ProtAgents: 基于大型语言模型的物理与机器学习结合的蛋白质发现

Jan, 2024

ProtAgents: 基于大型语言模型的物理与机器学习结合的蛋白质发现

ProtAgents: Protein discovery via large language model multi-agent collaborations combining physics and machine learning

PDF

A. Ghafarollahi, M.J. Buehler

TL;DR基于大语言模型 (LLMs) 的 ProtAgents 平台引入多个具有不同能力的 AI 智能体，通过动态环境下的协同工作，致力于解决多目标的蛋白质设计与分析问题，展示了 LLMs 在材料领域中发挥的潜力，并为自主材料发现与设计开辟了新的途径。

Abstract

Designing de novo proteins beyond those found in nature holds significant promise for advancements in both scientific and engineering applications. Current methodologies for protein design often rely on AI-based models, such as surrogate models that address end-to-end problems by linking protein structure to material properties or vice versa. However, these

de novo protein design large language models (llms)ai agents protein structure analysis autonomous materials discovery

发现论文，激发创造

用于全新蛋白质设计的生成式人工智能

利用人工智能等方法进行蛋白质工程和全新设计的研究方案，如生成模型和扩散过程，能够生成展现出所需特性和功能的全新而真实的蛋白质，在优先测试设计方案方面仍然面临一些挑战，因此需要综合生物化学知识提高性能和可解释性。

Oct, 2023

ProAgent: 利用大型语言模型构建主动合作的人工智能

建立具有适应性行为的人工智能在人工智能与人类合作中具有重要的研究焦点。本研究提出了一种名为 ProAgent 的新框架，利用大型语言模型来预测合作伙伴的决策并改进自身计划。实验证明，ProAgent 在与人工智能代理和人类合作中表现出显著优越性能，为人类与机器人协作的未来研究提供了启示。

Aug, 2023

MechAgents：大型语言模型多智能体协同解决机械问题、生成新数据和整合知识

利用多语言模型的多种能力，我们可以克服传统方法的限制，开发出一种新的受物理启发的生成式机器学习平台，称为 MechAgents，通过自主协作解决力学问题。我们的框架展示了语言模型的智能、基于物理的建模的可靠性以及多样化代理之间的协同合作的潜力，为工程问题自动化解决开辟了新的途径。

Nov, 2023

ProtChatGPT: 面向理解蛋白质的大型语言模型

ProtChatGPT 通过自然语言学习和理解蛋白质结构，使用户能够上传蛋白质、提问和进行互动对话以生成全面答案，为蛋白质研究提供了新的可能性。

Feb, 2024

Agent-Pro: 通过策略层面的反思与优化进行学习进化

Agent-Pro 是基于 LLM 的智能代理，具备策略级别的反思和优化能力，可以通过互动经验不断学习和提升行为策略，在复杂和动态场景中表现出色。

Feb, 2024

ProteinEngine: 通过领域知识强化 LLM 在蛋白工程中的应用

ProteinEngine 是一个人为中心的平台，通过 API 调用来集成相关工具、软件和包，分配任务、解决专业任务和有效沟通结果，验证了其在蛋白工程任务中提高深度学习可靠性和精确性的优越性，并展示了在未来蛋白工程研究中整合分散工具的潜力。

Apr, 2024

逐个原子生成蛋白质及其超越：基于语言模型的研究

蛋白质语言模型和化学语言模型可以学习蛋白质的原子级表示，实现无限制的蛋白质生成，包括修改侧链和生成蛋白质 - 药物结合物，展示了语言模型在原子级别的生物分子设计的潜力。

Aug, 2023

大型语言模型作为机械设计师

本研究提出了一种新颖的方法，将预训练的 LLMs 与有限元模块集成。FEM 模块评估每个设计并提供必要的反馈，引导 LLMs 不断学习、规划、生成和优化设计，无需进行特定领域的训练。我们通过对桁架结构的迭代优化进行实证研究，展示了提出的框架的有效性，显示它能够根据结构化反馈和标准进行推理和改进设计。我们的结果显示，这些基于 LLM 的代理能够以高达 90% 的成功率生成符合自然语言规范的桁架设计，但成功率根据应用的约束条件而变化。我们通过采用基于提示的优化技术表明，当向 LLM 代理提供解决方案 - 评分对以迭代地改进设计以满足规范时，它们具备优化行为能力。LLM 代理能够生成可行的设计并根据其内在推理能力进行优化的能力，突显其实现自主设计策略的潜力。

Apr, 2024

利用全局生成模型探索蛋白质序列空间

该研究总结了在蛋白质研究中使用语言模型的应用，包括设计新型人工蛋白质、使用非 Transformer 结构以及应用于定向进化方面。这些成果已经快速提升了蛋白质研究的发展和性能。

May, 2023

专业代理 -- 将大型语言模型演变为具有人类级别能力的自主专家

大型语言模型的出现催生了自然语言处理的重大进展，通过引入专业代理框架（PAgents）利用 LLM 的能力创建具有可控、专业级、互动型专长的自主代理，我们认为通过持续发展的专业知识，PAgents 可以重塑专业服务。本文旨在激发关于 LLM 的有前景的现实应用的讨论，我们认为 PAgents 的日益复杂和集成可能会导致人工智能系统在复杂领域展示专业掌握能力，服务于重要需求，并潜在地实现人工通用智能。

Feb, 2024