“外部工具”,系统割裂的困境依然摆在眼前。John Jumper 在《MIT Technology Review》专访中就这样说过:
一头是“能读科学、能做一点科学推理”的机器,另一头是“超人级的蛋白结构预测系统”,剩下的问题是——“你怎么让这两种技术一起工作?”
作为迈向微观世界生物推理的早期探索,SimpleX 给出的回答是生物原生语言模型,并邀请好奇者提前试用。
-
博客链接:https://simplexfoundry.com/tetra-1/
-
在线体验:https://simplexfoundry.com/tetra-1/apply/
Tetra-1 走的路子和“语言模型+外部工具”不一样:它把微观的蛋白质结构当成和宏观文本平级的原生模态,语言推理与结构生成在同一条推理链里交替推进,生物推理因此落到了微观结构上。传统结构预测只能给出“静态默认构象”,Tetra-1 把这个限制打破,生物研究人员第一次能靠自然语言引导、借语言模型推理,去探查特定生理或药物功能下的蛋白构象以及背后的生物学机制。
-
面对无同源参照的全新结构(OOD 泛化)和复杂多分子界面结合的公开评测,Tetra-1 靠推理压过了几款顶尖选手:Claude(Opus 5.5 @Claude Science)、拿过诺奖的 AlphaFold 3,以及此前被看作行业霸主、刚宣布新融资 50 亿美元的 Isomorphic Labs 的旗舰产品 IsoDDE。
从语言到结构・概念插图;来源:公众号 SimpleX 本源智简
实际跑起来,Tetra-1 靠多轮交替推演解题——提出、构建、对照生物学规律自检并修正,直到结构与机制完全对上:
1. 提出机制假设:读题,在推理中判断生物机制可能牵涉结构的哪一部分;
2. 构建对应状态:把该假设隐含的状态推出来,并直接搭出对应的分子结构;
3. 对照生物学自检与修正:回看自己搭出的结构,再推理一遍。合乎生物学规律的部分留下,偏差改掉,如此反复迭代,直到最终结构与机制互相印证。
语言模型折叠蛋白质,成绩超过 Opus5.5、AF3 与 IsoDDE
要客观检验模型的泛化能力,SimpleX 在 Runs N’ Poses 和 FoldBench 两个公开基准上做了定量评测。
低同源配体结合预测(Runs N’ Poses)
传统预测模型碰到有同源蛋白的情况通常表现不错,一旦遇上全新结构就容易失灵。Runs N’ Poses 专门设了严格的 OOD 子集(相似度为 0-20% subset),Tetra-1 成功率 53.1%,是 AlphaFold 3 与 Opus 5.5 在 Claude Science 上表现的两倍。
逐簇去重后的过滤集里,Tetra-1 Preview 都压过了 AlphaFold 3 与 IsoDDE。此前业内把 IsoDDE 当作标杆,这款模型出自诺奖得主 Demis Hassabis 带领的 Isomorphic Labs,长期被认为领先一大截。
相似度只有 0–20% 的低同源测试集,缺少相近结构可参照,Tetra-1 Preview 的成功率在这类条件下明显占优。上述数据来自 Tetra-1 Preview 的公开测评。
多类型分子界面结合(FoldBench)
真实药物研发要的不只是单个蛋白的预测结果,还得弄清不同分子之间怎么精确咬合。FoldBench 把多类生物分子的相互作用界面都收了进来,用于检验模型在复杂分子组装和真实药物设计场景中的综合能力。
按单一最终选定构象计分的 Top-1 评测中,蛋白质–蛋白质任务和难度更高的抗体–抗原任务,Tetra-1 的成绩都高于 AlphaFold 3 和 IsoDDE。
Tetra-1 Preview 在 FoldBench 三类任务上的 Top-1 成功率,即蛋白质–蛋白质、抗体–抗原与蛋白质–小分子。数据来源:Tetra-1 Preview 公开测评。
不止于静态结构:深入还原更多生命机制
生物原生推理用起来到底怎样?SimpleX 团队在发布 Blog 和持续更新的 Tetra Case Gallery 系列里,陆续放出了一批高难度分子体系的盲测与解析,涉及隐藏口袋、天然蛋白的动态变构、多组分金属配位,以及非天然设计序列等典型场景。
糖尿病靶点上的隐藏别构口袋,是SimpleX团队举出的第一个典型case。PTP1B是二型糖尿病的经典靶点,药物研发界在它身上卡了16年,最终找到的突破口是一处远离活性位点的隐藏变构口袋。这个口袋平时不露面,只有末端的α7螺旋移开,它才会暴露出来,进而远程拉开催化环、把酶活性关掉。
PTP1B的机制演示;来源:公众号SimpleX本源智简
面对这类靶点,AlphaFold3等传统结构预测模型通常只返回占主导的“关闭态”——口袋被螺旋盖住,末端螺旋移开后的构象则给不出来。
测试时,Tetra-1的输入只有蛋白序列,外加一句自然语言描述:“某处隐藏口袋在结合抑制剂后暴露,并能远程抑制酶活性”。不提供任何抑制剂分子,也不给位点坐标。它靠四轮交替推理一步步逼近目标状态,结果与实验晶体结构高度吻合。其推理路径为:默认态识别→锁定变构盖子→远程传导推导→空间自检纠错。
Tetra-1 的推理流程:先做默认态识别,再锁定变构盖子,随后进行远程传导推导,最后完成空间自检纠错。来源:SimpleX本源智简公众号
更难得的是,围绕远程调控机制,Tetra-1还能给出条理清楚的解释。
动态变构靶点之外,疾病变异、人工蛋白设计等前沿场景同样被用来检验Tetra-1原生推理的泛化能力。例如:
-
先说致病机理解析。这类机理的解析,AlphaFold3等结构预测模型做不了,而语言推理恰恰是Tetra-1的长处。团队拿OTC缺乏症(高氨血症)做例子,成功分析了R141Q突变为何能让新生儿血氨冲破1000 μM、残余酶活不到0.02%。换成基于Folding的模型,给出的永远是漂漂亮亮的正常三聚体,根本看不出病在哪里。
-
对自然界并不存在的蛋白序列,Tetra-1 同样能给出判断。从头设计(de novo)的蛋白缺少同源序列可参照,结构本来就难预测,这恰好检验出模型的泛化本领:靠语言推理,它把 2024 诺奖得主 David Baker 团队发表的从头设计金属水解酶推了出来。
Tetra-1 还捕捉到了大肠杆菌 RfaH 蛋白从 α 螺旋到 β 桶的剧烈构象转变;尼亚病毒内切酶里双锰离子与配体的配位环境,它也能精准解析,并从中挖出潜在的药物结合亚位点。
动态重折叠、多组分体系这类分析,正是 AlphaFold3 等结构预测模型容易失手的地方。Tetra-1 通过推理把复杂环境下的分析精度抬了上去,也为“不可成药”靶点打开新的探索空间。
结语
把微观生物结构当成与文本并列的一种原生模态,Tetra-1 Preview 用实践说明了生物原生推理这条路走得通。
首周试用实测中,一线科研人员的反馈也说明了这套架构的用处:模型生成的动态构象在机制上很有参考价值,一并输出的可追溯推理链条,则让研究论证更可信。
Tetra-1 Preview 眼下仍在向科研社区免费开放试用,申请入口为 https://simplexfoundry.com/tetra-1/apply/
Tetra Case Gallery 系列案例还在陆续更新。团队邀请一线研究者带着手头具体的未解结构、动态机制难题来做实测,一起往生命科学的边界上探。