Apple研究人员在一项新研究中详细介绍了SimpleDesign，这是一款轻量化人工智能模型，能够同步生成蛋白质序列与蛋白质三维结构。

去年9月，Apple研究人员发表题为《SimpleFold：蛋白质折叠远比你想象的简单》的论文，介绍了一种可依据氨基酸序列预测蛋白质三维结构的轻量化方案。

简单来说，SimpleFold采用流匹配模型，直接从氨基酸序列生成蛋白质三维结构。

流匹配技术的简要原理：该方法以带有噪声的随机基底作为起点，学习一条相对直接的路径，最终输出目标结果。

这和扩散模型有所区别，扩散模型一般通过反复去除噪声，逐步得到最终结果。

这两类技术最广为人知的应用领域是图像生成；Apple在内的研究人员，也已经探索过将扩散模型用于文本、代码生成。

回到SimpleFold：Apple将流匹配与通用Transformer模块（文本生成领域的常用基础组件）相结合，让模型避开传统蛋白质折叠模型里部分算力开销巨大的技术，例如知名的蛋白质预测模型所使用的方案。

如今，Apple研究人员推出SimpleDesign。该模型延续SimpleFold对简洁通用架构的探索，将适用范围拓展到更宽泛的蛋白质设计领域，不再局限于仅预测蛋白质三维结构。

Apple研究人员在新论文《SimpleDesign：蛋白质序列与结构协同设计联合模型》中作出如下阐释：

现有模型大多采用多阶段训练流程：第一阶段训练自编码器，把数据转换为隐空间表征；

第二阶段，基于自编码器生成的隐表征训练生成模型，也就是在隐空间内完成生成建模。

我们提出假设：想要获得高性能的协同设计模型，并不需要这种多阶段训练。

基于此，我们提出SimpleDesign，一款直接在原始数据空间完成训练的高效多模态蛋白质设计模型。

也就是说，很多现存蛋白质协同设计模型依赖多阶段流程，而SimpleDesign通过单端到端训练流程，学习同时生成氨基酸序列与连续三维结构。

目前多数蛋白质协同设计模型的工作逻辑：首先单独训练模型，将蛋白质结构转化为离散表征，也就是令牌；随后训练生成模型，基于这类表征生成全新的蛋白质序列与结构。

SimpleDesign省去这一中间步骤，直接从成对的氨基酸序列与三维坐标进行学习，无需先把蛋白质结构压缩为独立的令牌化表征。

Apple研究人员训练SimpleDesign的方式十分巧妙，训练数据集包含超过200万组蛋白质序列-结构配对样本，样本主要取自AFESM数据集，该数据集整合了数据库的预测结构与额外样本。

训练过程中，研究人员会对每组配对数据的两部分同时做破坏处理：序列内的氨基酸会被随机掩码隐藏，对应的三维结构同时加入噪声。

研究人员还会调整两者的破坏程度，当序列基本完好、但结构被大量加噪破坏时，任务就等同于蛋白质折叠，模型需要从已知序列还原对应的三维结构。

与之相反，如果结构基本完整、序列被大量掩码遮蔽，则属于逆折叠任务，模型需要生成能够形成指定结构的氨基酸序列。

当序列与结构都被部分打乱，模型就需要同时处理两项任务，以此完成蛋白质协同设计的训练。

论文数据显示，尽管SimpleDesign的训练流程更加简洁，在蛋白质协同设计、结构生成、序列生成的多项基准测试中，都取得了具备竞争力的结果。

研究人员同时发现，SimpleDesign可以生成合理可行的蛋白质结构，输出的氨基酸序列，整体性能能够达到甚至优于多数同类多模态模型的生成结果。

最后研究人员提到，SimpleDesign的成果目前仅停留在计算机仿真评估阶段，模型生成的蛋白质尚未经过生物实验验证，无法确认在真实生物系统中能否完成折叠、发挥相应功能，或是保证安全。

即便如此，这项研究的结果依然具备很高潜力，完整论文深入阐述了SimpleDesign的模型架构、训练流程、基准测试与实验结果，值得详细研读。