Künstliche Intelligenz beweist bereits, dass sie die Arzneimittelentwicklung beschleunigen und unser Verständnis von Krankheiten verbessern kann. Aber um KI in neuartige Behandlungen umzuwandeln, müssen wir die neuesten und leistungsstärksten Modelle in die Hände von Wissenschaftlern bringen.

Das Drawback ist, dass die meisten Wissenschaftler keine Experten für maschinelles Lernen sind. Jetzt hilft das Unternehmen OpenProtein.AI Wissenschaftlern, auf dem neuesten Stand der KI zu bleiben, mit einer No-Code-Plattform, die ihnen Zugriff auf leistungsstarke Basismodelle und eine Reihe von Instruments zum Design von Proteinen, zur Vorhersage von Proteinstruktur und -funktion sowie zum Trainieren von Modellen bietet.

Das von Tristan Bepler PhD ’20 und dem ehemaligen MIT-Assoziierten Professor Tim Lu PhD ’07 gegründete Unternehmen stattet Forscher in Pharma- und Biotech-Unternehmen jeder Größe bereits mit seinen Werkzeugen aus, darunter intern entwickelte Grundlagenmodelle für Protein-Engineering. OpenProtein.AI stellt seine Plattform auch Wissenschaftlern im akademischen Bereich kostenlos zur Verfügung.

„Es ist gerade eine wirklich aufregende Zeit, denn diese Modelle können nicht nur das Protein-Engineering effizienter machen – was die Entwicklungszyklen für Therapeutika und industrielle Anwendungen verkürzt – sie können auch unsere Fähigkeit verbessern, neue Proteine ​​mit spezifischen Eigenschaften zu entwerfen“, sagt Bepler. „Wir denken auch darüber nach, diese Ansätze auf Nicht-Protein-Modalitäten anzuwenden. Das große Ganze ist, dass wir eine Sprache zur Beschreibung biologischer Systeme schaffen.“

Mit KI die Biologie voranbringen

Bepler kam 2014 im Rahmen des PhD-Programms für Pc- und Systembiologie ans MIT und studierte bei Bonnie Berger, Simons-Professorin für Angewandte Mathematik am MIT. Dort wurde ihm klar, wie wenig wir über die Moleküle wissen, aus denen die Bausteine ​​der Biologie bestehen.

„Wir hatten Biomoleküle und Proteine ​​nicht intestine genug charakterisiert, um gute Vorhersagemodelle darüber zu erstellen, was beispielsweise ein ganzer Genomkreislauf tun wird oder wie sich ein Proteininteraktionsnetzwerk verhalten wird“, erinnert sich Bepler. „Es hat mein Interesse geweckt, Proteine ​​auf einer feineren Ebene zu verstehen.“

Bepler begann mit der Erforschung von Möglichkeiten zur Vorhersage der Aminosäureketten, aus denen Proteine ​​bestehen, indem er Evolutionsdaten analysierte. Dies geschah, bevor Google AlphaFold veröffentlichte, ein leistungsstarkes Vorhersagemodell für die Proteinstruktur. Die Arbeit führte zu einem der ersten generativen KI-Modelle zum Verständnis und Design von Proteinen – das, was das Workforce ein Protein-Sprachmodell nennt.

„Ich warfare wirklich begeistert vom klassischen Gerüst von Proteinen und den Beziehungen zwischen ihrer Sequenz, Struktur und Funktion. Wir verstehen diese Zusammenhänge nicht intestine“, sagt Bepler. „Wie könnten wir additionally diese Basismodelle nutzen, um die ‚Struktur‘-Komponente zu überspringen und direkt von der Sequenz zur Funktion überzugehen?“

Nach seiner Promotion im Jahr 2020 trat Bepler als Postdoc in Lus Labor in der Abteilung für Biotechnik des MIT ein.

„Das warfare ungefähr zu der Zeit, als die Idee, KI und Biologie zu integrieren, aufkam“, erinnert sich Lu. „Tristan hat uns geholfen, bessere Rechenmodelle für das biologische Design zu entwickeln. Wir haben auch erkannt, dass es eine Diskrepanz zwischen den modernsten verfügbaren Werkzeugen und den Biologen gibt, die diese Dinge gerne nutzen würden, aber nicht wissen, wie man programmiert. OpenProtein entstand aus der Idee, den Zugang zu diesen Werkzeugen zu erweitern.“

Bepler hatte im Rahmen seiner Doktorarbeit an der Spitze der KI gearbeitet. Er wusste, dass die Technologie Wissenschaftlern helfen könnte, ihre Arbeit zu beschleunigen.

„Wir begannen mit der Idee, eine Allzweckplattform für die maschinelle Lern-in-the-Loop-Proteintechnik zu entwickeln“, sagt Bepler. „Wir wollten etwas entwickeln, das benutzerfreundlich ist, weil Ideen für maschinelles Lernen irgendwie esoterisch sind. Sie erfordern Implementierung, GPUs, Feinabstimmung und den Entwurf von Sequenzbibliotheken. Besonders zu dieser Zeit gab es für Biologen viel zu lernen.“

Im Gegensatz dazu verfügt die Plattform von OpenProtein über eine intuitive Weboberfläche, über die Biologen Daten hochladen und Protein-Engineering-Arbeiten mit maschinellem Lernen durchführen können. Es bietet eine Reihe von Open-Supply-Modellen, darunter PoET, das Flaggschiff-Proteinsprachenmodell von OpenProtein.

PoET, kurz für Protein Evolutionary Transformer, wurde auf Proteingruppen trainiert, um Sätze verwandter Proteine ​​zu generieren. Bepler und seine Mitarbeiter zeigten, dass es die evolutionären Einschränkungen von Proteinen verallgemeinern und neue Informationen über Proteinsequenzen ohne Umschulung einbeziehen konnte, was es anderen Forschern ermöglichte, experimentelle Daten hinzuzufügen, um das Modell zu verbessern.

„Forscher können ihre eigenen Daten verwenden, um Modelle zu trainieren und Proteinsequenzen zu optimieren, und dann können sie unsere anderen Instruments verwenden, um diese Proteine ​​zu analysieren“, sagt Bepler. „Die Leute erstellen Bibliotheken von Proteinsequenzen in silico (auf Computern) und lassen sie dann durch Vorhersagemodelle laufen, um Validierung und strukturelle Prädiktoren zu erhalten. Es handelt sich im Grunde genommen um ein No-Code-Frontend, aber wir haben auch APIs für Leute, die mit Code darauf zugreifen möchten.“

Die Modelle helfen Forschern, Proteine ​​schneller zu entwerfen und dann zu entscheiden, welche für weitere Labortests vielversprechend genug sind. Forscher können auch Proteine ​​von Interesse eingeben und die Modelle können neue mit ähnlichen Eigenschaften generieren.

Seit seiner Gründung hat das Workforce von OpenProtein seiner Plattform kontinuierlich Instruments für Forscher hinzugefügt, unabhängig von der Größe ihres Labors oder ihren Ressourcen.

„Wir haben uns sehr bemüht, die Plattform zu einem offenen Werkzeugkasten zu machen“, sagt Bepler. „Es verfügt über spezifische Arbeitsabläufe, ist aber nicht spezifisch an eine Proteinfunktion oder Proteinklasse gebunden. Eines der großartigen Dinge an diesen Modellen ist, dass sie Proteine ​​sehr intestine im Großen und Ganzen verstehen können. Sie lernen den gesamten Bereich möglicher Proteine ​​kennen.“

Ermöglichung der nächsten Technology von Therapien

Das große Pharmaunternehmen Boehringer Ingelheim begann Anfang 2025 mit der Nutzung der Plattform von OpenProtein. Kürzlich gaben die Unternehmen eine erweiterte Zusammenarbeit bekannt, bei der die Plattform und Modelle von OpenProtein in die Arbeit von Boehringer Ingelheim bei der Entwicklung von Proteinen zur Behandlung von Krankheiten wie Krebs sowie Autoimmun- oder Entzündungserkrankungen eingebettet werden.

Letztes Jahr veröffentlichte OpenProtein außerdem eine neue Model seines Protein-Sprachmodells PoET-2, das viel größere Modelle übertrifft und dabei nur einen kleinen Teil der Rechenressourcen und experimentellen Daten verbraucht.

„Wir wollen wirklich die Frage lösen, wie wir Proteine ​​beschreiben“, sagt Bepler. „Was ist die sinnvolle, domänenspezifische Sprache der Proteinbeschränkungen, die wir verwenden, wenn wir sie generieren? Wie können wir weitere evolutionäre Einschränkungen einführen? Wie können wir eine enzymatische Reaktion, die ein Protein ausführt, so beschreiben, dass ein Modell Sequenzen generieren kann, um diese Reaktion durchzuführen?“

Vorwärts gehen, Die Gründer hoffen, Modelle zu entwickeln, die die sich verändernde, vernetzte Natur der Proteinfunktion berücksichtigen.

„Der Bereich, der mich begeistert, ist, über Proteinbindungsereignisse hinauszugehen und diese Modelle zur Vorhersage und Gestaltung dynamischer Merkmale zu verwenden, bei denen das Protein zwei, drei oder vier biologische Mechanismen gleichzeitig aktivieren oder seine Funktion nach der Bindung ändern muss“, sagt Lu, der derzeit in einer beratenden Funktion für das Unternehmen tätig ist.

Während der Fortschritt in der KI voranschreitet, sieht OpenProtein seine Mission weiterhin darin, Wissenschaftlern die besten Werkzeuge zur Verfügung zu stellen, um neue Behandlungen schneller zu entwickeln.

„Da die Arbeit immer komplexer wird und Ansätze Dinge wie Proteinlogik und dynamische Therapien einbeziehen, werden die vorhandenen experimentellen Instruments zu Einschränkungen“, sagt Lu. „Es ist wirklich wichtig, offene Ökosysteme rund um KI und Biologie zu schaffen. Es besteht die Gefahr, dass KI-Ressourcen so konzentriert werden, dass der durchschnittliche Forscher sie nicht nutzen kann. Offener Zugang ist für den Fortschritt im wissenschaftlichen Bereich äußerst wichtig.“

Neuronale Netzwerke haben die Artwork und Weise, wie Ingenieure Robotersteuerungen entwickeln, grundlegend verändert und anpassungsfähigere und effizientere Maschinen hervorgebracht. Dennoch sind diese gehirnähnlichen maschinellen Lernsysteme ein zweischneidiges Schwert: Ihre Komplexität macht sie leistungsstark, aber sie macht es auch schwierig zu garantieren, dass ein Roboter, der von einem neuronalen Netzwerk angetrieben wird, seine Aufgabe sicher erfüllt.

Die traditionelle Methode zur Überprüfung von Sicherheit und Stabilität sind Techniken, die als Ljapunow-Funktionen bezeichnet werden. Wenn Sie eine Ljapunow-Funktion finden, deren Wert kontinuierlich abnimmt, können Sie sicher sein, dass unsichere oder instabile Situationen, die mit höheren Werten verbunden sind, niemals eintreten werden. Bei Robotern, die von neuronalen Netzwerken gesteuert werden, ließen sich frühere Ansätze zur Überprüfung von Ljapunow-Bedingungen jedoch nicht intestine auf komplexe Maschinen skalieren.

Forscher des Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT und anderer Institute haben nun neue Techniken entwickelt, die Ljapunow-Berechnungen in komplexeren Systemen streng zertifizieren. Ihr Algorithmus sucht und verifiziert effizient eine Ljapunow-Funktion und bietet damit eine Stabilitätsgarantie für das System. Dieser Ansatz könnte möglicherweise einen sichereren Einsatz von Robotern und autonomen Fahrzeugen, einschließlich Flugzeugen und Raumfahrzeugen, ermöglichen.

Um frühere Algorithmen zu übertreffen, fanden die Forscher eine kostengünstige Abkürzung für den Trainings- und Verifizierungsprozess. Sie generierten kostengünstigere Gegenbeispiele – beispielsweise widersprüchliche Daten von Sensoren, die den Controller hätten verwirren können – und optimierten dann das Robotersystem, um diese zu berücksichtigen. Das Verständnis dieser Randfälle half den Maschinen, den Umgang mit schwierigen Umständen zu erlernen, wodurch sie unter einer größeren Bandbreite von Bedingungen sicher arbeiten konnten als bisher möglich. Dann entwickelten sie eine neuartige Verifizierungsformulierung, die die Verwendung eines skalierbaren neuronalen Netzwerkverifizierers, α,β-CROWN, ermöglicht, um strenge Worst-Case-Szenario-Garantien über die Gegenbeispiele hinaus zu bieten.

„Wir haben einige beeindruckende empirische Leistungen bei KI-gesteuerten Maschinen wie Humanoiden und Roboterhunden gesehen, aber diesen KI-Controllern fehlen die formalen Garantien, die für sicherheitskritische Systeme entscheidend sind“, sagt Lujie Yang, Doktorand für Elektrotechnik und Informatik (EECS) am MIT und CSAIL-Mitarbeiter, der zusammen mit dem Forscher Hongkai Dai SM ’12, PhD ’16 am Toyota Analysis Institute, Co-Leiter eines neuen Papiers über das Projekt ist. „Unsere Arbeit schließt die Lücke zwischen diesem Leistungsniveau von neuronalen Netzwerkcontrollern und den Sicherheitsgarantien, die für den Einsatz komplexerer neuronaler Netzwerkcontroller in der realen Welt erforderlich sind“, bemerkt Yang.

Für eine digitale Demonstration simulierte das Group, wie sich eine Quadrotor-Drohne mit Lidar-Sensoren in einer zweidimensionalen Umgebung stabilisieren würde. Ihr Algorithmus führte die Drohne erfolgreich in eine stabile Schwebeposition, wobei er nur die begrenzten Umgebungsinformationen nutzte, die die Lidar-Sensoren lieferten. In zwei weiteren Experimenten ermöglichte ihr Ansatz den stabilen Betrieb zweier simulierter Robotersysteme unter einem größeren Spektrum von Bedingungen: ein umgekehrtes Pendel und ein pfadverfolgendes Fahrzeug. Diese Experimente sind zwar bescheiden, aber relativ komplexer als das, was die Neighborhood für die Verifizierung neuronaler Netze zuvor hätte tun können, insbesondere weil sie Sensormodelle beinhalteten.

„Anders als bei üblichen Problemen des maschinellen Lernens erfordert die rigorose Verwendung neuronaler Netze als Ljapunow-Funktionen die Lösung schwieriger globaler Optimierungsprobleme, und daher ist die Skalierbarkeit der entscheidende Engpass“, sagt Sicun Gao, außerordentlicher Professor für Informatik und Ingenieurwissenschaften an der College of California in San Diego, der an dieser Arbeit nicht beteiligt conflict. „Die aktuelle Arbeit leistet einen wichtigen Beitrag, indem sie algorithmische Ansätze entwickelt, die viel besser auf die besondere Verwendung neuronaler Netze als Ljapunow-Funktionen in Steuerungsproblemen zugeschnitten sind. Sie erreicht eine beeindruckende Verbesserung der Skalierbarkeit und der Qualität der Lösungen gegenüber bestehenden Ansätzen. Die Arbeit eröffnet spannende Richtungen für die weitere Entwicklung von Optimierungsalgorithmen für neuronale Ljapunow-Methoden und die rigorose Verwendung von Deep Studying in der Steuerung und Robotik im Allgemeinen.“

Der Stabilitätsansatz von Yang und ihren Kollegen hat potenziell weitreichende Anwendungsmöglichkeiten, bei denen die Gewährleistung der Sicherheit von entscheidender Bedeutung ist. Er könnte dazu beitragen, eine ruhigere Fahrt für autonome Fahrzeuge wie Flugzeuge und Raumfahrzeuge zu gewährleisten. Ebenso könnten Drohnen, die Waren ausliefern oder verschiedene Gelände kartieren, von solchen Sicherheitsgarantien profitieren.

Die hier entwickelten Techniken sind sehr allgemein gehalten und nicht nur auf die Robotik beschränkt. Dieselben Techniken könnten in Zukunft möglicherweise auch bei anderen Anwendungen hilfreich sein, etwa in der Biomedizin und der industriellen Verarbeitung.

Während die Technik in Bezug auf die Skalierbarkeit eine Verbesserung gegenüber früheren Arbeiten darstellt, untersuchen die Forscher, wie sie in Systemen mit höheren Dimensionen besser funktionieren kann. Sie möchten auch Daten berücksichtigen, die über Lidar-Messwerte hinausgehen, wie Bilder und Punktwolken.

In der zukünftigen Forschungsrichtung möchte das Group die gleichen Stabilitätsgarantien für Systeme bieten, die sich in unsicheren Umgebungen befinden und Störungen ausgesetzt sind. Wenn eine Drohne beispielsweise einer starken Windböe ausgesetzt ist, möchten Yang und ihre Kollegen sicherstellen, dass sie trotzdem stabil fliegt und die gewünschte Aufgabe erfüllt.

Außerdem wollen sie ihre Methode auf Optimierungsprobleme anwenden, bei denen das Ziel darin besteht, die Zeit und Distanz zu minimieren, die ein Roboter braucht, um eine Aufgabe zu erledigen und dabei stabil zu bleiben. Sie planen, ihre Technik auf Humanoide und andere reale Maschinen auszudehnen, bei denen ein Roboter stabil bleiben muss, während er Kontakt mit seiner Umgebung hält.

Russ Tedrake, Toyota-Professor für EECS, Luft- und Raumfahrt und Maschinenbau am MIT, Vizepräsident für Robotikforschung am TRI und CSAIL-Mitglied, ist leitender Autor dieser Forschungsarbeit. Der Beitrag wird auch dem Doktoranden Zhouxing Shi von der College of California in Los Angeles und dem außerordentlichen Professor Cho-Jui Hsieh sowie dem Assistenzprofessor Huan Zhang von der College of Illinois Urbana-Champaign zugeschrieben. Ihre Arbeit wurde teilweise von Amazon, der Nationwide Science Basis, dem Workplace of Naval Analysis und dem AI2050-Programm von Schmidt Sciences unterstützt. Der Beitrag der Forscher wird auf der Worldwide Convention on Machine Studying 2024 vorgestellt.